正则表达式后向引用详解

smart_fg

                               正则表达式后向引用详解
反向引用，指把匹配出来的组引用到表达式本身其它地方，比如，在匹配HTML的标记时，我们匹配出一个＜a＞,我们要把匹配出来的a引用出来，用来找到＜/a＞，这个时候就要用到反向引用。
　　语法
　　a、反向引用编号的组，语法为\number
　　b、反向引用命名的组，语法为\k＜name＞
反向引用提供查找重复字符组的方便的方法。它们可被认为是再次匹配同一个字符串的快捷指令。
例如，若要查找重复且相邻的字符（如单词“tall”中的两个 L），可以使用正则表达式 (?\w)\k，该正则表达式使用元字符 \w 来查找任何单个单词的字符。分组构造 (? ) 将元字符括在其中，以强制正则表达式引擎记住子表达式匹配（在此示例中将是任意单个字符），并以名称“char”保存它。反向引用构造 \k 使引擎对当前字符和以名称“char”存储的先前匹配字符进行比较。只要单个字符与其前面的字符相同，整个正则表达式就可以找到一个匹配。
要找到重复的全字，您可以修改该分组子表达式，以搜索前面是空格的任何字符组，而不是只搜索任意单个字符。可以用匹配任何字符组的子表达式 \w+ 替换元字符 \w，并使用元字符 \s 匹配字符分组前的空格。这就生成了正则表达式 (?\s\w+)\k，该正则表达式查找任何重复的全字（例如“the the”），但也会匹配指定字符串的其他重复情况，例如词组“the theory”中的重复情况。
为验证上述第二种匹配是以单词为边界的，可以将元字符 \b 添加到重复匹配的后面。所生成的正则表达式 (?\s\w+)\k\b 只查找重复的、前面有空格的全字。
分析反向引用
表达式 \1 到 \9 总是指反向引用，而不是八进制代码。多位表达式 \11 和更高位表达式在具有与该号码对应的反向引用时被视作反向引用；否则，它们会被解释为八进制代码（除非起始位是 8 或 9，在这种情况下它们被视为原义的“8”和“9”）。如果正则表达式包含对未定义的组成员的反向引用，则它被视作分析错误。如果有多义性问题，可以使用 \k 表示法，该表示法是明确的，并且不会与八进制符号代码混淆；同样，诸如 \xdd 等的十六进制代码也是明确的，并且不会与反向引用混淆。
当
ECMAScript
选项标志被启用时，反向引用行为将稍有不同。有关更多信息，请参见
ECMAScript 与规范化匹配行为
。
匹配反向引用
反向引用引用组的最近的定义（当从左到右匹配时，最靠近左侧的定义）。具体地讲，就是当组建立多个捕获时，反向引用引用最近的捕获。例如，(?a)(?\1b)* 使用捕获模式 (a)(ab)(abb) 来匹配 aababb。循环限定符不清除组定义。
如果一个组尚未捕获任何子字符串，则对该组的反向引用是未定义的并且永远不匹配。例如，表达式 \1() 永远不匹配任何字符串，但是表达式 ()\1 匹配空字符串。
举例
　　a、匹配成对的HTML标签
@"＜(?＜tag＞[^\s＞]+)[^＞]*＞.*＜/\k＜tag＞＞"
　　b、匹配两个两个重叠出现的字符
public static void Main()
{
string s = "aabbc11asd";
Regex reg = new Regex(@"(\w)\1");
MatchCollection matches = reg.Matches(s);
foreach(Match m in matches)
Console.WriteLine(m.Value);
Console.ReadLine();
}
　　返回结果为aa bb 11
　　辅助匹配组
　　以下几种组结构，括号中的Pattern都不作为匹配结果的一部分进行保存
　　1、正声明(?=)
　　涵义：括号中的模式必须出现在声明右侧，但不作为匹配的一部分
public static void Main()
{
string s = "C#.net,VB.net,PHP,Java,JScript.net";
Regex reg = new Regex(@"[\w\#]+(?=\.net)",RegexOptions.Compiled);
MatchCollection mc = reg.Matches(s);
foreach(Match m in mc)
Console.WriteLine(m.Value);
Console.ReadLine();
//输出 C# VB JScript
}
　　可以看到匹配引擎要求匹配.net，但却不把.net放到匹配结果中
　　2、负声明(?!)
　　涵义：括号中的模式必须不出现在声明右侧
　　下例演示如何取得一个＜a＞标签对中的全部内容，即使其中包含别的HTML tag。
public static void Main()
{
string newsContent = @"url:＜a href=""1.html""＞＜img src=""1.gif""＞test＜span style=""color:red;""＞Regex＜/span＞＜/a＞.";
Regex regEnd = new Regex(@"＜\s*a[^＞]*＞([^＜]|＜(?!/a))*＜\s*/a\s*＞",RegexOptions.Multiline);
Console.WriteLine(regEnd.Match(newsContent).Value);
//Result: ＜a href="1.html"＞＜img src="1.gif"＞test＜span style="color:red;"＞Regex＜/span＞＜/a＞
Console.ReadLine();
}
　　3、反向正声明(?＜=)
　　涵义：括号中的模式必须出现在声明左侧，但不作为匹配的一部分
　　4、反向负声明(?＜!)
　　涵义：括号中的模式必须不出现在声明左侧
　　非回溯匹配
　　语法：(?＞)
　　涵义：该组匹配后，其匹配的字符不能通过回溯用于后面的表达式的匹配。呵呵，光看这句话肯定搞不懂，我当初为了搞懂这个也花了不少的时间，还是通过实例来说明吧：
"www.csdn.net" 可以通过@"\w+\.(.*)\.\w+"来匹配，却不能通过@"\w+\.(?＞.*)\.\w+"来匹配！为什么呢？
　　原因是正则匹配是贪婪的，匹配时它会尽可能多的匹配最多的结果，所以，上例两个正则式中的.*都会把csdn.net匹配完， 这个时候，第一个表达式在开始匹配时发现\.\w+没得字符给它匹配了，所以它会进行回溯，所谓回溯，就是把.*匹配的结果往回推，回推留出来的字符再用来匹配\.\w+,直到\.\w+匹配成功，整个表达式返回成功的匹配结果。而第二个表达式，因使用的是非回溯匹配，所以，.*匹配完后，不允许通过回溯来匹配\.\w+，所以整个表达式匹配失败。
　　请注意，回溯匹配是很浪费资源的一种匹配方式，所以，请尽量避免您的正则式要通过回溯来成功匹配，如上例，可以换成@"\w+\.([^\.]+\.)+\w+"+"。


本文来自ChinaUnix博客，如果查看原文请点：http://blog.chinaunix.net/u2/76389/showart_1164320.html