正则表达式随笔.docx

正则表达式随笔 文 / 余晟 环视结构( look-around ) 分析日志(或普通数据文件)，恐怕是大家在日常工作中经常遇到的问题，正则表达式 应当是理所当然的选择，简单的正则表达式应用，大家应该都会，即使暂时不熟悉，查 查资料也能解决。但是，有时候情况复杂，看起来正则表达式往往 “束手无策 ”，其实事 实并非如此。在这篇文章中，我们通过一个具体的例子，来讲解正则表达式的高级技巧。 事情源于朋友的一封来信： “最近我遇到个小问题：公司让我处理日志文件，说实话我还真是巧，本来没有打算学正 则，要是没有正则可能我这次还不知道怎么处理。简单说一下，主要任务是逐行读取数 据，对每行内容进行分析，第一行是字段名，其余是日志内容，行与行之间没有联系， 每行中字段内容用逗号隔开(但前两个字段和最后两个字段没有引号包围)，逗号中的 数据内容是用引号包围起来的，因为在生成日志的时候，没有考虑到在引号中的数据会 存在逗号，所以无法整齐用切割函数类似 split() 的函数以逗号进行分割。所以我想了一 个办法：把引号中的逗号全部换成别的符号，这样就可以切割了，我想了个正则表达式 『(FT) 』，用它来找出引号字段，然后将其中的逗号替换掉，再处理。不知道有没 有其它更好的办法？ ” 示例： 2007-11-6 0:41:37,15,98,Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; .NETCLR .1.4322),gzzstresw,jgubrmkizefns55,,/ShowData.aspx, ?db=cecdbid=h17753p=, 大发财集团有限公司 ,浏览免费数据, /somepath/07002.html,d1 ,,db=cecdbdt=dataid=h17753p=0,0,0 ,浏览免费数据 在这行数据中，共有两个字段包含引号且其中有逗号，它们分别是： gzzstresw,jgubrmkizefns55 d1, 浏览免费数据 类似的任务，许多读者应该都遇到过；类似的问题，或许大家都经历过 —— 应用正则表 达式时，有没有更好的办法？答案是：有，我们可以只用一个正则表达式，一个函数， 实现完美的切分！ 在详细的讲解之前，我们先罗列问题的特征： 每行数据分为许多字段，以逗号分隔 有的字段以引号包围，有的没有引号 有引号的字段不可能出现在这一行的开头和结尾 引号包围的字段中，可能存在逗号（补充一点，逗号不可能紧挨引号，而且这样的字 段中逗号只有一个） 了解了这个问题，我们就可以着手考虑如何应用正则表达式了。我们知道，正则表达式 的应用方式，通常有三大类：查找、替换和切分。查找，也叫提取、搜索，是从文本中 提取具有某种结构特征的字符串；替换，类似于替换，是操作文本中具有某种结构特征 的字符串，不过替换的字符串根据被替换字符串的内容动态生成；切分，是先在文本中 进行查找，找到所有（或部分）具有某种结构特征的字符串，以它们为分隔符，将文本 切分开来。针对这个具体的问题，我们最先想到的操作就是：切分。 如果使用切分，则作为切分符的逗号必须满足下面两个要求之一： 1. 之前和之后都是引号； 2. 不在引号字段之内。 针对第一个要求，选择的逗号之前和之后都必须有引号，写成正则表达式就是 『(?=),(?=) 』，在这里我们使用了如今大多数正则表达式系统都支持环视 ( look-around )结构，用来规定需要查找的文本之前和之后的文本特征。其中的 『 (?=),(?=) 』称为逆序环视( look-behind )结构，表示逗号之前(左侧)必须出 现一个引号，『 (?=),(?=) 』是顺序环视( look-ahead )结构，表示逗号之后(右 侧)必须出现一个引号。在这里，『 (?=) 』和『 (?=) 』都是正则表达式预先定义的 特殊结构，它们非常形象，大家在使用时可以按照具体的要求，把引号替换成自己需要 的子表达式； 第二点要求逗号不能在引号字段内，如何判断逗号是否在引号字段内呢？我们不妨这样 想：如果逗号在引号字段内，那么它与之前(左边)的第一个逗号(或者行开头位置) 之间，必然存在引号(因为引号字段内不可能存在多于一个的逗号)。也就是说，我们 要寻找的逗号与它之前的第一个逗号之间，不容许存在引号。仍然使用环视结构，我们 得到这样一个正则表达式『(?=(F)F]+), 』。其中『(?=(F)F]+), 』对应 之前的逗号或是行开头位置，而『(?=(,|A)[A]+), 』表示两个逗号(或行开头与逗 号)之间的字符不能是引号，否则就会匹配失败。这个表达式能够找到的逗号，应该就 是我们需要的逗号了。 最后，因为这两个要求是 “或( or )”的关系，我们使用多选分支将它们并列起来，