正則基礎之 \b 單詞邊界

1概述
“\b”匹配單詞邊界，不匹配任何字元。
“\b”匹配的只是一個位置，這個位置的一側是構成單詞的字元，另一側為非單詞字元、字串的開始或結束位置。“\b”是零寬度的。
基本上所有的資料裡都會說“\b”是單詞邊界，但是關於“單詞”的範圍卻是少有提及。通常情況下，Regex中所謂的“單詞”，就是由“\w”所定義的字元所組成的子串。
“\b”表示所在位置的一側為單詞字元，另一側為非單詞字元、字串的開始或結束位置，也就相當於
(?<!\w)(?=\w)|(?<=\w)(?!\w)
思考：以下寫法為什麼不等價於“\b”
(?<=\W)(?=\w)|(?<=\w)(?=\W)
2\w的範圍
即然涉及到“\w”，那就要先考察一下它的範圍。
在支援ASCII碼的語言中，如JavaScript，“\w”等價於[a-zA-Z0-9_] ；
在支援Unicode的語言中，如.NET，預設情況下，“\w”除可以匹配[a-zA-Z0-9_]外，還可以匹配一些Unicode字元集，如漢字，全形數字等等。
幾乎所有常見的語言都遵循這樣一個規律，只有Java是個例外。在Java中，“\w”的表現是比較奇怪的，Java是支援Unicode的，但Java的正則中的“\w”卻是等價於[a-zA-Z0-9_]的。
先來看一下“\w”在幾種語言中匹配的例子
JavaScript 複製代碼 代碼如下:<script language="javascript">
var str = "abc_123中文_d3=efg漢字%";
var reg = /\w+/g;
var arr = str.match(reg);
if(arr != null)
{
for(var i=0;i<arr.length;i++)
{
document.write(arr[i] + "<br />");
}
}
</script>
//JavaScript中輸出
abc_123
_d3
efg

C# 複製代碼 代碼如下:string test = "abc_123中文_d3=efg漢字%";
MatchCollection mc = Regex.Matches(test, @"\w+");
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n";
}
//C#中輸出
abc_123中文_d3
efg漢字

Java 複製代碼 代碼如下:String test = "abc_123中文_d3=efg漢字%";
String reg = "\\w+";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
}
//Java中輸出
abc_123
_d3
efg

可以看到，“\w”在Java中的輸出和JavaScript中是一樣的，都是只支援ASCII字元。
3 \b的範圍
常見語言中“\w”的範圍確定了，那麼是不是可以認為“\b”的匹配範圍與“\w”也是一致的呢？
再看下下面的例子：
源字串：abc_123中文_d3=漢字efg
Regex：.\b.
JavaScript 複製代碼 代碼如下:<script language="javascript">
var str = "abc_123中文_d3=efg漢字%";
var reg = /.\b./g;
var arr = str.match(reg);
if(arr != null)
{
for(var i=0;i<arr.length;i++)
{
document.write(arr[i] + "<br />");
}
}
</script>
//JavaScript中輸出
3中
文_
3=
g漢

C# 複製代碼 代碼如下:string test = "abc_123中文_d3=efg漢字%";
MatchCollection mc = Regex.Matches(test, @".\b.");
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n";
}
//C#中輸出
3=
字%

Java 複製代碼 代碼如下:String test = "abc_123中文_d3=efg漢字%";
String reg = ".\\b.";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
}
//Java中輸出
3=
字%

可以看到，Java的輸出和.NET是一致的，“\b”在Java中是支援Unicode的。
所以總的來說，Java中的“\w”是很奇怪的，而“\b”是與其它語言表現一致的，在使用時需要注意。
4 \b應用情境
4.1 基礎應用
“\b”一般應用在需要匹配某一單詞字元組成的子串，但這一字元不能包含在同樣由單詞字元組成的更長的子串中。
比如要替換掉一段英文中的單詞“to”，而“today”顯然不在替換的範圍內，所以正則可以用“\bto\b”來限定。
用得比較多的情境是在HTML標籤的匹配中，用以區分相互包含的標籤，比如要過濾掉<b>、</b>、<p…>、<img…>等標籤，但要保留<br />標籤，正則可以寫成“<(/?b|p|img)\b[^>]*>”。
舉例：統計以“,”分割的元素中“3”的個數
string test = "137,1,33,4,3,6,21,3,35,93,2,98";
int count = Regex.Matches(test, @"\b3\b").Count; //結果：2
4.2 進階應用
稍複雜一些的應用通常都是與其它一些正則文法規則一起使用的，參考一個文章
求一Regex
4.3 特殊情況
“\b”用在正則中，通常情況下都是表示單詞邊界的，只有在字元組中，它表示的是退格鍵，即
[a-z\b]
此處的“\b”表示的是退格鍵，而不是單詞邊界。