JavaScript中的正則有幾個不同於其他語言的地方

我接觸過不少語言，我很看重一門語言的Regex是否強大，還有正則與文法的結合是否緊密。在這一點上，JavaScript做的還不錯，至少有正則字面量。當然，最強大的還是Perl。我最近發現，JavaScript中的正則在某些地方的表現和其他語言或工具中的正則有些不同，比較另類。雖然你幾乎不可能寫出也幾乎用不到下面我講的這些正則，但是瞭解一下畢竟是好的。本文中的程式碼範例都是在相容ES5的JavaScript環境中執行的，也就是說，IE9之前版本，Fx4左右的版本等中的表現很有可能和我下面講的不一樣。 1.Null 字元類不包含任何字元的字元類[]稱之為空白字元類(empty char class),我相信你沒聽別人這麼叫過,因為在其他語言中,這種寫法是非法的,所有的文檔和教程都不會講一種非法的文法.下面我示範一下其他語言或工具都是怎麼報這個錯的: $echo | grep '[]'grep: Unmatched [ or [^ $echo | sed '/[]/'sed：-e 運算式 #1，字元 4：未終止的地址Regex $echo | awk '/[]/'awk: cmd. line:1: /[]/awk: cmd. line:1:  ^ unterminated regexpawk: 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 expressionsre_constants.error: unexpected end of regular expression而在JavaScript中,Null 字元類是合法的正則組成部分,不過它的效果是”永不匹配”,也就是匹配什麼都會失敗.相當於一個空否定正向環視(empty negative lookahead)(?!)的效果: js> "whatever\n".match(/[]/g)      //Null 字元類,永不匹配nulljs> "whatever\n".match(/(?!)/g)    //空否定正向環視,永不匹配null很顯然,這種東西在JavaScript中沒什麼用.2.否定Null 字元類不包含任何字元的否定字元類[^]稱之為否定Null 字元類(negative empty char class)或者叫空否定字元類(empty negative char class),都可以,因為這個名詞是我”自創”的,和上面講的Null 字元類類似,這種寫法在其他語言中也是非法的: $echo | grep '[^]'grep: Unmatched [ or [^ $echo | sed '/[^]/'sed：-e 運算式 #1，字元 5：未終止的地址Regex $echo | awk '/[^]/'awk: cmd. line:1: /[^]/awk: cmd. line:1:  ^ unterminated regexpawk: 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: /[^]/ $python -c 'import re;re.match("[^]","")'Traceback (most recent call last):  File "<string>", line 1, in <module>  File "E:\Python\lib\re.py", line 137, in match    return _compile(pattern, flags).match(string)  File "E:\Python\lib\re.py", line 244, in _compile    raise error, v # invalid expressionsre_constants.error: unexpected end of regular expression$而在JavaScript中,否定Null 字元類是合法的正則組成部分,它的效果和Null 字元類的效果剛剛相反,它可以匹配任意的字元,包括分行符號”\n”,也就是說,等同於常見的[\s\S]和[\w\W]: js> "whatever\n".match(/[^]/g)                //否定Null 字元類,匹配任一字元["w", "h", "a", "t", "e", "v", "e", "r", "\n"]js> "whatever\n".match(/[\s\S]/g)             //互補字元類,匹配任一字元["w", "h", "a", "t", "e", "v", "e", "r", "\n"]需要注意的是,它不能稱之為是”永匹配正則”,因為字元類必須要有一個字元才可能匹配,如果目標字串是空的,或者已經被左邊的正則消耗完了,則匹配會失敗,比如: js> /abc[^]/.test("abc")     //c後面沒有字元了,匹配失敗.false想要瞭解真正的”永匹配正則”,可以看看我以前翻譯的一篇文章:“空”正則3.[]]和[^]]這個講起來比較簡單,就是:在Perl和其他一些linux命令的Regex中,字元類[]中如果包含了一個緊跟著左方括弧的右方括弧[]],則這個右方括弧會被當作一個一般字元,即只能匹配”]”,而在JavaScript中,這種正則會被識別成一個Null 字元類後跟一個右方括弧,Null 字元類什麼都不匹配.[^]]也類似:在JavaScript中,它匹配的是一個任一字元(否定Null 字元類)後跟一個右中括弧,比如”a]”,”b]”,而在其他語言中,匹配的是任何非]的字元. $perl -e 'print "]" =~ /[]]/'  $js -e 'print(/[]]/.test("]"))'false $perl -e 'print "x" =~ /[^]]/'  $js -e 'print(/[^]]/.test("x"))'false4.$錨點有些初學者認為$匹配的是分行符號”\n”,這是大錯特錯的,$是一個零寬斷言(zero-width  assertion),它是不可能匹配到一個真正的字元的,它只能匹配一個位置.我要的講的區別發生在非多行模式中:你也許會認為,在非多行模式中,$匹配的不就是最後一個字元後面的位置嗎?實際上沒那麼簡單,在其他大部分語言中,如果目標字串中的最後一個字元是分行符號”\n”,則$還會匹配那個分行符號之前的位置,也就是匹配了末尾的分行符號左右兩邊的兩個位置.很多語言中都有\Z和\z這兩個標記法,如果你知道它們之間的區別,那你應該就明白了,在其他語言中(Perl,Python,php,Java,c#…),非多行模式下的$相當於\Z,而在JavaScript中,非多行模式下的$相當於\z(只會匹配最末尾的那個位置,不管最後一個字元是否是分行符號).Ruby是個特例,因為它預設就是多行模式,多行模式下$會匹配每個分行符號前面的位置,當然也會包括結尾處可能出現的那個分行符號.餘晟著的《正則指引》一書中也講到了這幾點. $perl -e 'print "whatever\n" =~ s/$/替換字元/rg'      //全域替換whatever替換字元                   //分行符號前面的那個位置被替換替換字元                           //分行符號後面的那個位置被替換 $js -e 'print("whatever\n".replace(/$/g,"替換字元"))' //全域替換whatever替換字元                           //分行符號後面的那個位置被替換5.向前引用我們都知道正則中有反向引用(back reference),也就是用一個反斜線+數位形式引用到前面的某個捕獲分組已經匹配到的字串,目的是用來再次匹配或作為替換結果(\變成$).但有種特殊情況是,如果那個被引用的捕獲分組還沒開始(左括弧為界),就使用了反向引用,會怎樣.比如正則/(\2(a)){2}/,(a)是第二個捕獲分組,但在它的左邊使用了引用它的匹配結果的\2,我們知道正則是從左向右進行匹配的,這就是本節的標題向前引用(forwards reference)的來曆,它並不是一個嚴格的概念.那麼現在你想想,下面的這句JavaScript代碼將返回什麼: js> /(\2(a)){2}/.exec("aaa")???在回答這個問題之前,先看看其他語言中的表現.同樣,在其他語言中,這麼寫也基本上是無效的: $echo aaa | grep '(\2(a)){2}'grep: Invalid back reference $echo aaa | sed -r '/(\2(a)){2}/'sed：-e 運算式 #1，字元 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}/' $python -c 'import re;print re.match("(\2(a)){2}","aaa")'None在awk中沒有報錯,是因為awk不支援反向引用,其中的\2被解釋成了ASCII碼為2的字元.而在Perl Ruby Python中沒報錯,我不知道為什麼這樣設計,應該都是學Perl的,但效果都一樣,就是這種情況下是不可能匹配成功的.而在JavaScript中,不僅不報錯,還能匹配成功,看看和你剛才想的答案一樣不一樣: js> /(\2(a)){2}/.exec("aaa")["aa", "a", "a"]防止你忘了exec方法返回的結果是什麼,我說一下.第一個元素是完整的匹配字串,也就是RegExp["$&"],後面的是每個捕獲分組匹配的內容,也就是RegExp.$1和RegExp.$2.為什麼能匹配成功呢,匹配過程是怎樣的?我的理解是:首先進入了第一個捕獲分組(最左邊的左括弧),其中第一個有效匹配項是\2,然而這時第二個捕獲分組(a)還沒輪上,因此RegExp.$2的值還是undefined,所以\2匹配了目標字串中第一個a左邊的一個Null 字元,或者說”位置”,就像^和其他零寬斷言一樣.重點是匹配成功了.繼續走,這時第二個捕獲分組(a)匹配到了目標字串中的第一個a,RegExp.$2的值也被賦值為”a”,然後是第一個捕獲分組結束(最右邊的右括弧),RegExp.$1的值也是”a”.然後是量詞{2},也就是說,要從目標字串中的第一個a之後,開始進行正則(\2(a))的新的一輪匹配,很關鍵的一點在這裡:就是RegExp.$2的值也就是\2匹配的值還是不是第一輪匹配結束時的被賦的值”a”,答案是:”不是“,RegExp.$1和RegExp.$2的值都會被清空為undefined,\1和\2又會和第一次一樣,成功匹配一個Null 字元(相當於無任何效果,寫不寫都一樣).成功匹配了目標字串中的第二個a,這時RegExp.$1和RegExp.$2的值又一次成為了”a”,RegExp["$&"]的值成為了完整的匹配字串,前兩個a:”aa”.在Firefox的早期版本(3.6)中,量詞的重新一輪匹配不會清空已有的捕獲分組的值,那麼也就是說,在第二輪匹配的時候,\2會匹配上第二個a,從而: js> /(\2(a)){2}/.exec("aaa")["aaa", "aa", "a"]另外,一個捕獲分組的結束要看右括弧是否閉合,比如/(a\1){3}/,雖然用到\1的時候,第一個捕獲分組已經開始匹配了,但還沒結束,這同樣是向前引用,所以\1匹配的仍然是空: js> /(a\1){3}/.exec("aaa")["aaa", "a"]再解釋一個例子: js> /(?:(f)(o)(o)|(b)(a)(r))*/.exec("foobar")["foobar", undefined, undefined, undefined, "b", "a", "r"]*號是量詞,第一輪匹配過後:$1為”f”,$2為”o”,$3為”o”,$4為undefined,$5為undefined,$6為undefined.第二輪匹配開始時:捕獲到的值全部重設為undefined.第二輪匹配過後:$1為undefined,$2為undefined,$3為undefined,$4為”b”,$5為”a”,$6為”r”.$&被賦值為”foobar”,匹配結束.最後一個思考題:  js> /(?:^(a)|\1(a)|(ab)){2}/.exec("aab")????