JavaScript中的正则有几个不同于其他语言的地方

我接触过不少语言，我很看重一门语言的正则表达式是否强大，还有正则与语法的结合是否紧密。在这一点上，JavaScript做的还不错，至少有正则字面量。当然，最强大的还是Perl。我最近发现，JavaScript中的正则在某些地方的表现和其他语言或工具中的正则有些不同，比较另类。虽然你几乎不可能写出也几乎用不到下面我讲的这些正则，但是了解一下毕竟是好的。本文中的代码示例都是在兼容ES5的JavaScript环境中执行的，也就是说，IE9之前版本，Fx4左右的版本等中的表现很有可能和我下面讲的不一样。

1.空字符类

不包含任何字符的字符类[]称之为空字符类(empty char class),我相信你没听别人这么叫过,因为在其他语言中,这种写法是非法的,所有的文档和教程都不会讲一种非法的语法.下面我演示一下其他语言或工具都是怎么报这个错的:

$echo | grep '[]'

grep: Unmatched [ or [^

$echo | sed '/[]/'

sed：-e 表达式 #1，字符 4：未终止的地址正则表达式

$echo | awk '/[]/'

awk: cmd. line:1: /[]/

awk: cmd. line:1: ^ unterminated regexp

awk: cmd. line:1: error: Unmatched [ or [^: /[]//

$echo | perl -ne '/[]/'

Unmatched [ in regex; marked by <-- HERE in m/[ <-- HERE ]/ at -e line 1.

$echo | ruby -ne '/[]/'

-e:1: empty char-class: /[]/

$python -c 'import re;re.match("[]","")'

Traceback (most recent call last):

File "<string>", line 1, in <module>

File "E:\Python\lib\re.py", line 137, in match

return _compile(pattern, flags).match(string)

File "E:\Python\lib\re.py", line 244, in _compile

raise error, v # invalid expression

sre_constants.error: unexpected end of regular expression

而在JavaScript中,空字符类是合法的正则组成部分,不过它的效果是”永不匹配”,也就是匹配什么都会失败.相当于一个空否定正向环视(empty negative lookahead)(?!)的效果:

js> "whatever\n".match(/[]/g) //空字符类,永不匹配

null

js> "whatever\n".match(/(?!)/g) //空否定正向环视,永不匹配

null

很显然,这种东西在JavaScript中没什么用.

2.否定空字符类

不包含任何字符的否定字符类[^]称之为否定空字符类(negative empty char class)或者叫空否定字符类(empty negative char class),都可以,因为这个名词是我”自创”的,和上面讲的空字符类类似,这种写法在其他语言中也是非法的:

$echo | grep '[^]'

grep: Unmatched [ or [^

$echo | sed '/[^]/'

sed：-e 表达式 #1，字符 5：未终止的地址正则表达式

$echo | awk '/[^]/'

awk: cmd. line:1: /[^]/

awk: cmd. line:1: ^ unterminated regexp

awk: cmd. line:1: error: Unmatched [ or [^: /[^]//

$echo | perl -ne '/[^]/'

Unmatched [ in regex; marked by <-- HERE in m/[ <-- HERE ^]/ at -e line 1.

$echo | ruby -ne '/[^]/'

-e:1: empty char-class: /[^]/

$python -c 'import re;re.match("[^]","")'

Traceback (most recent call last):

File "<string>", line 1, in <module>

File "E:\Python\lib\re.py", line 137, in match

return _compile(pattern, flags).match(string)

File "E:\Python\lib\re.py", line 244, in _compile

raise error, v # invalid expression

sre_constants.error: unexpected end of regular expression

$

而在JavaScript中,否定空字符类是合法的正则组成部分,它的效果和空字符类的效果刚刚相反,它可以匹配任意的字符,包括换行符”\n”,也就是说,等同于常见的[\s\S]和[\w\W]:

js> "whatever\n".match(/[^]/g) //否定空字符类,匹配任意字符

["w", "h", "a", "t", "e", "v", "e", "r", "\n"]

js> "whatever\n".match(/[\s\S]/g) //互补字符类,匹配任意字符

["w", "h", "a", "t", "e", "v", "e", "r", "\n"]

需要注意的是,它不能称之为是”永匹配正则”,因为字符类必须要有一个字符才可能匹配,如果目标字符串是空的,或者已经被左边的正则消耗完了,则匹配会失败,比如:

js> /abc[^]/.test("abc") //c后面没有字符了,匹配失败.

false

想要了解真正的”永匹配正则”,可以看看我以前翻译的一篇文章:“空”正则

3.[]]和[^]]

这个讲起来比较简单,就是:在Perl和其他一些linux命令的正则表达式中,字符类[]中如果包含了一个紧跟着左方括号的右方括号[]],则这个右方括号会被当作一个普通字符,即只能匹配”]”,而在JavaScript中,这种正则会被识别成一个空字符类后跟一个右方括号,空字符类什么都不匹配.[^]]也类似:在JavaScript中,它匹配的是一个任意字符(否定空字符类)后跟一个右中括号,比如”a]”,”b]”,而在其他语言中,匹配的是任何非]的字符.

$perl -e 'print "]" =~ /[]]/'

$js -e 'print(/[]]/.test("]"))'

false

$perl -e 'print "x" =~ /[^]]/'

$js -e 'print(/[^]]/.test("x"))'

false

4.$锚点

有些初学者认为$匹配的是换行符”\n”,这是大错特错的,$是一个零宽断言(zero-width assertion),它是不可能匹配到一个真正的字符的,它只能匹配一个位置.我要的讲的区别发生在非多行模式中:你也许会认为,在非多行模式中,$匹配的不就是最后一个字符后面的位置吗?实际上没那么简单,在其他大部分语言中,如果目标字符串中的最后一个字符是换行符”\n”,则$还会匹配那个换行符之前的位置,也就是匹配了末尾的换行符左右两边的两个位置.很多语言中都有\Z和\z这两个表示法,如果你知道它们之间的区别,那你应该就明白了,在其他语言中(Perl,Python,php,Java,c#…),非多行模式下的$相当于\Z,而在JavaScript中,非多行模式下的$相当于\z(只会匹配最末尾的那个位置,不管最后一个字符是否是换行符).Ruby是个特例,因为它默认就是多行模式,多行模式下$会匹配每个换行符前面的位置,当然也会包括结尾处可能出现的那个换行符.余晟著的《正则指引》一书中也讲到了这几点.

$perl -e 'print "whatever\n" =~ s/$/替换字符/rg' //全局替换

whatever替换字符 //换行符前面的那个位置被替换

替换字符 //换行符后面的那个位置被替换

$js -e 'print("whatever\n".replace(/$/g,"替换字符"))' //全局替换

whatever

替换字符 //换行符后面的那个位置被替换

5.向前引用

我们都知道正则中有反向引用(back reference),也就是用一个反斜杠+数字的形式引用到前面的某个捕获分组已经匹配到的字符串,目的是用来再次匹配或作为替换结果(\变成$).但有种特殊情况是,如果那个被引用的捕获分组还没开始(左括号为界),就使用了反向引用,会怎样.比如正则/(\2(a)){2}/,(a)是第二个捕获分组,但在它的左边使用了引用它的匹配结果的\2,我们知道正则是从左向右进行匹配的,这就是本节的标题向前引用(forwards reference)的来历,它并不是一个严格的概念.那么现在你想想,下面的这句JavaScript代码将返回什么:

js> /(\2(a)){2}/.exec("aaa")

???

在回答这个问题之前,先看看其他语言中的表现.同样,在其他语言中,这么写也基本上是无效的:

$echo aaa | grep '(\2(a)){2}'

grep: Invalid back reference

$echo aaa | sed -r '/(\2(a)){2}/'

sed：-e 表达式 #1，字符 12：非法回引用

$echo aaa | awk '/(\2(a)){2}/'

$echo aaa | perl -ne 'print /(\2(a)){2}/'

$echo aaa | ruby -ne 'print $_ = ~/(\2(a)){2}/'

$python -c 'import re;print re.match("(\2(a)){2}","aaa")'

None

在awk中没有报错,是因为awk不支持反向引用,其中的\2被解释成了ASCII码为2的字符.而在Perl Ruby Python中没报错,我不知道为什么这样设计,应该都是学Perl的,但效果都一样,就是这种情况下是不可能匹配成功的.

而在JavaScript中,不仅不报错,还能匹配成功,看看和你刚才想的答案一样不一样:

js> /(\2(a)){2}/.exec("aaa")

["aa", "a", "a"]

防止你忘了exec方法返回的结果是什么,我说一下.第一个元素是完整的匹配字符串,也就是RegExp["$&"],后面的是每个捕获分组匹配的内容,也就是RegExp.$1和RegExp.$2.为什么能匹配成功呢,匹配过程是怎样的?我的理解是:

首先进入了第一个捕获分组(最左边的左括号),其中第一个有效匹配项是\2,然而这时第二个捕获分组(a)还没轮上,因此RegExp.$2的值还是undefined,所以\2匹配了目标字符串中第一个a左边的一个空字符,或者说”位置”,就像^和其他零宽断言一样.重点是匹配成功了.继续走,这时第二个捕获分组(a)匹配到了目标字符串中的第一个a,RegExp.$2的值也被赋值为”a”,然后是第一个捕获分组结束(最右边的右括号),RegExp.$1的值也是”a”.然后是量词{2},也就是说,要从目标字符串中的第一个a之后,开始进行正则(\2(a))的新的一轮匹配,很关键的一点在这里:就是RegExp.$2的值也就是\2匹配的值还是不是第一轮匹配结束时的被赋的值”a”,答案是:”不是“,RegExp.$1和RegExp.$2的值都会被清空为undefined,\1和\2又会和第一次一样,成功匹配一个空字符(相当于无任何效果,写不写都一样).成功匹配了目标字符串中的第二个a,这时RegExp.$1和RegExp.$2的值又一次成为了”a”,RegExp["$&"]的值成为了完整的匹配字符串,前两个a:”aa”.

在Firefox的早期版本(3.6)中,量词的重新一轮匹配不会清空已有的捕获分组的值,那么也就是说,在第二轮匹配的时候,\2会匹配上第二个a,从而:

js> /(\2(a)){2}/.exec("aaa")

["aaa", "aa", "a"]

另外,一个捕获分组的结束要看右括号是否闭合,比如/(a\1){3}/,虽然用到\1的时候,第一个捕获分组已经开始匹配了,但还没结束,这同样是向前引用,所以\1匹配的仍然是空:

js> /(a\1){3}/.exec("aaa")

["aaa", "a"]

再解释一个例子:

js> /(?:(f)(o)(o)|(b)(a)(r))*/.exec("foobar")

["foobar", undefined, undefined, undefined, "b", "a", "r"]

*号是量词,第一轮匹配过后:$1为”f”,$2为”o”,$3为”o”,$4为undefined,$5为undefined,$6为undefined.

第二轮匹配开始时:捕获到的值全部重置为undefined.

第二轮匹配过后:$1为undefined,$2为undefined,$3为undefined,$4为”b”,$5为”a”,$6为”r”.

$&被赋值为”foobar”,匹配结束.

最后一个思考题:

js> /(?:^(a)|\1(a)|(ab)){2}/.exec("aab")

????