正則中如何轉義

這篇文章主要介紹了正則中如何轉義，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

1 概述
這或許會是一個讓人迷惑，甚至感到混亂的話題，但也正因為如此，才有了討論的必要。
在正則中，一些具有特殊意義的字符，或是字符序列，被稱作元字符，如“?”表示被修飾的子表達式匹配0次或1次，“(?i)”表示忽略大小寫的匹配模式等等。而當這些元字符被要求匹配其本身時，就要進行轉義處理了。
不同的語言或應用場景下，正則定義方式、元字符出現的位置不同，轉義的方式也是林林總總，不一而同。
2 .NET正則中的字符轉義
2.1     .NET正則中的轉義符
絕大多數語言中，“\”都被作為轉義符，用來轉義一些具有特殊意義的字符或字符序列，比如“\n”表示換行，“\t”表示水平制表符等。而這樣的轉義，應用到正則中，又會有一些意想不到的變化。
話題由C#中一個正則問題引出

復制代碼 代碼如下:

string[] test = new string[]{"\\", "\\\\"};
Regex reg = new Regex("^\\\\$");
foreach (string s in test)
{
     richTextBox2.Text += "源字符串： " + s.PadRight(5, ' ') + "匹配結果： " + reg.IsMatch(s) + "\n";
}
/*--------輸出--------
源字符串： \    匹配結果： True
源字符串： \\   匹配結果： False
*/

對于這個結果，或許有人會感到迷惑，字符串中的“\\”不是代表一個經過轉義的“\”字符嗎？而“\\\\”不就應該代表兩個經過轉義的“\”字符嗎？那么上面正則匹配的結果應該是第一個為False，第二個為True才對啊？
對于這一問題，直接解釋或許不太容易理解，還是換種方式來解釋吧。
比如要匹配的字符是這樣的
string test = "(";
那么正則如何寫呢？因為“(”在正則中是有特殊意義的，所以寫正則時必須對它進行轉義，也就是“\(”，而在字符串中，要使用“\\” 來表示“\”本身，也就是
Regex reg = new Regex("^\\($");
這個如果理解了，那再把“(”換回“\”，同樣道理，在字符串中，要使用“\\” 來表示“\”本身，也就是
Regex reg = new Regex("^\\\\$");
通過這樣的分析，可以看出，其實在以字符串形式聲明的正則中，“\\\\”匹配的實際上就是單獨的一個“\”字符。總結一下它們之間的關系：
輸出到控制臺或界面的字符串：\
程序中聲明的字符串：string test = "\\";
程序中聲明的正則：Regex reg = new Regex("^\\\\$");
這樣解釋是不是已經可以理解了，那么是不是感覺這樣很笨拙？是的，在程序中以字符串形式聲明的正則，涉及到轉義符時就是這樣笨拙的。
所以在C#中，還提供了另一種字符串聲明方式，在字符串前加個“@”，就可以忽略轉義。

復制代碼 代碼如下:

string[] test = new string[] { @"\", @"\\" };
Regex reg = new Regex(@"^\\$");
foreach (string s in test)
{
    richTextBox2.Text += "源字符串： " + s.PadRight(5, ' ') + "匹配結果： " + reg.IsMatch(s) + "\n";
}
/*--------輸出--------
源字符串： \    匹配結果： True
源字符串： \\   匹配結果： False
*/

這樣就簡潔多了，也符合通常的理解。
但同時也帶來另一個問題，就是雙引號的轉義處理。在普通的字符串聲明中，可以用“\””對雙引號進行轉義。
string test = "<a href=\"www.test.com\">only a test</a>";
但是在字符串前加了“@”后，“\”會被識別為“\”字符本身，這樣就不能用“\””對雙引號進行轉義了，需要用“”””對雙引號進行轉義。
string test = @"<a href=""www.test.com"">only a test</a>";
而在VB.NET中，正則的定義只有一種形式，與C#中加了“@”后的定義方式是一致的。

復制代碼 代碼如下:

Dim test As String() = New String() {"\", "\\"}
Dim reg As Regex = New Regex("^\\$")
For Each s As String In test
    RichTextBox2.Text += "源字符串：" & s.PadRight(5, " "c) & "匹配結果：" & reg.IsMatch(s) & vbCrLf
Next
'--------輸出--------
'源字符串：\    匹配結果：True
'源字符串：\\   匹配結果：False
'--------------------

2.2     .NET正則中需要轉義的元字符
在MSDN中，以下字符作為正則中的元字符，在匹配其本身時，需要對其進行轉義
. $ ^ { [ ( | ) * + ? \
但實際應用中，還要根據實際情況來判斷，以上字符可能不需要轉義，也可能不止以上字符需要轉義。
在正常的正則書寫過程中，以上字符的轉義通常都能被編寫人員正常處理，但是在動態生成正則時，就需要格外的注意，否則變量中包含元字符時，動態生成的正則在編譯時可能會拋異常。好在.NET中提供了Regex.Escape方法來處理這一問題。比如根據動態獲取的id來提取相應的div標簽內容。
string id = Regex.Escape(textBox1.Text);
Regex reg = new Regex(@"(?is)<div(?:(?!id=).)*id=(['""]?)" + id  + @"\1[^>]*>(?><div[^>]*>(?<o>)|</div>(?<-o>)|(?:(?!</?div\b).)*)* (?(o)(?!))</div>");
如果不做轉義處理，那么動態獲取的id如果為“abc(def”這種形式，程序運行過程中就會拋出異常了。
2.3     .NET正則中字符組的轉義
在字符組[]中，元字符通常是不需要轉義的，甚至于“[”也是不需要轉義的。

復制代碼 代碼如下:

string test = @"the test string:  . $ ^ { [ ( | ) * + ? \";
Regex reg = new Regex(@"[.$^{[(|)*+?\\]");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*--------輸出--------
.
$
^
{
[
(

)
*
+
?
\
*/

但是在正則書寫時，字符組中的“[”還是建議使用“\[”對其轉義的，正則本身就已經是非常抽象，可讀性很低的了，如果在字符組中再摻雜進這樣不經轉義的“[”，會使得可讀性更差。而且在出現不正確的嵌套時，可能會導致正則編譯異常，以下正則在編譯時就會拋異常的。
Regex reg = new Regex(@"[.$^{[(]|)*+?\\]");
然而，.NET的字符組中，是支持集合減法的，在這種正常語法形式下，是允許字符組嵌套的。

復制代碼 代碼如下:

string test = @"abcdefghijklmnopqrstuvwxyz";
Regex reg = new Regex(@"[a-z-[aeiou]]+");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*--------輸出--------
bcd
fgh
jklmn
pqrst
vwxyz
*/

這種用法可讀性很差，應用也很少見，即使有這種需求也可以通過其它方式實現，了解一下即可，不必深究。
話題再回到轉義上，字符組中必須轉義的只有“\”，而“[”和“]”出現在字符組中時，也是建議一定做轉義處理的。另外有兩個字符“^”和“-”，出現在字符組中特定位置時，如果要匹配其本身，也是需要轉義的。
“^”出現在字符組開始位置，表示排除型字符組，“[^Char]”也就是匹配除字符組中包含的字符之外的任意一個字符，比如“[^0-9]”表示除數字外的任意一個字符。所以在字符組中，要匹配“^”字符本身，要么不放在字符組開始位置，要么用“\^”進行轉義。
Regex reg1 = new Regex(@"[0-9^]");
Regex reg2 = new Regex(@"[\^0-9]");
這兩種方式都表達匹配任意一個數字或普通字符“^”。
至于“-”在字符組中特殊性，舉一個例子。

復制代碼 代碼如下:

string test = @"$";
Regex reg = new Regex(@"[#-*%&]");
richTextBox2.Text = "匹配結果：" + reg.IsMatch(test);
/*--------輸出--------
匹配結果：True
*/

正則表達式中明明沒有“$”，為什么匹配結果會是“True”呢？
[]支持用連字符“-”連接兩個字符，來表示一個字符范圍。需要注意的是，“-”前后的兩個字符是有順序的，在使用相同的編碼時，后面的字符碼位應大于或等于前面字符的碼位。

復制代碼 代碼如下:

for (int i = '#'; i <= '*'; i++)
{
     richTextBox2.Text += (char)i + "\n";
}
/*--------輸出--------
#
$
%
&
'
(
)
*
*/

由于“#”和“*”符合要求，“[#-*]”可以表示一個字符范圍，其中就包含了字符“$”，所以上面的正則是可以匹配“$”的，如果只是把“-”當作一個普通字符處理，那么要么換個位置，要么把“-”轉義。
Regex reg1 = new Regex(@"[#*%&-]");
Regex reg2 = new Regex(@"[#\-*%&]");
這兩種方式都表示匹配字符組中列舉的字符中的任意一個。
在字符組中，還有一個比較特殊的轉義字符，“\b”出現在正則表達式中一般位置時，表示單詞邊界，也就是一側為組成單詞的字符，另一側不是；而當“\b”出現在字符組中時，表示的是退格符，與普通字符串中出現的“\b”意義是一樣的。
同樣的，還有一個容易被忽視，而且經常被忽視的轉義符“|”，當“|”出現在正則表達式中一般位置時，表示左右兩側“或”的關系；而當“|”出現在字符組中時，它僅僅表示“|”字符本身，沒有任何特殊意義，所以如果不是要匹配“|”本身，而試圖在字符組中使用“|”時，是錯誤的。比如正則表達式“[a|b]”表示的是“a”、“b”、“|”中的任意一個，而不是“a”或“b”。
2.4     .NET正則應用中不可見字符轉義處理
對于一些不可見字符，要在字符串中表示時，需要用轉義字符，比較常見的有“\r”、“\n”、“\t”等等，而這些字符在正則中應用，就變得有些神奇了，先看一段代碼。

復制代碼 代碼如下:

string test = "one line. \n another line.";
List<Regex> list = new List<Regex>();
list.Add(new Regex("\n"));
list.Add(new Regex("\\n"));
list.Add(new Regex(@"\n"));
list.Add(new Regex(@"\\n"));
foreach (Regex reg in list)
{
    richTextBox2.Text += "正則表達式：" + reg.ToString();
    MatchCollection mc = reg.Matches(test);
    foreach (Match m in mc)
    {
        richTextBox2.Text += "   匹配內容：" + m.Value + "   匹配起始位置：" + m.Index + "   匹配長度：" + m.Length;
    }
    richTextBox2.Text += "   匹配總數：" + reg.Matches(test).Count + "\n----------------\n";
}
/*--------輸出--------
正則表達式：
   匹配內容：
   匹配起始位置：10   匹配長度：1   匹配總數：1
----------------
正則表達式：\n   匹配內容：
   匹配起始位置：10   匹配長度：1   匹配總數：1
----------------
正則表達式：\n   匹配內容：
   匹配起始位置：10   匹配長度：1   匹配總數：1
----------------
正則表達式：\\n   匹配總數：0
----------------
*/

可以看到，前三種寫法，輸出的正則雖不同，但執行結果卻是完全相同的，只有最后一種是沒有匹配的。
正則表達式一Regex("\n")，其實就是以普通字符串形式來聲明正則的，與用Regex("a")來匹配字符“a”是同樣的道理，是不經過正則引擎轉義的。
正則表達式二Regex("\\n")，是以正則表達式形式來聲明正則的，正如正則中的“\\\\”就等同于字符串中的“\\”一樣，正則中的“\\n”就等同于字符串中的“\n”，是經過正則引擎轉義的。
正則表達式三Regex(@"\n")，與正則表達式二等價，是字符串前加“@”的寫法。
正則表達式四Regex(@"\\n")，其實這個表示的是字符“\”后面跟一個字符“n”，是兩個字符，這個在源字符串中自然是找不到匹配項的。
這里需要特別注意的還是“\b”，不同的聲明方式，“\b”的意義是不同的。

復制代碼 代碼如下:

string test = "one line. \n another line.";
List<Regex> list = new List<Regex>();
list.Add(new Regex("line\b"));
list.Add(new Regex("line\\b"));
list.Add(new Regex(@"line\b"));
list.Add(new Regex(@"line\\b"));
foreach (Regex reg in list)
{
     richTextBox2.Text += "正則表達式：" + reg.ToString() + "\n";
     MatchCollection mc = reg.Matches(test);
     foreach (Match m in mc)
     {
          richTextBox2.Text += "匹配內容：" + m.Value + "   匹配起始位置：" + m.Index + "   匹配長度：" + m.Length + "\n";
     }
     richTextBox2.Text += "匹配總數：" + reg.Matches(test).Count + "\n----------------\n";
}
/*--------輸出--------
正則表達式：line_
匹配總數：0
----------------
正則表達式：line\b
匹配內容：line   匹配起始位置：4   匹配長度：4
匹配內容：line   匹配起始位置：20   匹配長度：4
匹配總數：2
----------------
正則表達式：line\b
匹配內容：line   匹配起始位置：4   匹配長度：4
匹配內容：line   匹配起始位置：20   匹配長度：4
匹配總數：2
----------------
正則表達式：line\\b
匹配總數：0
----------------
*/

正則表達式一Regex("line\b")，這里的“\b”是退格符，是不經過正則引擎轉義的。源字符串中是沒有的，所以匹配結果為0。
正則表達式二Regex("line\\b")，是以正則表達式形式來聲明正則的，這里的“\\b”是單詞邊界，是經過正則引擎轉義的。
正則表達式三Regex(@"line\b")，與正則表達式二等價，指單詞邊界。
正則表達式四Regex(@"line\\b")，其實這個表示的是字符“\”后面跟一個字符“b”，是兩個字符，這個在源字符串中自然是找不到匹配項的。
2.5     .NET正則應用中其它轉義處理
.NET正則應用中還有一些其它轉義方式，雖然用得不多，但也順便提一下吧。
需求：把字符串中“<”和“>”之間的數字前加上“$”

復制代碼 代碼如下:

string test = "one test <123>, another test <321>";
Regex reg = new Regex(@"<(\d+)>");
string result = reg.Replace(test, "<$$1>");
richTextBox2.Text = result;
/*--------輸出--------
one test <$1>, another test <$1>
*/
也許你會驚奇的發現，替換結果不是在數字前加了“$”，而是將所有數字都替換為“$1”了。
為什么會這樣呢，這是因為在替換結構中，“$”是有特殊意義的，在它后面接數字，表示對對應編號捕獲組匹配結果的引用，而有些情況下，需要在替換結果中出現“$”字符本身，但它后面又跟了數字，這時候就需要用“$$”對它進行轉義了。而上面這個例子卻恰恰是由于這種轉義效果導致出現了異常結果，要規避這一問題，可以使替換結果中不出現對捕獲組的引用。
string test = "one test <123>, another test <321>";
Regex reg = new Regex(@"(?<=<)(?=\d+>)");
string result = reg.Replace(test, "$");
richTextBox2.Text = result;
/*--------輸出--------
one test <$123>, another test <$321>
*/

3 JavaScript及Java中的轉義符
JavaScript及Java中正則的轉義符處理，以字符串形式聲明時，基本上都是與.NET中一致的，簡單的介紹一下。
在JavaScript中，以字符串形式聲明正則，與C#中的表現是一樣的，同樣會顯得很笨拙。

復制代碼 代碼如下:

<script type="text/javascript">
    var data = ["\\", "\\\\"];
    var reg = new RegExp("^\\\\$", "");
    for(var i=0;i<data.length;i++)
    {
        document.write("源字符串：" + data[i]  + "   匹配結果：" + reg.test(data[i]) + "<br />");
    }
</script>
/*--------輸出--------
源字符串：\ 匹配結果：true
源字符串：\\ 匹配結果：false
*/

JavaScript中雖然沒有提供C#中這種“@”方式的字符串聲明方式，但提供了另一種正則表達式的專有聲明方式。

復制代碼 代碼如下:

<script type="text/javascript">
    var data = ["\\", "\\\\"];
    var reg = /^\\$/;
    for(var i=0;i<data.length;i++)
    {
        document.write("源字符串：" + data[i]  + "   匹配結果：" + reg.test(data[i]) + "<br />");
    }
</script>
/*--------輸出--------
源字符串：\ 匹配結果：true
源字符串：\\ 匹配結果：false
*/

JavaScript中
var reg = /Expression/igm;
這種聲明方式，一樣可以簡化含有轉義符的正則。
當然，以這種形式聲明正則時，“/”自然也就成為了元字符，正則中出現這一字符時，必須進行轉義處理。比如匹配鏈接中域名的正則
var reg = /http:\/\/:([^\/]+)/ig;
很不幸的是，在Java中，目前只提供了一種正則聲明方式，也就是字符串形式的聲明方式

復制代碼 代碼如下:

String test[] = new String[]{"\\", "\\\\" };
String reg = "^\\\\$";
for(int i=0;i<test.length ;i++)
{
  System.out.println("源字符串：" + test[i] + "   匹配結果：" + Pattern.compile(reg).matcher(test[i]).find());
}
/*--------輸出--------
源字符串：\   匹配結果：true
源字符串：\\   匹配結果：false
*/

只能期待Java的后續版本能提供這方面的優化了。

感謝你能夠認真閱讀完這篇文章，希望小編分享的“正則中如何轉義”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!