Regex正则表达式

Regex：是正则表达式（regular expression）的简写。 ‌‌正则表达式（Regular Expression）‌是一种强大的文本处理工具，用于匹配字符串中的特定模式。它由普通字符和特殊字符（称为元字符）组成，用于描述一种字符串匹配的模式。正则表达式可以检查一个字符串是否含有某种子串、将匹配的子串做替换或从某个字符串中取出符合某个条件的子串等。‌ 正则表达式在许多编程语言和文本编辑器中都有广泛应用，例如VsCode、SublimeText等工具，以及PHP、Perl、‌Java、‌JavaScript、‌C#等编程语言。它主要用于文本搜索、替换、模式匹配等操作，能够帮助程序员高效地处理和分析文本数据。 例如：一个简单的正则表达式^\d+$用于匹配一串数字，其中^表示字符串的开始，\d+表示一个或多个数字。

语法

正则表达式主要由两个斜杠组成，最后一个斜杠后面为修饰符，用于配置匹配模式，如下：

re = /pattern/modifiers

pattern（模式） 表达式的模式 modifiers（修饰符） 用于指定全局匹配、区分大小写的匹配和多行匹配

修饰符

修饰符用于执行区分大小写和全局匹配:

• i 执行对大小写不敏感的匹配
• g 执行全局匹配（查找所有匹配而非在找到第一个匹配后停止）
• m 执行多行匹配
• s 允许 . 匹配 \n

字符类

字符类允许你定义匹配一组字符的规则，支持以下几种模式：

• [xyz] 匹配 x、y 或 z 中的任意一个字符（并集）
• [^xyz] 匹配除 x、y 和 z 之外的任何字符（取反）
• [0-9] 匹配 0 到 9 范围内的数字（区间匹配）
• [a-z] 匹配 a 到 z 范围内的任何小写字母（区间匹配）
• [A-Z] 匹配 A 到 Z 范围内的任何大写字母（区间匹配）
• [A-z] 匹配 A 到 z 范围内的任何大写和小写字母（区间匹配）
• [[:alpha:]] 匹配任意字母字符（ASCII 字符类，等价于 [A-Za-z]）
• [[:^alpha:]] 匹配任何非字母字符（取反的 ASCII 字符类，等价于 [^A-Za-z]）
• [x[^xyz]] 嵌套/分组字符类，匹配 x 和除 y 和 z 之外的任意字符
• [a-y&&xyz] 交集操作，匹配 x 或 y（即 a-y 与 xyz 的交集）
• [0-9&&[^4]] 使用交集和取反进行的减法操作，匹配 0-9 中除 4 之外的字符
• [0-9--4] 直接减法操作，匹配 0-9 中除 4 之外的字符
• [a-g~~b-h] 对称差操作，匹配 a 和 h（即 a-g 与 b-h 的对称差）
• [\[\]] 在字符类中转义，匹配 [ 或 ]
• [a&&b] 空字符类，匹配不到任何字符

元字符

元字符（Metacharacter）是拥有特殊含义的字符：

• . 匹配任意字符，除了换行符（如果设置了 s 标志，. 也可以匹配换行符）
• \d 匹配任意数字字符（等价于 Unicode 类 \p{Nd}）
• \D 匹配任意非数字字符
• \s 匹配任意空白字符（包括空格、制表符等）
• \S 匹配任意非空白字符
• \w 匹配任意单词字符（包括字母、数字和下划线）
• \W 匹配任意非单词字符
• \* 匹配字面上的 *，适用于所有 ASCII 字符，除了 [0-9A-Za-z<>]
• \a 响铃符（\x07）
• \f 换页符（\x0C）
• \t 水平制表符（tab 键）
• \n 换行符
• \r 回车符
• \v 垂直制表符（\x0B）
• \A 匹配输入的开头
• \z 匹配输入的结尾
• \b 单词边界断言
• \B 非单词边界断言（即反向的单词边界）
• \b{start}, \< 单词开始边界断言
• \b{end}, \> 单词结束边界断言
• \b{start-half} 单词开始边界的半边断言
• \b{end-half} 单词结束边界的半边断言
• \123 八进制字符代码，最多三位数（当启用时）
• \x7F 十六进制字符代码（精确为两位）
• \x{10FFFF} 任何对应于 Unicode 代码点的十六进制字符代码
• \u007F 十六进制字符代码（精确为四位）
• \u{7F} 任何对应于 Unicode 代码点的十六进制字符代码
• \U0000007F 十六进制字符代码（精确为八位）
• \U{7F} 任何对应于 Unicode 代码点的十六进制字符代码
• \p{Letter} Unicode 字符类（例如，匹配任意字母字符）
• \P{Letter} 反向的 Unicode 字符类（例如，匹配任何非字母字符）
• \pX 匹配由一个字母标识的 Unicode 字符类，例如 \pL 匹配所有字母
• \PX 匹配由一个字母标识的取反 Unicode 字符类，例如 \PL 匹配非字母字符

重复匹配

在BT的正则表达式中，可以使用以下语法来指定重复模式：

• x* 匹配零次或多次 x（贪婪匹配）
• x+ 匹配一次或多次 x（贪婪匹配）
• x? 匹配零次或一次 x（贪婪匹配）
• x*? 匹配零次或多次 x（非贪婪/懒惰匹配）
• x+? 匹配一次或多次 x（非贪婪/懒惰匹配）
• x?? 匹配零次或一次 x（非贪婪/懒惰匹配）
• x{n,m} 匹配至少 n 次 x，且至多 m 次 x（贪婪匹配）
• x{n,} 匹配至少 n 次 x（贪婪匹配）
• x{n} 精确匹配 n 次 x
• x{n,m}? 匹配至少 n 次 x，且至多 m 次 x（非贪婪/懒惰匹配）
• x{n,}? 匹配至少 n 次 x（非贪婪/懒惰匹配）
• x{n}? 精确匹配 n 次 x（非贪婪/懒惰匹配）

提示：在这里，贪婪匹配 意味着正则表达式会尽可能多地匹配，而 非贪婪/懒惰匹配 则会尽可能少地匹配

空匹配

以下是BT正则表达式中与空匹配相关的符号及其含义：

• ^ 匹配输入的开头（或在多行模式下匹配行的开头）
• $ 匹配输入的结尾（或在多行模式下匹配行的结尾）
• \A 仅匹配输入的开头（即使启用了多行模式也只匹配整个文本的开头）
• \z 仅匹配输入的结尾（即使启用了多行模式也只匹配整个文本的结尾）
• \b 匹配 Unicode 单词边界（当一侧是单词字符 \w，另一侧是非单词字符 \W、\A 或 \z 时）
• \B 匹配非 Unicode 单词边界
• \b{start}, \< 匹配 Unicode 单词开头边界（左侧为 \W 或 \A，右侧为 \w）
• \b{end}, \> 匹配 Unicode 单词结尾边界（左侧为 \w，右侧为 \W 或 \z）
• \b{start-half} 匹配半个 Unicode 单词开头边界（左侧为 \W 或 \A）
• \b{end-half} 匹配半个 Unicode 单词结尾边界（右侧为 \W 或 \z）

提示：这些符号常用于匹配位置或边界，而不是实际字符

分组与标志

在BT正则表达式中，可以使用以下语法来进行分组：

• (exp) 编号捕获组，捕获的内容会根据左括号的顺序进行编号（从 1 开始）。
• (?Pexp)或(?exp) 命名捕获组，同时也会被编号。组名必须是字母数字（a-z, A-Z, 0-9）。
• (?:exp) 非捕获组，这种组只进行匹配但不会捕获结果。
• (?flags) 在当前分组中设置标志（影响该分组内的匹配方式）。
• (?flags:exp) 为特定的表达式 exp 设置标志，且该表达式为非捕获组。

ASCII 字符类

以下是基于 UTS#18 提供定义的 ASCII 字符类及其含义：

• [[:alnum:]] 字母数字字符（即 [0-9A-Za-z]）。
• [[:alpha:]] 字母字符（即 [A-Za-z]）。
• [[:ascii:]] ASCII 字符（即 [\x00-\x7F]，包括从 0 到 127 的所有 ASCII 字符）。
• [[:blank:]] 空白字符（即 [\t ]，包括水平制表符和空格）。
• [[:cntrl:]] 控制字符（即 [\x00-\x1F\x7F]，包括不可打印的控制字符）。
• [[:digit:]] 数字字符（即 [0-9]）。
• [[:graph:]] 可见的图形字符（即 [!-~]，包括除空格外的所有可打印字符）。
• [[:lower:]] 小写字母（即 [a-z]）。
• [[:print:]] 可打印字符（即 [ -~]，包括空格和所有可见的图形字符）。
• [[:punct:]] 标点符号（即 [!-/:-@\[-{-~]`，包括标点和符号）。
• [[:space:]] 空白字符（即 [\t\n\v\f\r ]，包括制表符、换行符、垂直制表符、换页符、回车符和空格）。
• [[:upper:]] 大写字母（即 [A-Z]）。
• [[:word:]] 单词字符（即 [0-9A-Za-z_]，包括字母、数字和下划线）。

Unicode支持

Unicode 对内存使用和搜索速度的影响

该正则表达式库默认启用了对 Unicode 的全面支持，在大多数情况下，支持Unicode所需的额外内存开销是可以忽略的，并且通常不会影响搜索速度，但在某些情况下可能会有影响。

关于内存使用：

Unicode 的影响主要体现在 Unicode 字符类的使用上。Unicode 字符类往往非常庞大。例如，默认的 \w 匹配大约 14 万个不同的代码点。这需要额外的内存，并可能使正则表达式的编译变慢。虽然偶尔使用 \w 影响不大，但如果你写了 \w{100}，那么默认情况下将生成一个相当大的正则表达式。 例如，(?-u:\w) 的 ASCII 版本明显比 Unicode 版本小得多，所以如果你的需求可以通过 ASCII 满足，最好使用 ASCII 字符类。ASCII 版本的 \w 可以通过多种方式表示，以下都是等价的：

• [0-9A-Za-z_]
• (?-u:\w)
• [[:word:]]
• [\w&&\p{ascii}]

关于搜索速度：

即使使用大型 Unicode 字符类，搜索速度通常也能很好地处理 Unicode。不过，一些更快的内部正则表达式引擎无法处理支持 Unicode 的单词边界断言。因此，如果你不需要 Unicode 感知的单词边界断言，建议使用 (?-u:\b) 代替 \b，前者使用 ASCII 版本的单词字符定义。 总之，虽然启用 Unicode 支持通常不会显著影响内存和性能，但在某些情况下使用 ASCII 类可以减少开销并提升性能。 BT语言的正则完全实现了 Unicode 技术标准 #18（UTS#18）中规定的“基本 Unicode 支持”（第一级）。 字符类 \w、\d 和 \s 默认都是支持 Unicode 的。使用 (?-u:\w) (?-u:\d) 和 (?-u:\s) 可获得仅支持 ASCII 的定义。 类似的 \b 和 \B 使用 Unicode 定义的“单词”字符。若要获得仅支持 ASCII 的单词边界，可使用(?-u:\b)和(?-u:\B)。这同样适用于特殊的单词边界断言（即 \b{start}、\b{end}、\b{start-half}、\b{end-half}）。 在多行模式下，^ 和 $ 不支持 Unicode，也就是说，它们只识别 \n（假设未启用 CRLF 模式），而不会识别 Unicode 定义的其他行终止符形式。 大小写不敏感的搜索支持 Unicode 并使用简单的大小写折叠。 Unicode 的一般类别、脚本和许多布尔属性默认可通过 \p{property name} 语法使用。 在所有情况下，匹配的结果都使用字节偏移量报告，准确地说，是 UTF-8 编码单元的偏移量。这允许在常数时间内对文本进行索引和切片操作。 在BT中，默认情况下，正则匹配是 Unicode 感知的，这意味着它可能匹配的比你想象的要多。例如：\d 要仅匹配 ASCII 十进制数字，以下所有内容都是等效的：

• [0-9]
• (?-u:\d)
• [[:digit:]]
• [\d&&\p{ascii}]