利用JavaScript正则表达式分组捕获未匹配内容

理解正则表达式中的分段捕获挑战

在构建文本处理工具，例如代码编辑器中的语法高亮或解析器时，我们经常面临一个挑战：如何将字符串精确地分割成多个部分，其中一些部分匹配特定模式，而另一些部分则包含所有不匹配这些特定模式的“剩余”内容。

例如，我们可能需要识别字符串中的特定引用文本，同时又希望捕获所有非引用文本。直观地，我们可能会尝试使用类似 (pattern1)|(pattern2)|(.*) 的正则表达式。然而，.* 这样的贪婪匹配通常会带来问题，因为它可能会在其他更具体的模式有机会匹配之前就捕获了整个字符串的剩余部分，导致匹配结果不符合预期。

另一个常见的误解是尝试使用反向引用（backreference）来捕获未匹配的内容，例如 (a)|(^\1)。这里的 \1 指的是第一个捕获组 实际匹配到的文本，而不是它所代表的 正则表达式模式。因此，^\1 无法表达“不匹配第一个模式”的语义。此外，^ 锚点表示字符串的开始，也与这里的意图不符。

解决方案：利用负向先行断言

解决上述问题的关键在于使用负向先行断言 (Negative Lookahead)。负向先行断言 (?!...) 是一种非捕获组，它断言紧随其后的内容 不 匹配 ... 中的模式，但它本身不消耗任何字符。通过结合负向先行断言和任意字符匹配，我们可以构建一个捕获“任何不匹配特定模式”内容的模式。

通用正则表达式模式

以下是实现这一目标的核心通用模式：

立即学习“Java免费学习笔记（深入）”；

(regex1)|(regex2)|((?:(?!regex1|regex2).)*)

这个模式的构成如下：

• (regex1): 第一个捕获组，用于匹配您的第一个特定正则表达式模式。
• |: 逻辑或操作符，表示匹配 regex1 或 regex2 或第三个模式。
• (regex2): 第二个捕获组，用于匹配您的第二个特定正则表达式模式。
• |: 再次使用逻辑或。
• ((?:(?!regex1|regex2).)*): 这是捕获所有未匹配内容的第三个捕获组。
  • (?:...): 这是一个非捕获组，用于将 (?!regex1|regex2). 作为一个整体进行量化。
  • (?!regex1|regex2): 负向先行断言。它断言当前位置的字符 不是 regex1 或 regex2 的开头。
  • .: 匹配任何单个字符（除了换行符，除非使用 s 标志）。
  • *: 量词，表示前面的模式（即“不是 regex1 或 regex2 开头的任意单个字符”）可以重复零次或多次。

结合起来，((?:(?!regex1|regex2).)*) 的含义是：匹配并捕获任意数量的字符，只要这些字符的当前位置不构成 regex1 或 regex2 的起始。

示例：区分字符 'a' 与非 'a'

为了更好地理解，我们来看一个简化的例子：将字符串分割成所有字符 'a' 和所有非 'a' 的字符。

[置顶]Android中的JSON详细总结 中文WORD版

JSON(JavaScript Object Notation) 定义：一种轻量级的数据交换格式，具有良好的可读和便于快速编写的特性。业内主流技术为其提供了完整的解决方案（有点类似于正则表达式，获得了当今大部分语言的支持），从而可以在不同平台间进行数据交换。JSON采用兼容性很高的文本格式，同时也具备类似于C语言体系的行为。有需要的朋友可以下载看看

下载

使用上述通用模式，我们可以得到以下正则表达式：

/(a)|((?:(?!a).)*)/g

让我们分解这个正则表达式的工作原理：

1. (a): 尝试匹配单个字符 'a'。如果匹配成功，它将被第一个捕获组捕获。
2. |: 如果第一个模式没有匹配，则尝试第二个模式。
3. *`((?:(?!a).))`**:
   • (?!a): 检查当前位置的下一个字符是否 不是 'a'。
   • .: 如果 (?!a) 为真（即下一个字符不是 'a'），则匹配当前字符。
   • *: 重复这个过程，直到遇到 'a' 或字符串结束。所有这些非 'a' 的字符将被第二个捕获组捕获。

实践应用：

考虑字符串 "banana"：

• 第一次匹配：b。(a) 不匹配。((?:(?!a).)*) 匹配 b。
• 第二次匹配：a。(a) 匹配 a。
• 第三次匹配：n。(a) 不匹配。((?:(?!a).)*) 匹配 n。
• 第四次匹配：a。(a) 匹配 a。
• 第五次匹配：n。(a) 不匹配。((?:(?!a).)*) 匹配 n。
• 第六次匹配：a。(a) 匹配 a。

通过迭代匹配，我们能够精确地将 'a' 和非 'a' 的字符分开。

注意事项

1. 全局标志 g: 在需要匹配整个字符串并捕获所有分段时，务必使用全局标志 g。
2. 性能考量: 负向先行断言虽然强大，但在非常复杂的正则表达式或处理超长字符串时，可能会对性能产生一定影响。这是因为引擎可能需要回溯来检查断言条件。
3. 模式的顺序: 在 (regex1)|(regex2)|((?:(?!regex1|regex2).)*) 这样的结构中，regex1 和 regex2 的顺序很重要。更具体的、更短的或出现频率更高的模式通常放在前面，以优化匹配效率。
4. *避免 `.的陷阱**: 永远不要在这样的多分支匹配中，将(.*)` 作为捕获“其余”内容的最终分支，除非你明确知道它不会抢占其他更具体的模式。负向先行断言是解决此问题的正确方法。
5. 锚点 ^ 和 $: ^ 和 $ 分别匹配字符串的开始和结束（或行开始/结束，如果使用 m 标志）。它们是位置断言，不匹配任何字符。在需要匹配字符本身时，不要误用它们。

总结

通过巧妙地运用负向先行断言 (?!...)，我们可以在JavaScript正则表达式中实现高级的分段捕获逻辑。这种技术使得我们能够精确地定义和捕获字符串中符合特定模式的部分，以及所有不符合这些模式的剩余部分。这对于构建复杂的文本解析器、语法高亮器或任何需要细粒度字符串分割的应用程序都至关重要。理解并掌握这一模式，将极大地提升您在正则表达式应用中的能力。