我爱正则表达式 » lookaround

小议“排除型匹配”

rex — Mon, 24 May 2010 08:46:29 +0000

网友cfc4n问及关于(?!)的正则表达式问题。回答之后，顺便总结了一下Perl语言中如何匹配“不出现”某元素，贴在这里。

问题

问题描述

有如下文本，如何使用正则式，将其中不含color选项的item匹配出来？

1
2
3
4
5
6
7
8

color:red;

size:12;
number:45;
type:good;

典型的错误答案

新手容易提供这样的错误答案：.*?(?!color).*?item>。其出发点是正确的：只有当color不出现在目标字串时，该匹配才是所需要的。事实上，这样的正则表达式不能如君所愿，它匹配所有的...。这是为什么呢？

Perl之排除型匹配

最简单的排除型匹配

匹配是=~, 不匹配当然是 !~ 了。写到这里想到，在正则式中，凡是由=组成的正则式符号，全可以使用!来替代，以表现相反的意思。例如(?=)与(?!)，(?<=)与(?)，=~与!~。

返回正题，看个例子。如果要检测某字串是否含有good，当然要用if ($string =~ /good/)，如果$string里有good则条件为真，否则为假；

如果要检测某字串是否不含有good，可以用if ($string !~ /good/)，如果$string里没有good则条件为真，否则为假。

这种匹配测试，较适合于在大段的字串中搜索某个简单的模式，然后对于匹配的结果作出两种不同的判断，非此即彼。虽然迅速干练，但是对于复杂情况的判断，还是有些累赘。

对于文章开始提出的问题而言，当然可以这样解决：先搜索所有的 ...，然后分别判断是否存在color项即可：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
#!/usr/bin/perl -w

my $text=<
color:red;

size:12;
number:45;
type:good;

END

my @result = $text=~ m!.*?item>!sg;
foreach $item (@result)
{
if ($item !~ /color/)
{
print "$item";
}
}

输出结果是:

1
2
3
4
5

size:12;
number:45;
type:good;

虽然也不错，但是它总是“宁可错杀不可错放”地找完所有可能项，再一一重新进行排除。能否一开始就先界定，我们要找的是不含color的item呢？排除型匹配正是为此而生。

排除型匹配

不好意思，“排除型匹配”这个词是我生造的。其它的说法或许是“否定断言”，“否定环视”等等。后两者的命名，都是从匹配过程的角度出发；而此处命名，是从结果出发。具体说来，就是使用 (?!...)和(?)作为辅助条件判断，来简化正则表达式，方便快捷地找到符合要求的匹配。

这两个东东的使用方法类似，都是指，当前位置不出现某种模式。不同的是，(?!...)是指当前位置的右边，而(?)自然就是指左边了。

这里隆重推出Anrs同学翻译的教程: 环视一以及环视二。仔细阅读这两文章，彻底明白环视这两个概念，将会提升您的正则表达式功力。后文将建立在您已经理解环视这个概念的基础上。

闲话一句。既然使用“左边”和“右边”既形象又好懂，为什么没见过“左瞻”，“右瞻”，“左向”，“右向”，反而全是些“前瞻后瞻”，“正向逆向”这样的不好理解的说法呢？撕烤者也同有此问。我的理解是，或许是为了照顾阿语等从右向左书写的用户的习惯吧。无论如何，将从 ^到 $的方向称之为“向前”总不会错。

描述当前位置（左侧或右侧）的模式，从而辅助判断正则式是否匹配，是环视的作用。它只描述，不消耗字符；只辅助判断，从不单独出现。这与^和$简直如出一辙。

一则例子

例子. 现在有许多与fanfou.com类似的网址。如何写一条正则表达式，来匹配域名含fanfou，但是TLS不是.com的模式？

答案：/\bfanfou\.(?!com)[a-z]{2,4}\b/i。分析这条正则表达式：

以\b开始，明确字符边界；

fanfou主域名不可少；

\.匹配一个普通的点号；此处不要使用点号元字符；

(?!com)表示此处（即从fanfou.的右边）不得出现com三个连续字符；

[a-z]{2,4}表示是2至4位的拉丁字母；因为域名的TLS最短是2位（如.au, .us），最长可为4位（如.info, .asia）；

右侧边界同样重要，否则我们之前的{2,4}就白费了；

使用i表示不分大小写；这是域名的特征之一。

回到本题

按照要求，一步步建立这条正则式。

该正则式匹配的是...结构。因此，正则式以开始。

在和之间不得出现color，是这条正则式的难点。因为，color可能位于这个结构之内的任意一点，因此要规定，此内任意一点都不得出现color一词。这样的点为：(?!color).。这样的点重复1+次，正则式写为((?!color).)+。注意这里有个小陷阱：不要写为(?!color).+，否则它只描述了最左侧的一点不得出现color，其余部分则都无所谓。而写为((?!color).)+则保证每一点都不出现color。

正则式此时为((?!color).)+?item>。为了节省资源，括号通常写成非捕获模式(?:...)；为了保证点号匹配换行符，可以指定s模式或使用[\s\S]代替点号元字符。此处仍使用点号。正则式修改为(?:(?!color).)+?item>。

总体来说，环视相对于基本的元字符还是要抽象一些。不过一旦理解并掌握了它，就会发现它在精确匹配和替换时十分有用。上面的分析，希望有所帮助。如果您有类似的问题，欢迎提出。

两条与密码验证相关的正则表达式问题

rex — Fri, 16 Oct 2009 14:38:39 +0000

在正则表达式论坛上，有人问了这样两个问题（原贴在这里）：

问题1: 密码验证：由且仅由数字、字母（大小写）、特殊符号（@ % &…）组成，三者缺一不可，密码不少于8位。

问题2: 十位的数字、字母组合密码，其中包含4位数字和6位字母。

感兴趣的话，建议您在读下文之前，自己思考一下解法，以免被我的思路干扰。

Stage0

这两个问题其实都是一个路子：对于一段字符串，有多个并列的限定条件。

对于问题1，它需要满足的条件如下：

8位以上；
必须包含1位以上的数字；
必须包含1位以上的字母；
必须包含1位以上的特殊字符。

对于这样的要求，简单使用[0-9a-za-Z@%&]{8,}来匹配的。因此它也匹配像00000000、1111aaaaa这样只含一种或两种字符的字符串。因此，我们要加上更为严格的限制条件，以便匹配更精确。

Stage1

数字必须出现一次，则对于每个字符位置来说，它应该是这样的：

代码:

1	[0-9a-zA-Z@%&]+\d

字母必须出现一次，则对于每个字符位置来说，它应该是这样的：

代码:

1	[0-9a-zA-Z@%&]+[a-zA-Z]

特殊字符必须出现一次，则对于每个字符位置来说，它应该是这样的：

代码:

1	[0-9a-zA-Z@%&]+[@%&]

这三个条件必须同时满足，因此：
代码:

1	(?=[0-9a-zA-Z@%&]+\d)(?=[0-9a-zA-Z@%&]+[a-zA-Z])(?=[0-9a-zA-Z@%&]+[@%&]).{8,}

为了保证字符整行匹配，需要加上条件^$：
代码:

1	^(?=[0-9a-zA-Z@%&]+\d)(?=[0-9a-zA-Z@%&]+[a-zA-Z])(?=[0-9a-zA-Z@%&]+[@%&]).{8,}$

它匹配的是，8位(包括)以上字符，由且仅由数字、字母和特殊字符组成。

Stage2

stage1 中的解法，已经可以匹配所需要的结果了。但是，与stage0 代码[0-9a-za-Z@%&]{8,}相反，它只能匹配部分合乎条件的字串，同时会漏掉另一外一些情况。看图：

上图中Test部分中彩色部分为正则表达所匹配的字串。但是前三条是符合要求的，却不被匹配。之所以会出现这样的情况，是因为在环视条件中使用了+量词，这会将本来用作辅助验证的字符被消耗掉，原本合格的字串被误认为不合格了。

问题出在+上，因此我们使用*量词，这样就好多了。正则表达式为：

1	^(?=[0-9a-zA-Z@%&]\d)(?=[0-9a-zA-Z@%&][a-zA-Z])(?=[0-9a-zA-Z@%&]*[@%&]).{8,}$

匹配效果如下所示：

Stage3

但是问题依然存在。测试发现，像这样的字串也是匹配的，但是它显然不是合格的密码字串：

之所以出现这样的问题，是因为stage2代码中

.{8,}$

前边千辛万苦使用[0-9a-zA-Z@%&]所界定的条件，在这里轻轻松松被破坏了。stage2其实只管前8位，只要前8位字符符合要求，它就认为万事大吉了。

认识到这一点，我写个一条长长的正则式：

1	^(?=[0-9a-zA-Z@%&]\d)(?=[0-9a-zA-Z@%&][a-zA-Z])(?=[0-9a-zA-Z@%&]*[@%&])[0-9a-zA-Z@%&]{8,}$

但是这条正则表达太复杂了。能不能短一些呢？当然可以。从上文可以看出，前边其实不必界定太复杂的条件，只要在最后加上条件判断即可。因此，正则表达式可以改为：

1	^(?=.\d)(?=.[a-zA-Z])(?=.*[@%&])[0-9a-zA-Z@%&]{8,}$

这样一来，我们就得到了这道题迄今为止最简洁的解法。

同理可得，第二道题的解法是：

1	^(?=.\d)(?=.[a-zA-Z])(?=.*[@%&])[0-9a-zA-Z@%&]{8,}$

不多解释。

在思考本题的过程中，感谢创亿无限在stage2的测试，感谢余晟老师在stage3中的指点。余老师现在正写一本正则表达式的傻瓜书，请点击余晟老师的博客来探寻详情。