.NET正则基础之平衡组
<h2>1、概述</h2><p>平衡组是微软在.NET中提出的一个概念，主要是结合几种正则语法规则，提供对配对出现的嵌套结构的匹配。.NET是目前对正则支持最完备、功能最强大的语言平台之一，而平衡组正是其强大功能的外在表现，也是比较实用的文本处理功能，目前只有.NET支持，相信后续其它语言会提供支持。</p>
<p>平衡组可以有狭义和广义两种定义，狭义平衡组指.NET中定义的(?<Close-Open>Expression)语法，广义平衡组并不是固定的语法规则，而是几种语法规则的综合运用，我们平时所说的平衡组通常指的是广义平衡组。本文中如无特殊说明，平衡组这种简写指的是广义平衡组。</p>
<p>正是由于平衡组功能的强大，所以带来了一些神秘色彩，其实平衡组并不难掌握。下面就平衡组的匹配原理、应用场景以及性能调优展开讨论。</p>
<h2>2、平衡组匹配原理</h2>
<h3>2.1 预备知识</h3>
<p>平衡组通常是由量词，分支结构，命名捕获组，狭义平衡组，条件判断结构组成的，量词和分支结构这里不做介绍，这里只对命名捕获组，狭义平衡组和条件判断结构做下说明。</p>
<h3>2.1.1命名捕获组</h3>
<p>语法：(?<name>Expression) </p>
<p> (?’name’Expression)</p>
<p>以上两种写法在.NET中是等价的，都是将“Expression”子表达式匹配到的内容，保存到以“name”命名的组里，以供后续引用。</p>
<p>对于命名捕获组的应用，这里不做重点介绍，只是需要澄清一点，平时使用捕获组时，一般反向引用或Group对象使用得比较多，可能会有一种误解，那就是捕获组只保留一个匹配结果，即使一个捕获组可以先后匹配多个子串，也只保留最后一个匹配到的子串。但事实是这样吗？</p>
<p>举例来说：</p>
<p>源字符串：abcdefghijkl</p>
<p>正则表达式：(?<chars>{2})+</p>
<p>命名捕获组chars最终捕获的是什么？</p>
<div class="jb51code"><pre class="brush:csharp;">string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>{2})+");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += "匹配结果：" + m.Value + "\n";
richTextBox2.Text += "Group：" + m.Groups["chars"].Value + "\n";
}
/*--------输出--------
匹配结果：abcdefghijkl
Group：kl
*/</pre></div>
<p>从m.Groups["chars"].Value的输出上看，似乎确实是只保留了一个匹配内容，但却忽略了一个事实，Group实际上是Capture的一个集合</p>
<div class="jb51code"><pre class="brush:csharp;">string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>{2})+");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += "匹配结果：" + m.Value + "\n";
richTextBox2.Text += "Group：" + m.Groups["chars"].Value + "\n--------------\n";
foreach (Capture c in m.Groups["chars"].Captures)
{
richTextBox2.Text += "Capture：" + c + "\n";
}
}
/*--------输出--------
匹配结果：abcdefghijkl
Group：kl
--------------
Capture：ab
Capture：cd
Capture：ef
Capture：gh
Capture：ij
Capture：kl
*/</pre></div>
<p>平时应用时可能会忽略这一点，因为很少遇到一个捕获组先后匹配多个子串的情况，而在一个捕获组只匹配一个子串时，Group集合中就只有一个Capture元素，所以内容是一样的。</p>
<div class="jb51code"><pre class="brush:csharp;">string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>{2})");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += "匹配结果：" + m.Value + "\n";
richTextBox2.Text += "Group：" + m.Groups["chars"].Value + "\n--------------\n";
foreach (Capture c in m.Groups["chars"].Captures)
{
richTextBox2.Text += "Capture：" + c + "\n";
}
}
/*--------输出--------
匹配结果：ab
Group：ab
--------------
Capture：ab
*/</pre></div>
<p>捕获组保存的是一个集合，而不只是一个元素，这一知识点对于理解平衡组的匹配原理是有帮助的。</p>
<h4>2.1.2狭义平衡组</h4>
<p>语法：(?<Close-Open>Expression)</p>
<p>其中“Close”是命名捕获组的组名，也就是“(?<name>Expression)”中的“name”，可以省略，通常应用时并不关注，所以一般都是省略的，写作“(?<-Open>Expression)”。作用就是当此处的“Expression”子表达式匹配成功时，则将最近匹配成功到的命名为“Open”组出栈，如果此前不存在匹配成功的“Open”组，那么就报告“(?<-Open>Expression)”匹配失败，整个表达式在这一位置也是匹配失败的。</p>
<h4>2.1.3条件判断结构</h4>
<p>语法：(?(Expression)yes|no)</p>
<p> (?(name)yes|no)</p>
<p>对于“(?(Expression)yes|no)”，它是“(?(?=Expression)yes|no)”的简写形式，相当于三元运算符</p>
<p>(?=Expression) ? yes : no</p>
<p>表示如果子表达式“(?=Expression)”匹配成功，则匹配“yes”子表达式，否则匹配“no”子表达式。如果“Expression”与可能出现的命名捕获组的组名相同，为避免混淆，可以采用“(?(?=Expression)yes|no)”方式显示声明“Expression”为子表达式，而不是捕获组名。</p>
<p>“(?=Expression)”验证当前位置右侧是否能够匹配“Expression”，属于顺序环视结构，是零宽度的，所以它只参与判断，即使匹配成功，也不会占有字符。</p>
<p>举例来说：</p>
<p>源字符串：abc</p>
<p>正则表达式：(?(?=a)\w{2}|\w)</p>
<p>当前位置右侧如果是字符“a” ，则匹配两个“\w”，否则匹配一个“\w”。</p>
<div class="jb51code"><pre class="brush:csharp;">string test = "abc";
Regex reg = new Regex(@"(?(?=a)\w{2}|\w)");
MatchCollection mc = reg.Matches(test);
foreach(Match m in mc)
{
richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
ab
c
*/</pre></div>
<p>对于“(?(name)yes|no)”，如果命名捕获组“name”有捕获，则匹配“yes”子表达式，否则匹配“no”子表达式。这一语法最典型的一种应用是平衡组。</p>
<p>当然，以上两种语法中，“yes”和“no都是可以省略的，但同一时间只能省略一个，不能一起省略。平衡组的应用中就是省略了“no”子表达式。</p>
<h3>2.2平衡组的匹配原理</h3>
<p>平衡组的匹配原理可以用堆栈来解释，先举个例子，再根据例子进行解释。</p>
<p>源字符串：a+(b*(c+d))/e+f-(g/(h-i))*j</p>
<p>正则表达式：)|[^()])*(?(Open)(?!))\)</p>
<p>需求说明：匹配成对出现的()中的内容</p>
<div class="jb51code"><pre class="brush:csharp;">string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg = new Regex(@")|[^()])*(?(Open)(?!))\)");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
(b*(c+d))
(g/(h-i))
*/</pre></div>
<p>下面来考察一下这个正则，为了阅读方便，写成宽松模式。</p>
<div class="jb51code"><pre class="brush:csharp;">Regex reg = new Regex(@"\( #普通字符“(”
( #分组构造，用来限定量词“*”修饰范围
(?<Open>\() #命名捕获组，遇到开括弧'Open'计数加1
| #分支结构
(?<-Open>\)) #狭义平衡组，遇到闭括弧'Open'计数减1
| #分支结构
[^()]+ #非括弧的其它任意字符
)* #以上子串出现0次或任意多次
(?(Open)(?!)) #判断是否还有'Open'，有则说明不配对，什么都不匹配
\) #普通闭括弧
", RegexOptions.IgnorePatternWhitespace);</pre></div>
<p>对于一个嵌套结构而言，开始和结束标记都是确定的，对于本例开始为“(”，结束为“)”，那么接下来就是考察中间的结构，中间的字符可以划分为三类，一类是“(”，一类是“)”，其余的就是除这两个字符以外的任意字符。</p>
<p>那么平衡组的匹配原理就是这样的：</p>
<p>1.先找到第一个“(”，作为匹配的开始</p>
<p>2.在第1步以后，每匹配到一个“(”，就入栈一个Open捕获组，计数加1</p>
<p>3.在第1步以后，每匹配到一个“)”，就出栈最近入栈的Open捕获组，计数减1</p>
<p>4.后面的(?(Open)(?!))用来保证堆栈中Open捕获组计数是否为0，也就是“(”和“)”是配对出现的</p>
<p>5.最后的“)”，作为匹配的结束</p>
<p>匹配过程（以下匹配过程，如果觉得难以理解，可以暂时跳过，先学会如何使用，再研究为什么可以这样用吧）</p>
<p>首先匹配第一个“(”，然后一直匹配，直到出现以下两种情况之一：</p>
<p>a)堆栈中Open计数已为0，此时再遇到“)”</p>
<p>b)匹配到字符串结束符</p>
<p>这时控制权交给(?(Open)(?!))，判断Open是否有匹配，由于此时计数为0，没有匹配，那么就匹配“no”分支，由于这个条件判断结构中没有“no”分支，所以什么都不做，把控制权交给接下来的“\)”</p>
<p>如果上面遇到的是情况a)，那么此时“\)”可以匹配接下来的“\)”，匹配成功；如果上面遇到的是情况b)，那么此时会进行回溯，直到“\)”匹配成功为止，否则报告整个表达式匹配失败。</p>
<p>由于.NET中的狭义平衡组“(?<Close-Open>Expression)”结构，可以动态的对堆栈中捕获组进行计数，匹配到一个开始标记，入栈，计数加1，匹配到一个结束标记，出栈，计数减1，最后再判断堆栈中是否还有Open，有则说明开始和结束标记不配对出现，不匹配，进行回溯或报告匹配失败；如果没有，则说明开始和结束标记配对出现，继续进行后面子表达式的匹配。</p>
<p>需要对“(?!)”进行一下说明，它属于顺序否定环视，完整的语法是“(?!Expression)”。由于这里的“Expression”不存在，表示这里不是一个位置，所以试图尝试匹配总是失败的，作用就是在Open不配对出现时，报告匹配失败。</p>
<h2>3、平衡组的应用及优化</h2>
<p>平衡组提供了嵌套结构的匹配功能，这一创新是很让人兴奋的，因为此前正则对于嵌套结构的匹配是无能为力的。然而功能的强大，自然也带来了实现的复杂，正则书写得不好，可能会存在效率陷阱，甚至导致程序崩溃，这里介绍一些基本的优化方法。</p>
<h3>3.1单字符嵌套结构平衡组优化</h3>
<p>单字符的嵌套结构指的是开始和结束标记都单个字符的嵌套结构，这种嵌套相对来说比较简单，优化起来也比较容易。先从上面提到的例子开始。</p>
<h4>3.1.1贪婪与非贪婪模式</h4>
<p>上面给的例子是一种做了部分优化的常规写法，算作是版本1吧，它做了哪些优化呢，先来看下完全没有做过优化的版本0吧。</p>
<div class="jb51code"><pre class="brush:csharp;">string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg0 = new Regex(@"\( #普通字符“(”
( #分组构造，用来限定量词“*”修饰范围
(?<Open>\() #命名捕获组，遇到开括弧Open计数加1
| #分支结构
(?<-Open>\)) #狭义平衡组，遇到闭括弧Open计数减1
| #分支结构
. #任意字符
)*? #以上子串出现0次或任意多次，非贪婪模式
(?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配
\) #普通闭括弧
", RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = reg0.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
(b*(c+d))
(g/(h-i))
*/</pre></div>
<p>接下来对比一下版本1。</p>
<div class="jb51code"><pre class="brush:csharp;">Regex reg1 = new Regex(@"\( #普通字符“(”
( #分组构造，用来限定量词“*”修饰范围
(?<Open>\() #命名捕获组，遇到开括弧'Open'计数加1
| #分支结构
(?<-Open>\)) #狭义平衡组，遇到闭括弧'Open'计数减1
| #分支结构
[^()]+ #非括弧的其它任意字符
)* #以上子串出现0次或任意多次
(?(Open)(?!)) #判断是否还有'Open'，有则说明不配对，什么都不匹配
\) #普通闭括弧
", RegexOptions.IgnorePatternWhitespace);</pre></div>
<p>看到区别了吗？版本1对版本0的改进主要有两个地方，一个是用“[^()]+”来代替“.”，另一个是用“*”来代替“*?”，也就是用贪婪模式来代替非贪婪模式。</p>
<p>如果使用了小数点“.”，那么为什么不能在分组内使用“.+”，后面又为什么不能用“*”呢？只要在上面的正则中使用并运行一下代码就可以知道了，匹配的结果是</p>
<p>(b*(c+d))/e+f-(g/(h-i))</p>
<p>而不是</p>
<p>(b*(c+d))</p>
<p>(g/(h-i))</p>
<p>因为无论是分组内使用“.+”还是后面使用“*”，都是贪婪模式，所以小数点会一直匹配下去，直到匹配到字符串的结束符才会停止，然后进行回溯匹配。为了取得正确结果，必须使用非贪婪模式“*?”。</p>
<p>这就类似于用“”去匹配“(abc)def(ghi)”一样，得到的结果是“(abc)def(ghi)”，而不是通常我们希望的“(abc)”和“(ghi)”。这时要用非贪婪模式“”来得到正确的结果。</p>
<p>贪婪模式和非贪婪模式在匹配失败时，回溯的次数基本上是一样的，效率上没有多大区别，但是在匹配成功时，贪婪模式比非贪婪模式回溯的次数要少得多，效率要高得多。</p>
<p>对于“”如果既要得到正确的匹配结果，又要提高匹配效率，可以使用排除型捕获组+贪婪模式的方式，即“”。</p>
<p>版本0的平衡组也是一样，可以使用排除字符组“[^()]+”和贪婪模式“*”结合的方式，提高匹配效率，得到的就是版本1的平衡组。</p>
<p>相对于版本0，或许你会认为版本1的写法是很自然的，但是如果不了解这样一个演进过程，那么在字符序列嵌套结构平衡组优化时，就不会是那么自然的一件事了。</p>
<h4>3.1.2 分支结构</h4>
<p>接下来就是分支结构的优化。</p>
<p>语法：(Exp1|Exp2|Exp3)</p>
<p>因为分支结构的匹配规则是，从左向右尝试匹配，当左侧分支匹配成功时，就不再向右尝试。所以使用分支结构时，可以根据以下两条规则进行优化：</p>
<p>1.尽量抽象出每个分支中的公共的部分，使最后的表达式中，每个分支共公部分尽可能的少，比如(this|that)的匹配效率是没有th(is|at)高的。</p>
<p>2. 在不影响匹配结果的情况下，把出现概率高的分支放在左侧，出现概率低的分支放右侧。</p>
<p>对于本例中的分支结构，已经没有公共部分，符合第一条规则，再看下第二条规则，开始标记“(”和结束标记“)”出现的概率基本上是一样的，而除“(”和“)”之外的字符出现的概率是比“(”和“)”出现的概率高的，所以应该把“[^()]+”分支放在左侧。</p>
<p>版本1由于采用了排除型捕获组，所以这三个分支没有包含关系，左右顺序对结果不会造成影响，可以调整顺序。因为这是已经经过优化的了，而如果是版本0，由“.”对“(”和“)”有包含关系，就不能调整顺序了。</p>
<p>在版本1基础上对分支结构进行优化后，就得到版本2。</p>
<div class="jb51code"><pre class="brush:csharp;">string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg2 = new Regex(@"\( #普通字符“(”
( #分组构造，用来限定量词“*”修饰范围
[^()]+ #非括弧的其它任意字符
| #分支结构
(?<Open>\() #命名捕获组，遇到开括弧Open计数加1
| #分支结构
(?<-Open>\)) #狭义平衡组，遇到闭括弧Open计数减1
)* #以上子串出现0次或任意多次
(?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配
\) #普通闭括弧
", RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = reg2.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
(b*(c+d))
(g/(h-i))
*/</pre></div>
<h4>3.1.3 捕获组</h4>
<p>这里面主要涉及到了两个捕获组“(?<Open>\()”和“(?<-Open>\))”，而在平衡组的应用中，我是只关心它是否匹配了，而对于匹配到的内容是不关心的。对于这样一种需求，可以用以下方式实现</p>
<p>\( (?<Open>)</p>
<p>\)(?<-Open>)</p>
<p>“(?<Open>)”和“(?<-Open>)”这两种方式只是使用了命名捕获组，捕获的是一个位置，它总是能够匹配成功的，而匹配的内容是空的，分配的内存空间是固定的，可以有效的节省资源，这在单字符嵌套结构中并不明显，但是在字符序列嵌套结构中就比较明显了。</p>
<p>由于捕获组是直接跟在开始或结束标记之后的，所以只要开始或结束标记匹配成功，命名捕获组自然就会匹配成功，对于功能是没有任何影响的。</p>
<p>那么把标记和捕获组调整一下顺序是否可以呢？从功能上来讲，是可以的，但是匹配的流程上会有所不同，先是捕获组匹配成功，入栈，然后再匹配标记，成功则继续匹配，不成功则该分支匹配失败，进行回溯，出栈，继续尝试下一分支。这样将增加许多入栈和出栈的操作，对匹配效率是有影响的，所以这种方式并不可取。</p>
<p>在版本2基础上对捕获组进行优化后，就得到版本3。</p>
<div class="jb51code"><pre class="brush:csharp;">string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg3 = new Regex(@"\( #普通字符“(”
( #分组构造，用来限定量词“*”修饰范围
[^()]+ #非括弧的其它任意字符
| #分支结构
\( (?<Open>) #命名捕获组，遇到开括弧Open计数加1
| #分支结构
\) (?<-Open>) #狭义平衡组，遇到闭括弧Open计数减1
)* #以上子串出现0次或任意多次
(?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配
\) #普通闭括弧
", RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = reg3.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
(b*(c+d))
(g/(h-i))
*/</pre></div>
<h4>3.1.4 固化分组</h4>
<p>看到有些人使用平衡组时用到了固化分组，但并不是所有人都明白固化分组的作用。</p>
<p>语法：(?>Expression)</p>
<p>用“”去匹配“(abc)”是可以匹配成功的，因为不用回溯，相对于“”这种非贪婪模式，效率上有所提升，但是对于匹配失败的情况又如何呢？</p>
<p>源字符串：(abc</p>
<p>正则表达式：</p>
<p>匹配中间过程这里不再详述，可以参考NFA引擎匹配原理。</p>
<p>当“[^()]+”匹配到结束位置时，控制权交给“\)”，匹配失败，进行回溯，而由于前面使用了“[^()]+”这种排除型字符组，所以可供回溯的位置，不会存在可以匹配“\)”的情况，这时候的回溯是完全没有意义的，只会浪费时间，但是由于传统NFA引擎的特点，必须回溯所有可能之后才会报告匹配失败。</p>
<p>这时可以用固化分组来进行优化，一旦占有字符，就不再释放。也就是一旦占有，就不再记录可供回溯的可能。通常是与排除型字符组或顺序否定环视一起使用的。</p>
<p>优化后的正则表达式：</p>
<p>需要说明的一点，固化分组要作用于量词修饰的子表达式才有意义，对于“(?>abc)”由于内容是固定的，根本就不会产生回溯，所以使用固化分组是没有意义的。</p>
<p>对于平衡组的应用也是一样，如果分组构造中没有量词，那么使用固化分组就是没有意义的，比如版本0</p>
<p>Regex reg = new Regex(@")|.)*?(?(Open)(?!))\)");</p>
<p>这种场景下使用固化分组就是没有意义的。</p>
<p>在版本3基础上对捕获组进行优化后，就得到版本4。</p>
<div class="jb51code"><pre class="brush:csharp;">string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg4 = new Regex(@"\( #普通字符“(”
(?> #分组构造，用来限定量词“*”修饰范围
[^()]+ #非括弧的其它任意字符
| #分支结构
\( (?<Open>) #命名捕获组，遇到开括弧Open计数加1
| #分支结构
\) (?<-Open>) #狭义平衡组，遇到闭括弧Open计数减1
)* #以上子串出现0次或任意多次
(?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配
\) #普通闭括弧
", RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = reg4.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
(b*(c+d))
(g/(h-i))
*/</pre></div>
<p>那么对于分组构造外层的“*”修饰的子表达式是否可以使用固化分组呢？答案是否定的，因为平衡组通常是要进行回溯才能最终匹配成功的，所以如果使用固化分组，不记录回溯可能的话，将无法得到正确结果。</p>
<h4>3.1.5 进一步优化讨论</h4>
<p>那么现在是不是已经完成优化了呢？是的，通常可以这么认为。在一般应用当中，这已经是从正则层面上来说，最优方案了。</p>
<p>但是在有些场景下，由于Compiled模式可以有效提高分支结构的匹配效率，所以对于源字符串比较复杂的情况，牺牲一些编译时间和内存，还是可以有效提高匹配效率的。</p>
<div class="jb51code"><pre class="brush:csharp;">Regex reg5 = new Regex(@"\( #普通字符“(”
(?> #分组构造，用来限定量词“*”修饰范围
[^()]+ #非括弧的其它任意字符
| #分支结构
\( (?<Open>) #命名捕获组，遇到开括弧Open计数加1
| #分支结构
\) (?<-Open>) #狭义平衡组，遇到闭括弧Open计数减1
)* #以上子串出现0次或任意多次
(?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配
\) #普通闭括弧
", RegexOptions.IgnorePatternWhitespace | RegexOptions.Compiled);
MatchCollection mc = reg5.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
(b*(c+d))
(g/(h-i))
*/</pre></div>
<p>并不是所有应用场景都适合使用Compiled模式，比如上面这个例子里的源字符串如果是“a+(b*(c+d))/e+f-(g/(h-i))*j”，本身是非常简单的，使用Compiled模式将是得不偿失的。什么时候使用，要根据具体问题具体分析。</p>
<h3>3.2 字符序列嵌套结构平衡组应用</h3>
<p>字符序列嵌套结构的匹配，典型的应用就是html标签的提取。由于上面详细说明了单字符嵌套结构的优化过程，这里主要讲应用场景，个别涉及到优化的地方再讨论。</p>
<p>字符序列嵌套结构的匹配，举例来说，取div标签。源字符串如下：</p>
<div class="jb51code"><pre class="brush:xhtml;"><div id="0">
0
</div>
<div id="1">
1
<div id="2">
2
</div>
</div></pre></div>
<h4>3.2.1提取最外层嵌套结构</h4>
<p>提取最外层div标签，分析过程及构造方式与单字符嵌套结构差不多，只是捕获组等内容稍稍复杂点，先给出实现，再进行解释。</p>
<div class="jb51code"><pre class="brush:csharp;">string test = @"<div id=""0"">
0
</div>
<div id=""1"">
1
<div id=""2"">
2
</div>
</div>";
Regex reg = new Regex(@"(?isx) #匹配模式，忽略大小写，“.”匹配任意字符
<div[^>]*> #开始标记“<div...>”
(?> #分组构造，用来限定量词“*”修饰范围
<div[^>]*> (?<Open>) #命名捕获组，遇到开始标记，入栈，Open计数加1
| #分支结构
</div> (?<-Open>) #狭义平衡组，遇到结束标记，出栈，Open计数减1
| #分支结构
(?:(?!</?div\b).)* #右侧不为开始或结束标记的任意字符
)* #以上子串出现0次或任意多次
(?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配
</div> #结束标记“</div>”
");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n--------------------\n";
}
/*--------输出--------
<div id="0">
0
</div>
--------------------
<div id="1">
1
<div id="2">
2
</div>
</div>
--------------------
*/</pre></div>
<p>在单字符嵌套结构中，使用排除型字符组“[^()]+”，与分组构造外的匹配优先量词“*” 达到贪婪模式匹配效果。在字符序列嵌套结构中，要排除的是一个子串，而不是简单的几个无序字符，所以不能使用排除型字符组，此时需要用到顺序否定环视来达到这一目的。“(?:(?!</?div\b).)*”表示的是所在位置右侧不是“<div…>”或“</div>”的字符，这样的字符重复0次或任意多次。关于环视的细节，可以参考 正则基础之——环视。</p>
<p>而由于这种否定环视包含两种状态，所以在与固化分组结合使用时，会与后面的开始或结束标记形成包含关系，所以与固化分组一起使用时，不能放在左侧，只能放在右侧。</p>
<h4>3.2.2 根据id提取div嵌套标签</h4>
<p>根据id提取div时，改变的只是最外层div的结构，对内分组构造内部结构没有影响。但是因为id是变化的，所以正则需要动态生成。下面给出实现，源字符串和输出结果由于比较影响篇幅，就不再给出了。</p>
<div class="jb51code"><pre class="brush:csharp;">string id = Regex.Escape(textBox1.Text); //动态获取id
Regex reg = new Regex(@"(?isx)
<div(?:(?!(?:id=|</?div\b)).)*id=(['""]?)" + id + @"\1[^>]*> #开始标记“<div...>”
(?> #分组构造，用来限定量词“*”修饰范围
<div[^>]*> (?<Open>) #命名捕获组，遇到开始标记，入栈，Open计数加1
| #分支结构
</div> (?<-Open>) #狭义平衡组，遇到结束标记，出栈，Open计数减1
| #分支结构
(?:(?!</?div\b).)* #右侧不为开始或结束标记的任意字符
)* #以上子串出现0次或任意多次
(?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配
</div> #结束标记“</div>”
");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n--------------------\n";
}</pre></div>
<p>在动态生成正则表达式时，由于输入的字符串中可能存在正则中有特殊意义的元字符，如果不进行转义的话，正则解析时会抛出异常。所以用Regex.Escape(string str)来对动态输入的字符串进行转义处理，确保不会因动态输入的内容而抛异常。比如上面的例子，如果id不进行转义处理时，输入“abc(def”就会抛“) 不足”这样的异常。</p>
<h4>3.2.3 根据id提取任意嵌套标签</h4>
<p>再扩展一下，根据id属性取任意嵌套标签。实现如下，具体实现细节和讨论参考 就是通过id获得一个html标签块。以下正则相对于帖子对个别细节做了调整。</p>
<div class="jb51code"><pre class="brush:csharp;">string html = @"
<html>
<body>
<div id=""div1"">
<div id=""div2"" style=""background:Red;"">
<div id=""div3"">
<table id=""table1"">
<tr>
<td>
<div id=""div4"" style=""width:100px""></div>
</td>
</tr>
</table>
</div>
</div>
<div id=div5>
<a href=""http://www.csdn.net"">csdn</a>
</div>
</div>
<img src=""http://www.csdn.net/Images/logo_csdn.gif""/>
</body>
</html>";
Console.WriteLine(html);
string[] idList = { "div1", "div2", "div3", "div4", "table1", "div5", "abc(def" };
string pattern = @"<(+)(?:(?!\bid\b)[^<>])*id=([""']?){0}\2[^>]*>(?><\1[^>]*>(?<o>)|</\1>(?<-o>)|(?:(?!</?\1).)*)*(?(o)(?!))</\1>";
foreach (string id in idList)
{
Match match = Regex.Match(html, string.Format(pattern, Regex.Escape(id)),
RegexOptions.Singleline | RegexOptions.IgnoreCase);
Console.WriteLine("--------begin {0}--------", id);
if (match.Success)
Console.WriteLine(match.Value);
else
Console.WriteLine("o(╯□╰)o");
Console.WriteLine("--------end {0}--------", id);
}
Console.ReadLine();</pre></div>
<h4>3.2.4 根据标签取外层嵌套结构</h4>
<p>根据动态输入的tag，取相应的最外层的嵌套标签，实现如下。</p>
<div class="jb51code"><pre class="brush:csharp;">string html = @"
<html>
<body>
<div id=""div1"">
<div id=""div2"" style=""background:Red;"">
<div id=""div3"">
<table id=""table1"">
<tr>
<td>
<div id=""div4"" style=""width:100px""></div>
</td>
</tr>
</table>
</div>
</div>
<div id=div5>
<a href=""http://www.csdn.net"">csdn</a>
</div>
</div>
<img src=""http://www.csdn.net/Images/logo_csdn.gif""/>
</body>
</html>";
Console.WriteLine(html);
string[] tagList = { "html", "body", "div", "table", "abc(def" };
string pattern = @"(?isx)
<({0})\b[^>]*> #开始标记“<tag...>”
(?> #分组构造，用来限定量词“*”修饰范围
<\1[^>]*> (?<Open>) #命名捕获组，遇到开始标记，入栈，Open计数加1
| #分支结构
</\1> (?<-Open>) #狭义平衡组，遇到结束标记，出栈，Open计数减1
| #分支结构
(?:(?!</?\1\b).)* #右侧不为开始或结束标记的任意字符
)* #以上子串出现0次或任意多次
(?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配
</\1> #结束标记“</tag>”
";
foreach (string tag in tagList)
{
Match match = Regex.Match(html, string.Format(pattern, Regex.Escape(tag)));
Console.WriteLine("--------begin {0}--------", tag);
if (match.Success)
Console.WriteLine(match.Value);
else
Console.WriteLine("o(╯□╰)o");
Console.WriteLine("--------end {0}--------", tag);
}
Console.ReadLine();</pre></div>
<h4>3.2.5 条件判断结构扩展应用</h4>
<p>条件判断结构的作用不只限于验证开始和结束标记是否配对，根据需求的不同，还可以有其它一些应用。比如在匹配div标签时，只取内部“存在”嵌套的外层标签。</p>
<div class="jb51code"><pre class="brush:csharp;">string test = @"<div id=""0"">
0
</div>
<div id=""1"">
1
<div id=""2"">
2
</div>
</div>";
Regex reg = new Regex(@"(?isx) #匹配模式，忽略大小写，“.”匹配任意字符
<div[^>]*> #开始标记“<div...>”
(?> #分组构造，用来限定量词“*”修饰范围
<div[^>]*> (?<Open>)(?<Mask>) #遇到开始标记，入栈，Open和Mask计数各加1
| #分支结构
</div> (?<-Open>) #遇到结束标记，出栈，Open计数减1
| #分支结构
(?:(?!</?div\b).)* #右侧不为开始或结束标记的任意字符
)* #以上子串出现0次或任意多次
(?(Open)(?!))(?(Mask)|(?!)) #'OPEN'保证标记配对，'Mask'保证内部有嵌套
</div> #结束标记“</div>”
");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n--------------------\n";
}
/*--------输出--------
<div id="1">
1
<div id="2">
2
</div>
</div>
--------------------
*/</pre></div>
<p>命名捕获组“(?<Mask>)”只入栈不出栈，如果内部有嵌套，则“(?<Mask>)”一定有匹配，此时匹配“(?(Mask)yes|no)”中的“yes”子表达式，也就是什么都不做；如果内部没有嵌套，则“(?<Mask>)”没有匹配，此时匹配“(?(Mask)yes|no)”中的“no”子表达式，也就是报告匹配失败。这里省略的是“(?(Mask)yes|no)”中的“yes”子表达式。</p>
<p>对于匹配内部没有嵌套的标签，也就是最内层标签，可以使用上面的正则表达式，将“(?(Mask)yes|no)”中的“yes”子表达式设为“(?!)”，将“yes”子表达式省略。不过这样做有些浪费，完全可以用顺序否定环视来实现这一需求。</p>
<div class="jb51code"><pre class="brush:csharp;">string test = @"<div id=""0"">
0
</div>
<div id=""1"">
1
<div id=""2"">
2
</div>
</div>";
Regex reg = new Regex(@"(?is)<div[^>]*>(?:(?!</?div\b).)*</div>");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n--------------------\n";
}
/*--------输出--------
<div id="0">
0
</div>
--------------------
<div id="2">
2
</div>
--------------------
*/</pre></div>
<h2>4、平衡组应用范围探讨</h2>
<p>平衡组可以用来匹配嵌套结构，这是一个很大的创新，但是否就认为平衡组适合用来解决任何嵌套问题呢？事实当然不会是这样。</p>
<p>比如下面这个需求，(参考 请问一个正则表达式) ：</p>
<p>源字符串：1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7</p>
<p>要求输出：</p>
<p>Sum(1,Sum(2, Sum(3), 4), 5)</p>
<p>Sum(2, Sum(3), 4)</p>
<p>Sum(3)</p>
<p>Sum(9,Sum(8, Sum(7), 6), 5)</p>
<p>Sum(8, Sum(7), 6)</p>
<p>Sum(7)</p>
<p>这种需求使用平衡组+递归的方式可以实现，实现代码如下：</p>
<div class="jb51code"><pre class="brush:csharp;">//递归方法
private void getNesting(string src, Regex reg, List<string> list)
{
MatchCollection mc = reg.Matches(src);
foreach(Match m in mc)
{
list.Add(m.Value);
src = m.Value.Remove(m.Value.Length-1, 1);
if (reg.IsMatch(src))
{
getNesting(src, reg, list);
}
}
}
//调用
string test = "1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7";
List<string> list = new List<string>();
Regex reg = new Regex(@"(?i)Sum(?<-o>))*(?(o)(?!))\)", RegexOptions.Compiled);
getNesting(test, reg, list);
foreach (string s in list)
{
richTextBox2.Text += s + "\n";
}</pre></div>
<p>平衡组虽然可以实现要求，但除非你对效率没有要求，否则这一类需求通常是不适合用正则来实现的。因为平衡组并不是为这一功能而设计的，在实现过程中做了很多额外的尝试。效率上自然要大打折扣。</p>
<p>类似这样的需求，可以自己写有穷自动机来实现，毕竟正则也只不过是一种有穷自动机的实现而已。</p>
<div class="jb51code"><pre class="brush:csharp;"> string test = @"1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7 ";
StringBuilder nesting = new StringBuilder(64);
List<StringBuilder> list = new List<StringBuilder>();
List<string> groups = new List<string>();
int level = 0;
int state = 0;
foreach (char c in test)
{
if ((c == 'S' || c == 's') && state == 0)
{
state = 1;
nesting.Append(c);
}
else if ((c == 'U' || c == 'u') && state == 1)
{
state = 2;
nesting.Append(c);
}
else if ((c == 'M' || c == 'm') && state == 2)
{
state = 3;
nesting.Append(c);
}
else if (c == '(' && state == 3)
{
state = 0;
level++;
}
else
{
state = 0;
nesting = new StringBuilder(64);
}
if (c == ')')
{
if (level > 0)
{
level--;
groups.Add(list.ToString() + c);
list.Remove(list);
}
}
if (level > 0)
{
while(list.Count < level)
{
list.Add(nesting);
}
for (int i = 0; i < level; i++)
{
list.Append(c);
}
}
}
foreach (string s in groups)
{
Console.WriteLine(s);
}
Console.ReadLine();</pre></div>
<h2>5、其它声明</h2>
<p>到此为止，平衡组的基本应用场景和性能调优都已讨论完了，本文对于平衡组匹配原理讲得相对比较少，以应用场景分析为主。主要是因为能够使用平衡组来解决问题的人，通常已经对正则的基本语法有了一定程度的理解。而如果事实确实如此，那么对于平衡组的理解，也是水到渠成的了。</p>
<p>以上正则实现中，采用的多是宽松排列模式，主要是为了加注释，使得阅读清晰。而宽松排列模式通常用于教学目的，实际使用过程中，如果不是为了可读性的考虑，可以去掉这些注释和宽松排列模式参数。</p>
<p>上面给出了很多平衡组的应用，这里需要说明的是，我提供的只是一些方法和思路，从来不推荐把正则当作模板来用，虽然有些时候，它确实可以当作模板来用，但我还是希望你能真正的掌握这些语法规则之后，再去应用平衡组。当然，如果你认为能用就行，不需要知道为什么可以这样用，只是把它当作模板来套，我也无话可说。</p>
頁:
[1]