【正则表达式系列】零宽断言

前言

正则表达式中，有一个绕不过去的坎，那就是零宽断言

零宽断言是一种零宽度的匹配，它匹配的内容不会保存到匹配结果中，也不会占用index宽度，最终匹配的结果只是一个位置

简单的说，它用于查找在某些内容之前或之后的东西(但返回结果并不包括这些内容)

JavaScript中只支持零宽先行断言

简介

零宽断言分为4类

• 正向零宽先行断言（?=exp）

  • 目标字符出现的位置的右边必须匹配到exp这个表达式

• 负向零宽先行断言（?!exp）

  • 目标字符出现的位置的右边不能匹配到exp这个表达式

• 正向零宽后发断言（?<=exp）

  • 目标字符出现的位置的左边必须匹配到exp这个表达式

• 负向零宽后发断言（?<!exp）

  • 目标字符出现的位置的左边不能匹配到exp这个表达式

注，关于先行和后发，还有其它称呼，譬如前瞻和后瞻等，本文统一使用先行与后发

JavaScript中的断言

JavaScript语言内只支持零宽先行断言（即只支持?=exp和?!exp）

所以本文中只会介绍零宽先行断言

另外，可以通过RegexBuddy 4等工具分析正则的匹配过程

大纲

• 正向零宽先行断言
• 负向零宽先行断言
• 实战演练

正向零宽先行断言

示例1

var str="abcdefg";
var reg=/ab(?=cd)/;
str.match(reg); // ["ab", index: 0, input: "abcdefg"]

• index = 0，a匹配a成功，尝试b匹配b成功
• 继续尝试匹配，(?=cd)接管控制权
• 接下来(?=cd)依次尝试匹配c和d成功
• 此时所有的正则表达式匹配完毕，匹配成功，返回成功结果

示例2

var str="abcdefg";
var reg=/(?=cd)efg/;
str.match(reg); // null

想要达到的效果是匹配在cd后方的efg，但是这是零宽后发断言才有的效果（?<=exp），而JS中并不支持，此时使用先行断言，实际效果为

• ?=cd获取控制权，一直到index = 2时才匹配成功，接下来e获取控制权
• 可惜由于?=cd是零宽式的，因此匹配成功后，下一轮匹配依然从index = 2开始尝试，此时c匹配e失败，于是index挪到3
• 接下来又是d, e, f, g匹配?=cd失败，于是最终匹配失败，返回null

示例3

var str="abcdefg";
var reg=/(?=cd)cdefg/;
str.match(reg); // ["cdefg", index: 2, input: "abcdefg"]

基于示例2的变形

• 在index = 2时，?=cd匹配成功了，交给cdefg
• index = 2，此时刚好c匹配，继续吃进d,e,f,g也都匹配，于是匹配成功，于是返回成功结果

示例4

var str="abcdefg";
var reg=/ab(?=cd)cdefg/;
str.match(reg); // ["abcdefg", index: 0, input: "abcdefg"]

上述示例的综合

• index = 0时，左侧的ab匹配成功
• 继续往后尝试(index = 2处)，?=cd也匹配成功
• 接下来继续从index = 2开始尝试，c, d, e ,f , g依次匹配成功，于是匹配结束，返回成功结果(index = 0，因为没有失败，后续的尝试都成功了)

注，零宽断言返回的是位置而不是字符，零宽断言匹配成功后，其余表达式会基于这个返回的位置继续判断

另外，请不要把先行断言当成后发断言来用

负向零宽先行断言

示例1

var str="abcdefg";
var reg=/ab(?!cd)/;
str.match(reg); // null

• 在ab匹配成功后，接下来cd匹配?!cd失败
• 接下来的b, c, d, e, f, g依次都匹配a失败，于是最终匹配失败，返回null

示例2

var str="abcdefg";
var reg=/ab(?!ab)cd/;
str.match(reg); // ["abcd", index: 0, input: "abcdefg"]

• 在ab匹配成功后，接下来cd匹配?!ab成功
• 由于?!ab是零宽的，因此接下来仍然从index = 2处尝试（也就是c继续匹配c），因此匹配成功，接下来d也匹配d成功，所有表达式匹配完毕，最终返回成功结果（index = 0，因为没有失败）

实战演练

接下来一些实战练习，加深印象

找到文本中的所有ing单词的前缀

需求说明

例如: I am reading in the dining room的匹配结果应该是read与din

代码

var str="I am reading in the dining room";
var reg=/\w+(?=ing)/g;
str.match(reg); //  ["read", "din"]

说明

• \w+匹配至少一个以上的单词
• ?=ing代表右侧必须有ing，但是匹配的结果又不包含ing
• g是全局匹配
• 因此符合了需求，成功匹配

测试一个文件是否是.css后缀，但又不能是.min.css

需求说明

这道题曾多次出现在各大平台，基本都是依靠零宽断言来检测，例如:

test('a.min.css'); // false
test('b.css'); // true
test('c.mining.css'); // true

代码

var reg=/^(?!.*\.min\.css$).+\.css$/;

reg.test('a.min.css'); // false
reg.test('.min.css'); // false
reg.test('.css'); // false
reg.test('min.css'); // true
reg.test('b.css'); // true
reg.test('c.mining.css'); // true

说明

由于只考虑单个文件名的匹配，所以较简单

• 先用?!.*\.min\.css负向先行断言试探文件名。这一步匹配完后，直接就排除了xxx.min.css了（由于是*，所以.min.css也会匹配失败）
• 然后继续用\w+.*\.css匹配xxx.css这种情况
• 于是就符合了要求，只匹配.css但不匹配.min.css
• 另外，关于回溯步骤，由于较多，这里就不赘述了，感兴趣的可以用RegexBuddy等工具自行检测

找到所有的.min.css文件的文件名

需求说明

例如: a.min.css;.min.css;.css;min.css;b.css;c.min.js;d.css;e.a.min.css（文件以;隔开）的匹配结果应该是a与e.a

代码

var str="a.min.css;.min.css;.css;min.css;b.css;c.min.js;d.css;e.a.min.css";
var reg=/\w+[^;]*(?=\.min\.css)/g;
str.match(reg); //  ["a", "e.a"]

说明

这类型表达式回溯次数很多，实际中可以有更好的解决方案，比如先分割，再匹配

• 左侧的表达式\w+[ ^;]*确保了必须是一个正常的单词开头，并且不能包括;，所以直接排除了名字以.开头或名字中包含;的情况
• 右侧的零宽断言?=\.min\.css确保名字右侧必须有.min.css
• 于是最终只剩下了a与e.a符合情况

找到所有.css文件的文件名，需要排除.min.css

需求说明

这道题基于上两题的综合与变形，增加了点难度（不再是单个文件名匹配，而是字符串中的文件名提取）

例如: a.min.css;.min.css;.css;min.css;b.css;c.min.js;d.css;e.a.min.css；f.min.a.css（文件以;分割）的匹配结果应该是min、b、d和f.min.a

代码

var str = "a.min.css;.min.css;.css;min.css;b.css;c.min.js;d.css;e.a.min.css;f.min.a.css"; 
var reg1 = /[^;]+(?=\.css)/g;

var match1 = str.match(reg1); 

var reg2 = /\.min$/;
var match2 = [];

match1 && match1.map(function(item, index) {
    !reg2.test(item) && match2.push(item);
});

console.log(match1); // ["a.min", ".min", "min", "b", "d", "e.a.min", "f.min.a"]
console.log(match2); // ["min", "b", "d", "f.min.a"]

说明

好吧，我承认无法只靠一个表达式实现这个功能（不知道在座的各位有谁可以的...）

• 第一步[ ^;]+(?=\.css)先匹配所有的.css后缀的名字
• 第二步\.min$剔除以.min结尾的名字
• 于是就只剩下了正常的结果
• 或者先分割，然后再匹配（是.css但非.min.css）也行

PS：本来准备一步解决作为压轴的，但是尝试了很久都未果，最终还是拆分来实现的，之所以仍然放在最后，也算是给自己一个警醒

写在最后的话

深入研究后，才发现精通正则表达式真的很难，很多时候，你认为的已经精通了只是一种假象。

因此，还是放下身段，努力学习吧！

附录

博客

初次发布2017.07.26于个人博客

http://www.dailichun.com/2017/07/26/regularExpressionZeroWidthAssertion.html

参考资料

• 正则表达式元字符
• 正则表达式零宽断言详解
• 正则表达式之零宽断言详解