ES正则的扩展

1、RegExp构造函数

在ES5中，RegExp构造函数的参数有两种情况。
第一种情况是，参数是字符串，这时第二个参数表示正则表达式的修饰符（flag）。

[html] view plain copy

1. var regex = new RegExp('xyz', 'i');  
2. // 等价于  
3. var regex = /xyz/i;  

第二种情况是，参数是一个正则表示式，这时会返回一个原有正则表达式的拷贝。

[html] view plain copy

1. var regex = new RegExp(/xyz/i);  
2. // 等价于  
3. var regex = /xyz/i;  

但是，ES5不允许此时使用第二个参数，添加修饰符，否则会报错。

[html] view plain copy

1. var regex = new RegExp(/xyz/, 'i');  
2. // Uncaught TypeError: Cannot supply flags when constructing one RegExp from another  

ES6改变了这种行为。如果RegExp构造函数第一个参数是一个正则对象，那么可以使用第二个参数指定修饰符。而且，返回的正则表达式会忽略原有的正则表达式的修饰符，只使用新指定的修饰符。

[html] view plain copy

1. new RegExp(/abc/ig, 'i').flags  
2. // "i"  

上面代码中，原有正则对象的修饰符是ig，它会被第二个参数i覆盖。

2、字符串的正则方法

字符串对象共有4个方法，可以使用正则表达式：match()、replace()、search()和split()。

ES6将这4个方法，在语言内部全部调用RegExp的实例方法，从而做到所有与正则相关的方法，全都定义在RegExp对象上。

• String.prototype.match 调用 RegExp.prototype[Symbol.match]
• String.prototype.replace 调用 RegExp.prototype[Symbol.replace]
• String.prototype.search 调用 RegExp.prototype[Symbol.search]
• String.prototype.split 调用 RegExp.prototype[Symbol.split]

3、u修饰符

ES6对正则表达式添加了u修饰符，含义为“Unicode模式”，用来正确处理大于\uFFFF的Unicode字符。也就是说，会正确处理四个字节的UTF-16编码。

[html] view plain copy

1. /^\uD83D/u.test('\uD83D\uDC2A')  
2. // false  
3. /^\uD83D/.test('\uD83D\uDC2A')  
4. // true  

上面代码中，\uD83D\uDC2A是一个四个字节的UTF-16编码，代表一个字符。但是，ES5不支持四个字节的UTF-16编码，会将其识别为两个字符，导致第二行代码结果为true。加了u修饰符以后，ES6就会识别其为一个字符，所以第一行代码结果为false。

一旦加上u修饰符号，就会修改下面这些正则表达式的行为。

（1）点字符

点（.）字符在正则表达式中，含义是除了换行符以外的任意单个字符。对于码点大于0xFFFF的Unicode字符，点字符不能识别，必须加上u修饰符。

（2）Unicode字符表示法

ES6新增了使用大括号表示Unicode字符，这种表示法在正则表达式中必须加上u修饰符，才能识别。

[html] view plain copy

1. /\u{61}/.test('a') // false  
2. /\u{61}/u.test('a') // true  

上面代码表示，如果不加u修饰符，正则表达式无法识别\u{61}这种表示法，只会认为这匹配61个连续的u。

（3）量词

使用u修饰符后，所有量词都会正确识别码点大于0xFFFF的Unicode字符。另外，只有在使用u修饰符的情况下，Unicode表达式当中的大括号才会被正确解读，否则会被解读为量词。

[html] view plain copy

1. /^\u{3}$/.test('uuu') // true  

上面代码中，由于正则表达式没有u修饰符，所以大括号被解读为量词。加上u修饰符，就会被解读为Unicode表达式。

（4）预定义模式

u修饰符也影响到预定义模式，能否正确识别码点大于0xFFFF的Unicode字符。

[html] view plain copy

1. /^\S$/.test('吉') // false  
2. /^\S$/u.test('<span style="font-family: Arial, Helvetica, sans-serif;">吉</span><span style="font-family: Arial, Helvetica, sans-serif;">') // true</span>  

上面代码的\S是预定义模式，匹配所有不是空格的字符。只有加了u修饰符，它才能正确匹配码点大于0xFFFF的Unicode字符。

利用这一点，可以写出一个正确返回字符串长度的函数。

[html] view plain copy

1. function codePointLength(text) {  
2.   var result = text.match(/[\s\S]/gu);  
3.   return result ? result.length : 0;  
4. }  
5.   
6. var s = '<span style="font-family: Arial, Helvetica, sans-serif;">吉</span><span style="font-family: Arial, Helvetica, sans-serif;">吉</span><span style="font-family: Arial, Helvetica, sans-serif;">';</span><span style="font-family: Arial, Helvetica, sans-serif;">  
7. </span>s.length // 4  
8. codePointLength(s) // 2  

（5）i修饰符

有些Unicode字符的编码不同，但是字型很相近，比如，\u004B与\u212A都是大写的K。

[html] view plain copy

1. /[a-z]/i.test('\u212A') // false  
2. /[a-z]/iu.test('\u212A') // true  

上面代码中，不加u修饰符，就无法识别非规范的K字符。

4、y修饰符

除了u修饰符，ES6还为正则表达式添加了y修饰符，叫做“粘连”（sticky）修饰符。

y修饰符的作用与g修饰符类似，也是全局匹配，后一次匹配都从上一次匹配成功的下一个位置开始。不同之处在于，g修饰符只要剩余位置中存在匹配就可，而y修饰符确保匹配必须从剩余的第一个位置开始，这也就是“粘连”的涵义。

[html] view plain copy

1. var s = 'aaa_aa_a';  
2. var r1 = /a+/g;  
3. var r2 = /a+/y;  
4.   
5. r1.exec(s) // ["aaa"]  
6. r2.exec(s) // ["aaa"]  
7.   
8. r1.exec(s) // ["aa"]  
9. r2.exec(s) // null  

上面代码有两个正则表达式，一个使用g修饰符，另一个使用y修饰符。这两个正则表达式各执行了两次，第一次执行的时候，两者行为相同，剩余字符串都是_aa_a。由于g修饰没有位置要求，所以第二次执行会返回结果，而y修饰符要求匹配必须从头部开始，所以返回null。

如果改一下正则表达式，保证每次都能头部匹配，y修饰符就会返回结果了。

[html] view plain copy

1. var s = 'aaa_aa_a';  
2. var r = /a+_/y;  
3.   
4. r.exec(s) // ["aaa_"]  
5. r.exec(s) // ["aa_"]  

上面代码每次匹配，都是从剩余字符串的头部开始。

使用lastIndex属性，可以更好地说明y修饰符。

[html] view plain copy

1. const REGEX = /a/g;  
2.   
3. // 指定从2号位置（y）开始匹配  
4. REGEX.lastIndex = 2;  
5.   
6. // 匹配成功  
7. const match = REGEX.exec('xaya');  
8.   
9. // 在3号位置匹配成功  
10. match.index // 3  
11.   
12. // 下一次匹配从4号位开始  
13. REGEX.lastIndex // 4  
14.   
15. // 4号位开始匹配失败  
16. REGEX.exec('xaxa') // null  

上面代码中，lastIndex属性指定每次搜索的开始位置，g修饰符从这个位置开始向后搜索，直到发现匹配为止。

y修饰符同样遵守lastIndex属性，但是要求必须在lastIndex指定的位置发现匹配。

[html] view plain copy

1. const REGEX = /a/y;  
2.   
3. // 指定从2号位置开始匹配  
4. REGEX.lastIndex = 2;  
5.   
6. // 不是粘连，匹配失败  
7. REGEX.exec('xaya') // null  
8.   
9. // 指定从3号位置开始匹配  
10. REGEX.lastIndex = 3;  
11.   
12. // 3号位置是粘连，匹配成功  
13. const match = REGEX.exec('xaxa');  
14. match.index // 3  
15. REGEX.lastIndex // 4  

进一步说，y修饰符号隐含了头部匹配的标志^。

[html] view plain copy

1. /b/y.exec('aba')  
2. // null  

上面代码由于不能保证头部匹配，所以返回null。y修饰符的设计本意，就是让头部匹配的标志^在全局匹配中都有效。

在split方法中使用y修饰符，原字符串必须以分隔符开头。这也意味着，只要匹配成功，数组的第一个成员肯定是空字符串。

[html] view plain copy

1. // 没有找到匹配  
2. 'x##'.split(/#/y)  
3. // [ 'x##' ]  
4.   
5. // 找到两个匹配  
6. '##x'.split(/#/y)  
7. // [ '', '', 'x' ]  

后续的分隔符只有紧跟前面的分隔符，才会被识别。

[html] view plain copy

1. '#x#'.split(/#/y)  
2. // [ '', 'x#' ]  
3.   
4. '##'.split(/#/y)  
5. // [ '', '', '' ]  

下面是字符串对象的replace方法的例子。

[html] view plain copy

1. const REGEX = /a/gy;  
2. 'aaxa'.replace(REGEX, '-') // '--xa'  

上面代码中，最后一个a因为不是出现下一次匹配的头部，所以不会被替换。

单单一个y修饰符对match方法，只能返回第一个匹配，必须与g修饰符联用，才能返回所有匹配。

[html] view plain copy

1. 'a1a2a3'.match(/a\d/y) // ["a1"]  
2. 'a1a2a3'.match(/a\d/gy) // ["a1", "a2", "a3"]  

y修饰符的一个应用，是从字符串提取token（词元），y修饰符确保了匹配之间不会有漏掉的字符。

[html] view plain copy

1. const TOKEN_Y = /\s*(\+|[0-9]+)\s*/y;  
2. const TOKEN_G  = /\s*(\+|[0-9]+)\s*/g;  
3.   
4. tokenize(TOKEN_Y, '3 + 4')  
5. // [ '3', '+', '4' ]  
6. tokenize(TOKEN_G, '3 + 4')  
7. // [ '3', '+', '4' ]  
8.   
9. function tokenize(TOKEN_REGEX, str) {  
10.   let result = [];  
11.   let match;  
12.   while (match = TOKEN_REGEX.exec(str)) {  
13.     result.push(match[1]);  
14.   }  
15.   return result;  
16. }  

上面代码中，如果字符串里面没有非法字符，y修饰符与g修饰符的提取结果是一样的。但是，一旦出现非法字符，两者的行为就不一样了。

[html] view plain copy

1. tokenize(TOKEN_Y, '3x + 4')  
2. // [ '3' ]  
3. tokenize(TOKEN_G, '3x + 4')  
4. // [ '3', '+', '4' ]  

上面代码中，g修饰符会忽略非法字符，而y修饰符不会，这样就很容易发现错误。

5、sticky属性

与y修饰符相匹配，ES6的正则对象多了sticky属性，表示是否设置了y修饰符。

[html] view plain copy

1. var r = /hello\d/y;  
2. r.sticky // true  

6、flags属性

ES6为正则表达式新增了flags属性，会返回正则表达式的修饰符。

[html] view plain copy

1. // ES5的source属性  
2. // 返回正则表达式的正文  
3. /abc/ig.source  
4. // "abc"  
5.   
6. // ES6的flags属性  
7. // 返回正则表达式的修饰符  
8. /abc/ig.flags  
9. // 'gi'  

7、RegEXP.eacape()

字符串必须转义，才能作为正则模式。

[html] view plain copy

1. function escapeRegExp(str) {  
2.   return str.replace(/[\-\[\]\/\{\}\(\)\*\+\?\.\\\^\$\|]/g, '\\$&');  
3. }  
4.   
5. let str = '/path/to/resource.html?search=query';  
6. escapeRegExp(str)  
7. // "\/path\/to\/resource\.html\?search=query"  

已经有提议将这个需求标准化，作为RegExp对象的静态方法RegExp.escape()，放入ES7。2015年7月31日，TC39认为，这个方法有安全风险，又不愿这个方法变得过于复杂，没有同意将其列入ES7，但这不失为一个真实的需求。

[html] view plain copy

1. RegExp.escape('The Quick Brown Fox');  
2. // "The Quick Brown Fox"  
3.   
4. RegExp.escape('Buy it. use it. break it. fix it.');  
5. // "Buy it\. use it\. break it\. fix it\."  
6.   
7. RegExp.escape('(*.*)');  
8. // "\(\*\.\*\)"  

字符串转义以后，可以使用RegExp构造函数生成正则模式。

[html] view plain copy

1. var str = 'hello. how are you?';  
2. var regex = new RegExp(RegExp.escape(str), 'g');  
3. assert.equal(String(regex), '/hello\. how are you\?/g');  

目前，该方法可以用上文的escapeRegExp函数或者垫片模块regexp.escape实现。

[html] view plain copy

1. var escape = require('regexp.escape');  
2. escape('hi. how are you?');  
3. // "hi\\. how are you\\?"  

8、后行断言

JavaScript语言的正则表达式，只支持先行断言（lookahead）和先行否定断言（negative lookahead），不支持后行断言（lookbehind）和后行否定断言（negative lookbehind）。

目前，有一个提案，在ES7加入后行断言。V8引擎4.9版已经支持，Chrome浏览器49版打开”experimental JavaScript features“开关（地址栏键入about:flags），就可以使用这项功能。

”先行断言“指的是，x只有在y前面才匹配，必须写成/x(?=y)/。比如，只匹配百分号之前的数字，要写成/\d+(?=%)/。”先行否定断言“指的是，x只有不在y前面才匹配，必须写成/x(?!y)/。比如，只匹配不在百分号之前的数字，要写成/\d+(?!%)/。

[html] view plain copy

1. /\d+(?=%)/.exec('100% of US presidents have been male')  // ["100"]  
2. /\d+(?!%)/.exec('that’s all 44 of them')                 // ["44"]  

上面两个字符串，如果互换正则表达式，就会匹配失败。另外，还可以看到，”先行断言“括号之中的部分（(?=%)），是不计入返回结果的。

"后行断言"正好与"先行断言"相反，x只有在y后面才匹配，必须写成/(?<=y)x/。比如，只匹配美元符号之后的数字，要写成/(?<=\$)\d+/。”后行否定断言“则与”先行否定断言“相反，x只有不在y后面才匹配，必须写成/(?<!y)x/。比如，只匹配不在美元符号后面的数字，要写成/(?<!\$)\d+/。

[html] view plain copy

1. /(?<=\$)\d+/.exec('Benjamin Franklin is on the $100 bill')  // ["100"]  
2. /(?<!\$)\d+/.exec('it’s is worth about €90')                // ["90"]  

上面的例子中，"后行断言"的括号之中的部分（(?<=\$)），也是不计入返回结果。

"后行断言"的实现，需要先匹配/(?<=y)x/的x，然后再回到左边，匹配y的部分。这种"先右后左"的执行顺序，与所有其他正则操作相反，导致了一些不符合预期的行为。

首先，”后行断言“的组匹配，与正常情况下结果是不一样的。

[html] view plain copy

1. /(?<=(\d+)(\d+))$/.exec('1053') // ["", "1", "053"]  
2. /^(\d+)(\d+)$/.exec('1053') // ["1053", "105", "3"]  

上面代码中，需要捕捉两个组匹配。没有"后行断言"时，第一个括号是贪婪模式，第二个括号只能捕获一个字符，所以结果是105和3。而"后行断言"时，由于执行顺序是从右到左，第二个括号是贪婪模式，第一个括号只能捕获一个字符，所以结果是1和053。

其次，"后行断言"的反斜杠引用，也与通常的顺序相反，必须放在对应的那个括号之前。

[html] view plain copy

1. /(?<=(o)d\1)r/.exec('hodor')  // null  
2. /(?<=\1d(o))r/.exec('hodor')  // ["r", "o"]  

上面代码中，如果后行断言的反斜杠引用（\1）放在括号的后面，就不会得到匹配结果，必须放在前面才可以。

9、Unicode属性类

目前，有一个提案，引入了一种新的类的写法\p{...}和\P{...}，允许正则表达式匹配符合Unicode某种属性的所有字符。

[html] view plain copy

1. const regexGreekSymbol = /\p{Script=Greek}/u;  
2. regexGreekSymbol.test('π') // u  

上面代码中，\p{Script=Greek}指定匹配一个希腊文字母，所以匹配π成功。

Unicode属性类要指定属性名和属性值。

[html] view plain copy

1. \p{UnicodePropertyName=UnicodePropertyValue}  

对于某些属性，可以只写属性名。

[html] view plain copy

1. \p{UnicodePropertyName}  

\P{…}是\p{…}的反向匹配，即匹配不满足条件的字符。

注意，这两种类只对Unicode有效，所以使用的时候一定要加上u修饰符。如果不加u修饰符，正则表达式使用\p和\P会报错，ECMAScript预留了这两个类。

由于Unicode的各种属性非常多，所以这种新的类的表达能力非常强。

[html] view plain copy

1. const regex = /^\p{Decimal_Number}+$/u;  
2. regex.test('