正则表达式分组、断言详解

正则表达式分组，断言详解

参考

举个例子

比如要抓取到 html 源码里的 <title>xxx</title>, 里面的 xxx。按照基本的操作，只能 <title> .*</title> 而这样写匹配出来的是完整的<title>xxx</title>标签，并不是单纯的页面标题 xxx。

想解决以上问题，就要用到断言知识。

在讲断言之前，读者应该先了解分组，这有助于理解断言。

分组在正则中用()表示，分组的作用有两个：

• 将某些规律看成是一组，然后进行组级别的重复，可以得到意想不到的效果。
• 分组之后，可以通过后向引用简化表达式。

继续举例子

在匹配 ip 地址时，我们可以这样写

\d{1,3}.\d{1,3}.\d{1,3}.\d{1,3}

发后面重复，利用分组，我们可以这样简写

\d{1,3}(.\d{1,3}){3}

然后我们再利用分组的做法，优化哈上个例子

普通写法

<title>.*</title>

使用分组简写

<(title)>.*</\1>

说明：这里 \1 叫反向引用 其实是引用了第一个括号中里也就是第一个分组里的文本内容。整正则式子默认为第 0 组，而第一个小括号扩住的分组就是第一组，依次类推。通过 \index 引用某组的文本内容, 切记 引用的不是正则表达式，而是匹配的文本结果

然后我们再使用反向引用，来匹配哈上面的 ip 地址

简化后如下

(\d{1,3})(.\1){3}

解释：把 \d{1,3} 成组,， 再通过 \1 引用该分组，在对此引用连续匹配 3 次。

但是这样写是错误的 ❌

这样匹配的 ip 每一段都是相同的，比如 123.123.123.123

因为 后向引用，引用的仅仅是文本内容，而不是正则表达式!

然后继续说 断言

所谓断言，多用于匹配，没有什么规律的文本，通过匹配他的前后文，反推出它来。

即通过判断 需匹配文本 的前边或后边，将会出现满足某种规律的字符串。**并且断言只是条件，帮你找到真正需要的字符串，本身并不会匹配！也没有编号，所以不能用来后向引用**

符号	描述
?=	正先行断言-存在
?!	负先行断言-排除
?<=	正后发断言-存在
?<!	负后发断言-排除

就拿文章开篇的例子来说，我们想要的是xxx，它没有规律，但是它前边肯定会有`<title>`，后边肯定会有`</title>`，这就足够了。

想指定 xxx 前肯定会出现<title>，就用正后发断言，表达式：(?<=<title>).*

向指定 xxx 后边肯定会出现</title>，就用正先行断言，表达式：.*(?=</title>)

两个加在一起，这样就能匹配到 xxx。

(?<=<title>).*(?=</title>)

无论正先行断言还有正后发断言，都是相对需匹配的文本(上文的 xxx)判断的。

也就是说，断言的名称，正先行还是正后发，即是相对匹配目标而定的。

如果匹配目标后边有条件，也就是目标字符串在前，即使用正先行断言 ?=

如果匹配目标前边有条件，也就是目标字符串在后，即使用正后发断言 ?<=