.NET正则中的字符转义

.NET正则中的字符转义1概述这或许会是一个让人迷惑，甚至感到混乱的话题，但也正因为如此，才有了讨论的必要。在正则中，一些具有特殊意义的字符，或是字符序列，被称作元字符，如“?”表示被修饰的子表达式匹配0次或1次，“(?i)”表示忽略大小写的匹配模式等等。而当这些元字符被要求匹配其本身时，就要进行转义处理了。不同的语言或应用场景下，正则定义方式、元字符出现的位置不同，转义的方式也是林林总总，不一而同。2.NET正则中的字符转义2.1.NET正则中的转义符绝大多数语言中，“/”都被作为转义符，用来转义一些具有特殊意义的字符或字符序列，比如“/n”表示换行，“/t”表示水平制表符等。而这样的转义，应用到正则中，又会有一些意想不到的变化。话题由C#中一个正则问题引出string test =newstring/,/;Regexreg =newRegex(/$);foreach(stringsintest)richTextBox2.Text +=源字符串：+ s.PadRight(5, ) +匹配结果：+ reg.IsMatch(s) +/n;/*-输出-源字符串：/匹配结果：True源字符串：/匹配结果：False*/对于这个结果，或许有人会感到迷惑，字符串中的“/”不是代表一个经过转义的“/”字符吗？而“/”不就应该代表两个经过转义的“/”字符吗？那么上面正则匹配的结果应该是第一个为False，第二个为True才对啊？对于这一问题，直接解释或许不太容易理解，还是换种方式来解释吧。比如要匹配的字符是这样的stringtest =(;那么正则如何写呢？因为“(”在正则中是有特殊意义的，所以写正则时必须对它进行转义，也就是“/(”，而在字符串中，要使用“/”来表示“/”本身，也就是Regexreg =newRegex(/($);这个如果理解了，那再把“(”换回“/”，同样道理，在字符串中，要使用“/”来表示“/”本身，也就是Regexreg =newRegex(/$);通过这样的分析，可以看出，其实在以字符串形式声明的正则中，“/”匹配的实际上就是单独的一个“/”字符。总结一下它们之间的关系：输出到控制台或界面的字符串：/程序中声明的字符串：stringtest =/;程序中声明的正则：Regexreg =newRegex(/$);这样解释是不是已经可以理解了，那么是不是感觉这样很笨拙？是的，在程序中以字符串形式声明的正则，涉及到转义符时就是这样笨拙的。所以在C#中，还提供了另一种字符串声明方式，在字符串前加个“”，就可以忽略转义。string test =newstring /,/;Regexreg =newRegex(/$);foreach(stringsintest)richTextBox2.Text +=源字符串：+ s.PadRight(5, ) +匹配结果：+ reg.IsMatch(s) +/n;/*-输出-源字符串：/匹配结果：True源字符串：/匹配结果：False*/这样就简洁多了，也符合通常的理解。但同时也带来另一个问题，就是双引号的转义处理。在普通的字符串声明中，可以用“/”对双引号进行转义。stringtest =only a test;但是在字符串前加了“”后，“/”会被识别为“/”字符本身，这样就不能用“/”对双引号进行转义了，需要用“”对双引号进行转义。stringtest =only a test;而在VB.NET中，正则的定义只有一种形式，与C#中加了“”后的定义方式是一致的。DimtestAsString() =NewString() /,/DimregAsRegex =NewRegex(/$)ForEachsAsStringIntestRichTextBox2.Text +=源字符串：& s.PadRight(5, c) &匹配结果：& reg.IsMatch(s) & vbCrLfNext-输出-源字符串：/匹配结果：True源字符串：/匹配结果：False-2.2.NET正则中需要转义的元字符在MSDN中，以下字符作为正则中的元字符，在匹配其本身时，需要对其进行转义. $ ( | ) * + ? /但实际应用中，还要根据实际情况来判断，以上字符可能不需要转义，也可能不止以上字符需要转义。在正常的正则书写过程中，以上字符的转义通常都能被编写人员正常处理，但是在动态生成正则时，就需要格外的注意，否则变量中包含元字符时，动态生成的正则在编译时可能会抛异常。好在.NET中提供了Regex.Escape方法来处理这一问题。比如根据动态获取的id来提取相应的div标签内容。stringid =Regex.Escape(textBox1.Text);Regexreg =newRegex(?is)*(?*(?)|(?)|(?:(?!/?div/b).)*)* (?(o)(?!);如果不做转义处理，那么动态获取的id如果为“abc(def”这种形式，程序运行过程中就会抛出异常了。2.3.NET正则中字符组的转义在字符组中，元字符通常是不需要转义的，甚至于“”也是不需要转义的。stringtest =the test string:. $ ( | ) * + ? /;Regexreg =newRegex(.$(|)*+?/);MatchCollectionmc = reg.Matches(test);foreach(Matchminmc)richTextBox2.Text += m.Value +/n;/*-输出-.$(|)*+?/*/但是在正则书写时，字符组中的“”还是建议使用“/”对其转义的，正则本身就已经是非常抽象，可读性很低的了，如果在字符组中再掺杂进这样不经转义的“”，会使得可读性更差。而且在出现不正确的嵌套时，可能会导致正则编译异常，以下正则在编译时就会抛异常的。Regexreg =newRegex(.$(|)*+?/);然而，.NET的字符组中，是支持集合减法的，在这种正常语法形式下，是允许字符组嵌套的。stringtest =abcdefghijklmnopqrstuvwxyz;Regexreg =newRegex(a-z-aeiou+);MatchCollectionmc = reg.Matches(test);foreach(Matchminmc)richTextBox2.Text += m.Value +/n;/*-输出-bcdfghjklmnpqrstvwxyz*/这种用法可读性很差，应用也很少见，即使有这种需求也可以通过其它方式实现，了解一下即可，不必深究。话题再回到转义上，字符组中必须转义的只有“/”，而“”和“”出现在字符组中时，也是建议一定做转义处理的。另外有两个字符“”和“-”，出现在字符组中特定位置时，如果要匹配其本身，也是需要转义的。“”出现在字符组开始位置，表示排除型字符组，“Char”也就是匹配除字符组中包含的字符之外的任意一个字符，比如“0-9”表示除数字外的任意一个字符。所以在字符组中，要匹配“”字符本身，要么不放在字符组开始位置，要么用“/”进行转义。Regexreg1 =newRegex(0-9);Regexreg2 =newRegex(/0-9);这两种方式都表达匹配任意一个数字或普通字符“”。至于“-”在字符组中特殊性，举一个例子。stringtest =$;Regexreg =newRegex(#-*%&);richTextBox2.Text =匹配结果：+ reg.IsMatch(test);/*-输出-匹配结果：True*/正则表达式中明明没有“$”，为什么匹配结果会是“True”呢？支持用连字符“-”连接两个字符，来表示一个字符范围。需要注意的是，“-”前后的两个字符是有顺序的，在使用相同的编码时，后面的字符码位应大于或等于前面字符的码位。for(inti =#; i =*; i+)richTextBox2.Text += (char)i +/n;/*-输出-#$%&()*/由于“#”和“*”符合要求，“#-*”可以表示一个字符范围，其中就包含了字符“$”，所以上面的正则是可以匹配“$”的，如果只是把“-”当作一个普通字符处理，那么要么换个位置，要么把“-”转义。Regexreg1 =newRegex(#*%&-);Regexreg2 =newRegex(#/-*%&);这两种方式都表示匹配字符组中列举的字符中的任意一个。在字符组中，还有一个比较特殊的转义字符，“/b”出现在正则表达式中一般位置时，表示单词边界，也就是一侧为组成单词的字符，另一侧不是；而当“/b”出现在字符组中时，表示的是退格符，与普通字符串中出现的“/b”意义是一样的。同样的，还有一个容易被忽视，而且经常被忽视的转义符“|”，当“|”出现在正则表达式中一般位置时，表示左右两侧“或”的关系；而当“|”出现在字符组中时，它仅仅表示“|”字符本身，没有任何特殊意义，所以如果不是要匹配“|”本身，而试图在字符组中使用“|”时，是错误的。比如正则表达式“a|b”表示的是“a”、“b”、“|”中的任意一个，而不是“a”或“b”。2.4.NET正则应用中不可见字符转义处理对于一些不可见字符，要在字符串中表示时，需要用转义字符，比较常见的有“/r”、“/n”、“/t”等等，而这些字符在正则中应用，就变得有些神奇了，先看一段代码。stringtest =one line. /n another line.;List list =newList();list.Add(newRegex(/n);list.Add(newRegex(/n);list.Add(newRegex(/n);list.Add(newRegex(/n);foreach(Regexreginlist)richTextBox2.Text +=正则表达式：+ reg.ToString();MatchCollectionmc = reg.Matches(test);foreach(Matchminmc)richTextBox2.Text +=匹配内容：+ m.Value +匹配起始位置：+ m.Index +匹配长度：+ m.Length;richTextBox2.Text +=匹配总数：+ reg.Matches(test).Count +/n-/n;/*-输出-正则表达式：匹配内容：匹配起始位置：10匹配长度：1匹配总数：1-正则表达式：/n匹配内容：匹配起始位置：10匹配长度：1匹配总数：1-正则表达式：/n匹配内容：匹配起始位置：10匹配长度：1匹配总数：1-正则表达式：/n匹配总数：0-*/可以看到，前三种写法，输出的正则虽不同，但执行结果却是完全相同的，只有最后一种是没有匹配的。正则表达式一Regex(/n)，其实就是以普通字符串形式来声明正则的，与用Regex(a)来匹配字符“a”是同样的道理，是不经过正则引擎转义的。正则表达式二Regex(/n)，是以正则表达式形式来声明正则的，正如正则中的“/”就等同于字符串中的“/”一样，正则中的“/n”就等同于字符串中的“/n”，是经过正则引擎转义的。正则表达式三Regex(/n)，与正则表达式二等价，是字符串前加“”的写法。正则表达式四Regex(/n)，其实这个表示的是字符“/”后面跟一个字符“n”，是两个字符，这个在源字符串中自然是找不到匹配项的。这里需要特别注意的还是“/b”，不同的声明方式，“/b”的意义是不同的。stringtest =one line. /n another line.;List list =newList();list.Add(newRegex(line/b);list.Add(newRegex(line/b);list.Add(newRegex(line/b);list.Add(newRegex(line/b);foreach(Regexreginlist)richTextBox2.Text +=正则表达式：+ reg.ToString() +/n;MatchCollectionmc = reg.Matches(test);foreach(Matchminmc)richTextBox2.Text +=匹配内容：+ m.Value +匹配起始位置：+ m.Index +匹配长度：+ m.Length +/n;richTextBox2.Text +=匹配总数：+ reg.Matches(test).Count +/n-/n;/*-输出-正则表达式：line_匹配总数：0-正则表达式：line/b匹配内容：line匹配起始位置：4匹配长度：4匹配内容：line匹配起始位置：20匹配长度：4匹配总数：2-正则表达式：line/b匹配内容：line匹配起始位置：4匹配长度：4匹配内容：line匹配起始位置：20匹配长度：4匹配总数：2-正则表达式：line/b匹配总数：0-*/正则表达式一Regex(line/b)，这里的“/b”是退格符，是不经过正则引擎转义的。源字符串中是没有的，所以匹配结果为0。正则表达式二Regex(line/b)，是以正则表达式形式来声明正则的，这里的“/b”是单词边界，是经过正则引擎转义的。正则表达式三Regex(line/b)，与正则表达式二等价，指单词边界。正则表达式四Regex(line/b)，其实这个表示的是字符“/”后面跟一个字符“b”，是两个字符，这个在源字符串中自然是找不到匹配项的。2.5.NET正则应用中其它转义处理.NET正则应用中还有一些其它转义方式，虽然用得不多，但也顺便提一下吧。需求：把字符串中“”之间的数字前加上“$”stringtest =one test , another test ;Regexreg =newRegex();stringresult = reg.Replace(test,);richTextBox2.Text = result;/*-输出-one test , another test */也许你会惊奇的发现，替换结果不是在数字前加了“$”，而是将所有数字都替换为“$1”了。为什么会这样呢，这是因为在替换结构中，“$”是有特殊意义的，在它后面接数字，表示对对应编号捕获组匹配结果的引用，而有些情况下，需要在替换结果中出现“$”字符本身，但它后面又跟了数字，这时候就需要用“$”对它进行转义了。而上面这个例子却恰恰是由于这种转义效果导致出现了异常结果，要规避这一问题，可以使替换结果中不出现对捕获组的引用。stringtest =one test , another test ;Regexreg =newRegex(?=);stringresult = reg.Replace(test,$);richTextBox2.Text = result;/*-输出-one test , another test */3JavaScript及Java中的转义符JavaScript及Java中正则的转义符处理，以字符串形式声明时，基本上都是与.NET中一致的，简单的介绍一下。在JavaScript中，以字符串形式声明正则，与C#中的表现是一样的，同样会显得很笨拙。vardata = /,/;varreg =newRegExp(/$,);for(vari=0;id