正则习点 --- 14

 

Chapter 5. Practical RegexTechniques

 

 

5.1. Regex Balancing Act

 

好的正则表达式必须在这些方面求得平衡：

l        Matching what you want, butonly what you want

只匹配期望的文本，排除不期望的文本。

l        Keeping the regex manageableand understandable

必须易于控制和理解。

l        For an NFA, being efficient(creatinga regex that leads the engine quickly to a match or non-match, as the case maybe)

如果使用NFA引擎，必须保证效率（如果能够匹配，必须很快地返回匹配结果，如果不能匹配，应该在尽可能短的时间内报告匹配失败）。

 

 

 

 

 

 

 

 

 

5.2. A Few Short Examples

 

 

5.2.1 Continuing with Continuation Lines

 

如果不需要点号匹配反斜线，就应该在正则表达式中排除它。

 

例如：使用「^\w+=[^\n\\]*(\\\n[^\n\\]*)*」匹配：

       SRC=array.cbuiltin.c eval.c field.c gawkmisc.c io.c main.c \

                     missing.cmsg.c node.c re.c version.c

 

程序如下：

#! /usr/bin/perl -w

 

$textStr = "SRC=array.c builtin.ceval.c field.c gawkmisc.c io.c main.c \

                     \nmissing.c msg.c node.c re.c version.c";

 

$textStr =~/^\w+=([^\n\\]*(?:\\\n[^\n\\]*)*)/;

 

print $1;

 

 

迄今为止，我们的思路都是，“匹配一行，如果还有连续行，就继续匹配”。现在换另外一种思路：集中关注在特定时刻真正容许匹配的字符。

 

所以，正则表达式就变成了「^\w+=([^\n\\]|\\.)*」。

 

改造完的程序如下：

 

#! /usr/bin/perl -w

 

$textStr = "SRC=array.c builtin.ceval.c field.c gawkmisc.c io.c main.c \

                     \nmissing.c msg.c node.c re.c version.c";

 

# $textStr =~/(^\w+=[^\n\\]*(?:\\\n[^\n\\]*)*)/;

 

# improve

$textStr =~ /^\w+=((?:[^\n\\]|\\.)*)/;

 

print $1;

 

 

 

 

 

 

5.2.2 Matching an IP Address

 

我们使用「^[0-9]+\.[0-9]+\.[0-9]+\.[0-9]+$」匹配IP地址这样xxx.xxx.xxx.xxx格式的文本。

 

注在支持Unicode的系统中，「\d」或许能匹配非ASCII的数字。

 

因为IP地址是一个3位数字，所以：

「^d{1, 3}\. d{1,3}\. d{1, 3}\. d{1, 3}$」

这个区间量词是完全可以接受的。

但是，他也会接受像“999”这样的。

 

 

因为所有数都必须小于255，所以：

「[01]?\d\d?|2[0-4]\d|25[0-5]」

能完成这个任务。

 

 

那么整个表达式就是：

「^([01]?\d\d?|2[0-4]\d|25[0-5])\.([01]?\d\d?|2[0-4]\d|25[0-5])\. ([01]?\d\d?|2[0-4]\d|25[0-5])\.([01]?\d\d?|2[0-4]\d|25[0-5])$」

 

 

 

 

5.2.3 Working with Filenames

 

 

I. Accessing the filename from a path

 

对于Unix文件名：

「([^/]*)$」

 

对于Windows文件名：

「([^\\]*)$」

 

 

请看示例：

 

#! /usr/bin/perl -w

 

# unix path

$uPathStr = "/lib/awk/grcat.out";

 

# windows path

$winPathStr = "C:\\ProgramFiles\\Movie Maker\\moviemk.exe";

 

$uPathStr =~ m{([^/]*)$};

 

print "Unix filename: $1 \n";

 

$winPathStr =~ /([^\\]*)$/;

 

print "Windows filename $1 \n";

 

 

 

注意，在使用查找文件名之类的问题，尽量不要用正则！此例会进行大量的回溯！

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

5.2.4 Matching Delimited Text

 

 

Always consider the “odd” cases in whichyou don’t want a regex to match, such as with “bad” data.

针对“糟糕(bad)”的数据，正则表达式不应该能够匹配！

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

5.2.5 Stripping Leading and Trailing Whitespace

 

去除行首的空格：

s/^\s+//

 

去除行尾的空格：

s/\s+$//

 

使用「+」而不使用「*」的原因是增加效率。因为如果事实上没有需要删除的空白字符，就不用做替换。

 

 

为了对比，我们看3个糟糕的正则表达式：

 

Ø        s/\s*(.*?)\s*$/$1/s

这个表达式所用时间是简单方法的5倍。之所以效率这么低，是因为忽略优先约束的点号每次应用时都要检查「\s*$」。这需要大量的回溯。

Ø        s/^\s*((?:.*\S)?)\s*$/$1/s

在「^\s*」匹配了文本开头的空格之后，「.*」马上匹配到文本的末尾。后面的「\S」强迫他回溯直到找到一个非空的字符，把剩下的空白字符留给最后的「\s*$」，捕获括号之外的。这个表达式所用时间是简单方法的2倍。

Ø        s/^\s+|\s+$//g

这是最容易想到的正则，但他不正确（其实这三个都不正确），这种顶级的(top-leveled)多选分支排列严重影响本来可能使用的优化措施。这个表达式所用时间是简单方法的4倍。