正则表达式的进阶用法

本文将介绍几种正则表达式的进阶用法。

前瞻、后顾、负前瞻、负后顾（positive/negative lookahead/lookbehind）

当我们想要匹配一段“后面为特定内容”的文本，但又不想匹配“特定内容”时，可以使用前瞻（positive lookahead）。比如：

foo(?=bar)

只会匹配后面是 bar 的 foo：

[foo]bar
foobaz
fooqux

当我们想要匹配一段“后面不为特定内容”的文本时，可以使用负前瞻（negative lookahead）。比如：

foo(?!bar)

只会匹配后面不是 bar 的 foo：

foobar
[foo]baz
[foo]qux

与前瞻、负前瞻相对应的是后顾、负后顾（positive lookbehind/negative lookbehind）。它们分别匹配“前面为特定内容”和“前面不为特定内容”的文本。比如：

(?<=bar)foo

只会匹配前面是 bar 的 foo：

bar[foo]
bazfoo
quxfoo

而：

(?<!bar)foo

只会匹配前面不是 bar 的 foo：

barfoo
baz[foo]
qux[foo]

原子组（atomic group）

原子组（atomic group）和普通组（group）类似，唯一的区别是，一旦原子组中的一个分支匹配成功，它就不允许回溯尝试其他分支。比如，普通组：

(foobar|foo)bar

可以匹配：

[foobar]
[foobarbar]

而原子组：

(?>foobar|foo)bar

只会匹配：

foobar
[foobarbar]

考虑文本为 foobar 时的情况，正则表达式引擎会挨个尝试组内的分支，首先是 foobar 分支，但这样就没有剩余文本匹配最后的 bar 了。对于普通组，引擎可以回溯尝试 foo 分支，最终匹配成功；但对于原子组，引擎不能回溯，最终匹配失败。

为什么要有原子组呢？

举个例子，用 (a+)+ 作为表达式，在匹配 aaaaaaaaaa! 的输入时，虽然最终会失败，正则表达式引擎还是会反复尝试不同组合，导致匹配时间急剧增长、CPU 占用升高、程序卡顿。这种情况通常称为“灾难性回溯”。原子组可以通过减少不必要的回溯，来避免这种情况。

非捕获组（non-capturing group）

对于普通组，除了包含多个分支外，正则表达式引擎还会“记住”匹配到的内容。在用 sed 等工具替换时，可以用 \1、\2 等引用匹配内容。如果只需要多个分支、不需要“记住”匹配内容，可以使用非捕获组（non-capturing group）。比如：

(?:foo|bar)

总结

	正（Positive）	负（Negative）
前瞻（Lookahead）	(?=...)	(?!...)
后顾（Lookbehind）	(?<=...)	(?<!...)

	语法
原子组（Atomic group）	(?>...)
非捕获组（Non-capturing group）	(?:...)

在线工具

最后推荐一个非常方便的在线工具：https://regex101.com/。

参考资料

• https://stackoverflow.com/questions/2973436/regex-lookahead-lookbehind-and-atomic-groups