正則表達式(Regular Expression)為字串模式比對提供了高效而便利的方法。幾乎所有高階語言都支援它,或提供現成的程式庫可供呼叫。以下以 ASP 環境中常見的四類任務為例,說明實作技巧。
第一個例子示範正則表達式最根本的能力:抽象地描述任意複雜的字串。它給程式設計師一種形式化的字串描述方法,只需極少的程式碼,就能表達應用中遇到的各種字串模式。
以密碼規則為例,用自然語言描述是:第一個字元必須是字母,長度最少 4 個字元、不超過 15 個,且不能包含字母、數字與底線以外的字元。對應的正則表達式是:
^[a-zA-Z]/w{3,14}$
寫成可重複使用的函式:
Function TestPassword(strPassword)
Dim re
Set re = new RegExp
re.IgnoreCase = false
re.global = false
re.Pattern = "^[a-zA-Z]/w{3,14}$"
TestPassword = re.Test(strPassword)
End Function
逐段對照:^[a-zA-Z] 中,^ 表示字串開頭,連字號代表指定範圍內的所有字元;{3,14} 表示前面的模式至少出現 3 次、最多 14 次(加上第一個字元即為 4 到 15 個);/w 代表字母、數字與底線。
兩點要注意:花括號內的語法極其嚴格,逗號兩側不得有空格,加了空格會改變含義並導致檢驗出錯;末尾的 $ 讓比對進行到字串結尾,確保合法密碼後面沒有夾帶其他字元。
Email 檢驗同理:
re.pattern = "^/w+@[a-zA-Z_]+?/.{2,3}$"
Response.Write re.Test("aabb@yahoo.com")
從 HTML 頁面取內容,難點在於精確識別你要的那一段。以下是有個顯示新聞標題的片段,標題位於中間那個 class 屬性設為 Headline 的表格:
<table border="0" width="11%" class="Headline">
<tr><td width="100%"><p align="center">伊拉克戰爭!</td></tr>
</table>
先建立物件並設定比對行為:
Dim re, strHTML
Set re = new RegExp
re.IgnoreCase = true
re.Global = false ' 第一次比對後即停止
接著抓起始標記:re.Pattern = "<table.*(?=Headline)"。這個式子會比對到表格的開始標記,並回傳開始標記到「Headline」之間的所有內容。注意 (?=Headline) 屬於「零寬斷言」——它只往前預查而不實際取字元,所以看不到 class 屬性的值本身。
執行與輸出:
Set Matches = re.Execute(strHTML)
For Each Item in Matches
Response.Write Item.Value
Next
要連表格的其餘部分一起取回,把式子改成:re.Pattern = "<table.*(?=Headline)(.|/n)*?</table>"。其中 (.|/n) 後的 * 比對零到多個任意字元,而 ? 讓 * 的範圍最小化——在找到下一段之前,盡可能少配字元。
這個 ? 至關重要。若刪掉它,回傳內容會從 Headline 表格一路延伸到 Someotherstory 表格的結尾標籤,把不相關的區塊一起吞進來。寫 HTML 解析時,貪婪與非貪婪的差別往往就是能不能拿到正確結果的分界。
實務提醒:以上假設了相當理想的前提。真實情境中,你對來源 HTML 往往沒有任何控制權。最有效的做法是花時間分析待擷取內容附近的結構、反覆測試,並務必處理「完全比對不到任何內容」的情形——內容隨時可能改版,別讓自己的頁面因此出現難以收拾的錯誤。
資料檔格式百百種,XML、結構化文字甚至非結構化文字都可能成為資料源。這裡看一個使用限定符(qualifier)的結構化文字檔:
姓,名, 電話, 說明
孫,悟空, 312 555 5656, '我喜歡ASP,還有VB和SQL'
豬,八戒, 847 555 5656, '我是電影制片人'
問題在於:若某個欄位內容本身含逗號,單純以逗號切分的解析器就會把它誤判為兩個欄位。解法是用限定符(如單引號)包住該欄位,讓解析器知道引號內的逗號屬於內容而非分隔符。
這裡的挑戰與一般正則比對略有不同:平常我們只看一小段文字是否匹配,但這次必須看完整行才能可靠判斷哪些內容在引號內。例如隨意抽半行「1, 沙灘, 黑色, 21, ', 狗, 貓, 鴨子, '」——因為左邊還有未知數量的引號,根本無法判斷哪些是字串內部。若前面的引號數量是偶數,「', 狗, 貓, 鴨子, '」是完整字串;若是奇數,「1, 沙灘, 黑色, 21, '」才是某字串的結尾。
因此表達式必須分析整行、全面計數引號:
,(?=([^']*'[^']*')*(?![^']*'))
逐段解讀:先找一個逗號,接著 (?=...) 往前預查——( 開啟新模式,[^']*' 匹配零或多個非引號字元後接一個引號,[^']*'[^']* 再匹配到成對的引號,) 把整個「引號對」模式重複 0 次或多次,最後 (?!...) 排除「非引號字元後還有落單引號」的情形。判斷基礎是:若逗號後方的單引號數量是偶數,這個逗號就在字串之外,可以作為分隔符。
VBScript 實作:
Function SplitAdv(strInput)
Dim objRE
Set objRE = new RegExp
objRE.IgnoreCase = true
objRE.Global = true
objRE.Pattern = ",(?=([^']*'[^']*')*(?![^']*'))"
' 先把真正的分隔符換成 chr(8),再依它切分
SplitAdv = Split(objRE.Replace(strInput, "/b"), "/b")
End Function
用 chr(8)(即 /b 退格字元)作為暫時佔位是個聰明的手法——它在文字內容中出現的機率極小,可以安全地當成中繼標記。
總的來說,用正則表達式解析文字資料檔具備高效、縮短開發時間的優點,能省下大量分析檔案與條件擷取的功夫。
最後看替換功能。ASP 常用於動態格式化從各種資料源取得的文字,利用正則表達式的替換能力,可以動態改變匹配到的複雜文字。最典型的應用是為搜尋結果中的關鍵詞加上高亮標記:
Set regEx = New RegExp
regEx.Global = true
regEx.IgnoreCase = True
regEx.Pattern = "(/b[a-zA-Z/._]+?/.NET/b)"
strText = "微軟建立了一個新網站 www.ASP.NET。"
Response.Write regEx.Replace(strText, _
"<b style='color: #000099; font-size: 18pt'>$1</b>")
幾個重點:整個表達式被包在一對圓括號中,作用是截取所有匹配內容供後續使用,在替換文字中透過 $1 引用;一次替換最多可用 9 組截取,分別以 $1 到 $9 表示。此外,正則物件本身的 Replace 方法與 VBScript 內建的 Replace 函式不同,只需要兩個參數:被搜尋的文字與替換用的文字。
這套技術可以為網站搜尋加上關鍵詞高亮,也能自動為頁面中出現的特定詞彙加上連結。
正則表達式的價值在於用最少的程式碼描述最複雜的比對規則,但它也是最容易寫出「看起來對、實測全錯」的程式的地方。實務上有兩個習慣值得養成:一是把常用模式(Email、URL、電話、身分證格式)整理成測試過的函式庫,避免每次重寫;二是務必測試邊界案例——空字串、單一字元、極端長度、含特殊符號的輸入,這些才是真正會出問題的地方。
以上例子雖以 VBScript 撰寫,在 ASP.NET 中正則表達式同樣是表單驗證的主要機制,並透過 System.Text.RegularExpressions 命名空間開放給整個 .NET 框架使用。