提示:閱讀本文需要具備一定的正則表達式基礎。
正則中的「斷言」之所以被歸類為進階話題,不是因為它難,而是因為概念抽象、不容易建立直覺。今天就用最白話的方式把它講清楚。
不使用斷言時,我們寫的表達式只能抓取「有規律」的字串,卻很難精準抓取「無規律但位置固定」的部分。
舉例來說,HTML 原始碼中有 <title>xxx</title> 標籤。用舊知識我們只知道 <title> 與 </title> 是固定不變的,於是想抓頁面標題 xxx,最多只能寫成:
<title>.*</title>
但這樣匹配出來的是整個標籤,而不是純粹的標題文字。要解決這個問題,就得靠斷言。
分組在正則中用 () 表示,作用有兩個:
· 把某些規律視為一組,進行組級別的重複;
· 分組之後可以透過後向引用簡化表達式。
作用一:組級重複。匹配 IP 位址,樸素寫法:
\d{1,3}.\d{1,3}.\d{1,3}.\d{1,3}
仔細觀察會發現 .\d{1,3} 重複出現,把它視為一組再重複三次:
\d{1,3}(.\d{1,3}){3}
清爽多了。
作用二:後向引用。匹配 <title>xxx</title> 時,兩個 title 完全相同,可以用分組簡寫:
<(title)>.*</\1>
這就是後向引用的實際應用。分組編號規則是:整個表達式永遠算第 0 組,然後從左到右依次編號。上例中 (title) 是第 1 組,\1 就是引用第 1 組匹配到的文字內容。
以此為靈感,能不能簡化 IP 表達式?原式中 \d{1,3} 出現了兩次:
(\d{1,3})(.\1){3}
把 \d{1,3} 放進一組成為第 1 組,(.\1) 是第 2 組,組內用 \1 引用第 1 組。
但實測會發現這樣寫是錯的。為什麼?
這裡要記住一個關鍵:後向引用引用的是「文本內容」,而不是「正則表達式」。也就是說,一旦某組匹配成功,後向引用的就是那次匹配的結果,而非表達式本身。
因此 (\d{1,3})(.\1){3} 實際匹配的是「四段數字完全相同」的 IP,比如 123.123.123.123。
所謂斷言,就是指明某個字串的前面或後面將會出現滿足某種規律的內容。
回到開篇的例子:我們要的 xxx 沒有規律,但它前面一定有 <title>,後面一定有 </title>,這就足夠了。
· 指定 xxx 前面必然出現 <title>,用後行斷言(lookbehind):(?<=<title>).*
· 指定 xxx 後面必然出現 </title>,用先行斷言(lookahead):.*(?=</title>)
兩者合起來:
(?<=<title>).*(?=</title>)
這樣就能精準抓到 xxx。
其實掌握了規律就很簡單。先行與後行,都是相對於目標字串而言的:
· 條件在目標後面 → 目標在前 → 用先行斷言,寫在目標之後;
· 條件在目標前面 → 目標在後 → 用後行斷言,寫在目標之前;
· 指定「滿足某條件」→ 正(=);
· 指定「不滿足某條件」→ 負(!)。
還有一句話必須記牢:斷言只是條件,它本身不會被匹配進結果裡。
(?=X)
零寬度正先行斷言。僅當子表達式 X 在此位置右側匹配時才繼續匹配。例如 /\w+(?=\d)/ 匹配後面跟著數字的單詞,但不包含該數字。此構造不會回溯。
(?!X)
零寬度負先行斷言。僅當子表達式 X 不在該位置右側匹配時才繼續匹配。例如 /\w+(?!\d)/ 匹配後面不跟數字的單詞。
(?<=X)
零寬度正後行斷言。僅當子表達式 X 在此位置左側匹配時才繼續匹配。例如 (?<=19)99 匹配跟在 19 後面的 99。
(?<!X)
零寬度負後行斷言。僅當子表達式 X 不在該位置左側匹配時才繼續匹配。例如 (?<!19)99 匹配不跟在 19 後面的 99。
從形式上看,斷言用的就是分組符號,只是開頭多加了一個問號。這個問號在說:這是一個非捕獲組,沒有編號、不能用於後向引用,只能當作斷言。
補充一個相容性提醒:後行斷言((?<=...)、(?<!...))在 ES2018 才被正式納入標準,早期瀏覽器支援不佳,實務上可改用分組加 $1 取值的替代寫法。