oracle正则转译竖线,正则基础之神奇的转义

约定不等于承诺〃 2023-01-19 04:45 13阅读 0赞

1 概述这或许会是一个让人迷惑，甚至感到混乱的话题，但也正因为如此，才有了讨论的必要。

在正则中，一些具有特殊意义的字符，或是字符序列，被称作元字符，如“?”表示被修饰的子表达式匹配0次或1次，“(?i)”表示忽略大小写的匹配模式等等。而当这些元字符被要求匹配其本身时，就要进行转义处理了。

不同的语言或应用场景下，正则定义方式、元字符出现的位置不同，转义的方式也是林林总总，不一而同。

2 .NET正则中的字符转义2.1     .NET正则中的转义符

绝大多数语言中，“\\”都被作为转义符，用来转义一些具有特殊意义的字符或字符序列，比如“\\n”表示换行，“\\t”表示水平制表符等。而这样的转义，应用到正则中，又会有一些意想不到的变化。

话题由C\#中一个正则问题引出

string\[\] test = new string\[\]\{"\\\\", "\\\\\\\\"\};

Regex reg = new Regex("^\\\\\\\\$");

foreach (string s in test)

richTextBox2.Text += "源字符串： " + s.PadRight(5, ' ') + "匹配结果： " + reg.IsMatch(s) + "\\n";

/\*--------输出--------

源字符串： \\    匹配结果： True

源字符串： \\\\   匹配结果： False

\*/

对于这个结果，或许有人会感到迷惑，字符串中的“\\\\”不是代表一个经过转义的“\\”字符吗？而“\\\\\\\\”不就应该代表两个经过转义的“\\”字符吗？那么上面正则匹配的结果应该是第一个为False，第二个为True才对啊？

对于这一问题，直接解释或许不太容易理解，还是换种方式来解释吧。

比如要匹配的字符是这样的

string test = "(";

那么正则如何写呢？因为“(”在正则中是有特殊意义的，所以写正则时必须对它进行转义，也就是“\\(”，而在字符串中，要使用“\\\\” 来表示“\\”本身，也就是

Regex reg = new Regex("^\\\\($");

这个如果理解了，那再把“(”换回“\\”，同样道理，在字符串中，要使用“\\\\” 来表示“\\”本身，也就是

Regex reg = new Regex("^\\\\\\\\$");

通过这样的分析，可以看出，其实在以字符串形式声明的正则中，“\\\\\\\\”匹配的实际上就是单独的一个“\\”字符。总结一下它们之间的关系：

输出到控制台或界面的字符串：\\

程序中声明的字符串：string test = "\\\\";

程序中声明的正则：Regex reg = new Regex("^\\\\\\\\$");

这样解释是不是已经可以理解了，那么是不是感觉这样很笨拙？是的，在程序中以字符串形式声明的正则，涉及到转义符时就是这样笨拙的。

所以在C\#中，还提供了另一种字符串声明方式，在字符串前加个“@”，就可以忽略转义。

string\[\] test = new string\[\] \{ @"\\", @"\\\\" \};

Regex reg = new Regex(@"^\\\\$");

foreach (string s in test)

richTextBox2.Text += "源字符串： " + s.PadRight(5, ' ') + "匹配结果： " + reg.IsMatch(s) + "\\n";

/\*--------输出--------

源字符串： \\    匹配结果： True

源字符串： \\\\   匹配结果： False

\*/

这样就简洁多了，也符合通常的理解。

但同时也带来另一个问题，就是双引号的转义处理。在普通的字符串声明中，可以用“\\””对双引号进行转义。

string test = "only a test";

但是在字符串前加了“@”后，“\\”会被识别为“\\”字符本身，这样就不能用“\\””对双引号进行转义了，需要用“”””对双引号进行转义。

string test = @"only a test";

而在VB.NET中，正则的定义只有一种形式，与C\#中加了“@”后的定义方式是一致的。

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) & "匹配结果：" & reg.IsMatch(s) & vbCrLf

'--------输出--------

'源字符串：\\    匹配结果：True

'源字符串：\\\\   匹配结果：False

'--------------------

2.2     .NET正则中需要转义的元字符

在MSDN中，以下字符作为正则中的元字符，在匹配其本身时，需要对其进行转义

. $ ^ \{ \[ ( | ) \* + ? \\

但实际应用中，还要根据实际情况来判断，以上字符可能不需要转义，也可能不止以上字符需要转义。

在正常的正则书写过程中，以上字符的转义通常都能被编写人员正常处理，但是在动态生成正则时，就需要格外的注意，否则变量中包含元字符时，动态生成的正则在编译时可能会抛异常。好在.NET中提供了Regex.Escape方法来处理这一问题。比如根据动态获取的id来提取相应的div标签内容。

string id = Regex.Escape(textBox1.Text);

Regex reg = new Regex(@"(?is)

\]\*>(?>

\]\*>(?)|

(?)|(?:(?!?div\\b).)\*)\* (?(o)(?!))

");

如果不做转义处理，那么动态获取的id如果为“abc(def”这种形式，程序运行过程中就会抛出异常了。

2.3     .NET正则中字符组的转义

在字符组\[\]中，元字符通常是不需要转义的，甚至于“\[”也是不需要转义的。

string test = @"the test string:  . $ ^ \{ \[ ( | ) \* + ? \\";

Regex reg = new Regex(@"\[.$^\{\[(|)\*+?\\\\\]");

MatchCollection mc = reg.Matches(test);

foreach (Match m in mc)

richTextBox2.Text += m.Value + "\\n";

/\*--------输出--------

(

)

\*/

但是在正则书写时，字符组中的“\[”还是建议使用“\\\[”对其转义的，正则本身就已经是非常抽象，可读性很低的了，如果在字符组中再掺杂进这样不经转义的“\[”，会使得可读性更差。而且在出现不正确的嵌套时，可能会导致正则编译异常，以下正则在编译时就会抛异常的。

Regex reg = new Regex(@"\[.$^\{\[(\]|)\*+?\\\\\]");

然而，.NET的字符组中，是支持集合减法的，在这种正常语法形式下，是允许字符组嵌套的。

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";

/\*--------输出--------

bcd

fgh

jklmn

pqrst

vwxyz

\*/

这种用法可读性很差，应用也很少见，即使有这种需求也可以通过其它方式实现，了解一下即可，不必深究。

话题再回到转义上，字符组中必须转义的只有“\\”，而“\[”和“\]”出现在字符组中时，也是建议一定做转义处理的。另外有两个字符“^”和“-”，出现在字符组中特定位置时，如果要匹配其本身，也是需要转义的。

“^”出现在字符组开始位置，表示排除型字符组，“\[^Char\]”也就是匹配除字符组中包含的字符之外的任意一个字符，比如“\[^0-9\]”表示除数字外的任意一个字符。所以在字符组中，要匹配“^”字符本身，要么不放在字符组开始位置，要么用“\\^”进行转义。

Regex reg1 = new Regex(@"\[0-9^\]");

Regex reg2 = new Regex(@"\[\\^0-9\]");

这两种方式都表达匹配任意一个数字或普通字符“^”。

至于“-”在字符组中特殊性，举一个例子。

string test = @"$";

Regex reg = new Regex(@"\[\#-\*%&\]");

richTextBox2.Text = "匹配结果：" + reg.IsMatch(test);

/\*--------输出--------

匹配结果：True

\*/

正则表达式中明明没有“$”，为什么匹配结果会是“True”呢？

\[\]支持用连字符“-”连接两个字符，来表示一个字符范围。需要注意的是，“-”前后的两个字符是有顺序的，在使用相同的编码时，后面的字符码位应大于或等于前面字符的码位。

for (int i = '\#'; i <= '\*'; i++)

richTextBox2.Text += (char)i + "\\n";

/\*--------输出--------

(

)

\*/

由于“\#”和“\*”符合要求，“\[\#-\*\]”可以表示一个字符范围，其中就包含了字符“$”，所以上面的正则是可以匹配“$”的，如果只是把“-”当作一个普通字符处理，那么要么换个位置，要么把“-”转义。

Regex reg1 = new Regex(@"\[\#\*%&-\]");

Regex reg2 = new Regex(@"\[\#\\-\*%&\]");

这两种方式都表示匹配字符组中列举的字符中的任意一个。

在字符组中，还有一个比较特殊的转义字符，“\\b”出现在正则表达式中一般位置时，表示单词边界，也就是一侧为组成单词的字符，另一侧不是；而当“\\b”出现在字符组中时，表示的是退格符，与普通字符串中出现的“\\b”意义是一样的。

2.4     .NET正则应用中不可见字符转义处理

对于一些不可见字符，要在字符串中表示时，需要用转义字符，比较常见的有“\\r”、“\\n”、“\\t”等等，而这些字符在正则中应用，就变得有些神奇了，先看一段代码。

string test = "one line. \\n another line.";

List list = new List();

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 += "正则表达式：" + reg.ToString();

MatchCollection mc = reg.Matches(test);

foreach (Match m in mc)

richTextBox2.Text += "   匹配内容：" + m.Value + "   匹配起始位置：" + m.Index + "   匹配长度：" + m.Length;

richTextBox2.Text += "   匹配总数：" + reg.Matches(test).Count + "\\n----------------\\n";

/\*--------输出--------

正则表达式：

匹配内容：

匹配起始位置：10   匹配长度：1   匹配总数：1

\----------------

正则表达式：\\n   匹配内容：

匹配起始位置：10   匹配长度：1   匹配总数：1

\----------------

正则表达式：\\n   匹配内容：

匹配起始位置：10   匹配长度：1   匹配总数：1

\----------------

正则表达式：\\\\n   匹配总数：0

\----------------

\*/

可以看到，前三种写法，输出的正则虽不同，但执行结果却是完全相同的，只有最后一种是没有匹配的。

正则表达式一Regex("\\n")，其实就是以普通字符串形式来声明正则的，与用Regex("a")来匹配字符“a”是同样的道理，是不经过正则引擎转义的。

正则表达式二Regex("\\\\n")，是以正则表达式形式来声明正则的，正如正则中的“\\\\\\\\”就等同于字符串中的“\\\\”一样，正则中的“\\\\n”就等同于字符串中的“\\n”，是经过正则引擎转义的。

正则表达式三Regex(@"\\n")，与正则表达式二等价，是字符串前加“@”的写法。

正则表达式四Regex(@"\\\\n")，其实这个表示的是字符“\\”后面跟一个字符“n”，是两个字符，这个在源字符串中自然是找不到匹配项的。

这里需要特别注意的还是“\\b”，不同的声明方式，“\\b”的意义是不同的。

string test = "one line. \\n another line.";

List list = new List();

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 += "正则表达式：" + reg.ToString() + "\\n";

MatchCollection mc = reg.Matches(test);

foreach (Match m in mc)

richTextBox2.Text += "匹配内容：" + m.Value + "   匹配起始位置：" + m.Index + "   匹配长度：" + m.Length + "\\n";

richTextBox2.Text += "匹配总数：" + reg.Matches(test).Count + "\\n----------------\\n";

/\*--------输出--------

正则表达式：line\_

匹配总数：0

\----------------

正则表达式：line\\b

匹配内容：line   匹配起始位置：4   匹配长度：4

匹配内容：line   匹配起始位置：20   匹配长度：4

匹配总数：2

\----------------

正则表达式：line\\b

匹配内容：line   匹配起始位置：4   匹配长度：4

匹配内容：line   匹配起始位置：20   匹配长度：4

匹配总数：2

\----------------

正则表达式：line\\\\b

匹配总数：0

\----------------

\*/

正则表达式一Regex("line\\b")，这里的“\\b”是退格符，是不经过正则引擎转义的。源字符串中是没有的，所以匹配结果为0。

正则表达式二Regex("line\\\\b")，是以正则表达式形式来声明正则的，这里的“\\\\b”是单词边界，是经过正则引擎转义的。

正则表达式三Regex(@"line\\b")，与正则表达式二等价，指单词边界。

正则表达式四Regex(@"line\\\\b")，其实这个表示的是字符“\\”后面跟一个字符“b”，是两个字符，这个在源字符串中自然是找不到匹配项的。

2.5     .NET正则应用中其它转义处理

.NET正则应用中还有一些其它转义方式，虽然用得不多，但也顺便提一下吧。

需求：把字符串中“”之间的数字前加上“$”

string test = "one test <123>, another test <321>";

Regex reg = new Regex(@"");

string result = reg.Replace(test, "");

richTextBox2.Text = result;

/\*--------输出--------

one test , another test

\*/

也许你会惊奇的发现，替换结果不是在数字前加了“$”，而是将所有数字都替换为“$1”了。

为什么会这样呢，这是因为在替换结构中，“$”是有特殊意义的，在它后面接数字，表示对对应编号捕获组匹配结果的引用，而有些情况下，需要在替换结果中出现“$”字符本身，但它后面又跟了数字，这时候就需要用“$$”对它进行转义了。而上面这个例子却恰恰是由于这种转义效果导致出现了异常结果，要规避这一问题，可以使替换结果中不出现对捕获组的引用。

string test = "one test <123>, another test <321>";

Regex reg = new Regex(@"(?<=)");

string result = reg.Replace(test, "$");

richTextBox2.Text = result;

/\*--------输出--------

one test , another test

\*/

3 JavaScript及Java中的转义符JavaScript及Java中正则的转义符处理，以字符串形式声明时，基本上都是与.NET中一致的，简单的介绍一下。

在JavaScript中，以字符串形式声明正则，与C\#中的表现是一样的，同样会显得很笨拙。

var data = \["\\\\", "\\\\\\\\"\];

var reg = new RegExp("^\\\\\\\\$", "");

for(var i=0;i