复杂正则表达式原来是纸老虎

Home PDF English

最近在研究 HTML 解析，遇到一个正则表达式：

/([\w-:\*>]*)(?:\#([\w-]+)|\.([\w-]+))?(?:\[@?(!?[\w-:]+)(?:([!*^$]?=)["']?(.*?)["']?)?\])?([\/, ]+)/is

它用来匹配 CSS 选择器，比如 div > ul。

过去见过很多这样复杂的表达式，我都本能地退缩了。今天就来彻底搞明白它！男人，该对自己狠一点！

匹配 `div > ul`

我找了一个网站 https://regex101.com/ ，能在线匹配，还有解释。

虽然有了右边的说明，清楚了一些。但还是不清楚具体匹配起来是怎样的。那就找几个例子，逐个分析。

具体出现这个正则表达式的代码是：

$matches = [];
preg_match_all($this->pattern, trim($selector).' ', $matches, PREG_SET_ORDER);

preg_match_all 的意思是获取所有满足模式的串。如果有：

preg_match_all("abc", "abcdabc", $matches)

第一个参数是模式，第二个参数是要匹配的字符串，第三个参数是结果引用。运行后，$matches 数组里会包含两个 abc。

有了这个理解之后，上图的 div > ul 只匹配了前面四个字符 div >。regex101 不支持 preg_match_all？还好加个叫 g 的修饰符就行了：

加了 g 后，会匹配所有的，而不是匹配到第一个就返回。

加了之后，我们匹配到了 div > ul：

右边显示，第一个匹配中，即 div，我们用第一组的规则匹配到了 div，然后用第七组的规则匹配到了空格 ` `。

我们接着来看第一组规则的解释：

在这一大串表达式中，第一个括号括起来的叫第一组规则。这是一个捕获组。括号自身不匹配，而是用来分组。[] 表示一个字符集合，里面的规则说明这是一个怎样的字符集合。这个字符集合里有：

\w 表示大小写字母和 0 到 9 以及下划线。
-: 直接表示这两个字符在集合里。
\* 因为 * 是正则表达式中的保留字符，有特殊含义，所以要用 \ 来转义，表示这是一个普通的 * 字符。
> 简单地表示 > 这个字符。

[\w-:\*>]* 最后的 * 表示前面的字符能出现 0 次或无数次，但要匹配尽可能多的次数。之所以能匹配 div 是因为，\w 匹配了 d、i、v。之所以不再继续匹配后面的空格，是因为空格没有出现在 [] 中。捕获组的意思是，这组匹配会出现在结果数组中。相对应的还有非捕获组，语法是 (?:)。上面的 ([\w-:\*>]*) 如果不需要这组结果，可以记为 (?:[\w-:\*>]*)。

那么不出现在结果中，直接不用括号不就行了？括号是为了分组，分组还是很有意义的。可以参考《What is a non capturing group? (?:) - StackOverflow》。

接着讲完了 div 满足第一组规则后，讲下空格 ` ` 为什么满足第七组的规则。

[\/, ] 的意思是匹配这四个字符的任意一个，+ 表示前面的匹配出现一次或无数次，次数要尽可能多。所以因为这四个字符包含空格，就匹配了我们的空格。又因为 div 之后下一个字符是 >，所以不再满足第七组的规则，不继续匹配了。

搞明白了 div 的匹配。那为什么第二到第六组的规则没有匹配这里的空格，而是留给了第七组？

第二部分的解释：

首先 (?:) 表示这是一个非捕获组。最后面的 ? 表示前面的匹配可以出现 0 次或 1 次。所以上面的 (?:\#([\w-]+)|\.([\w-]+))? 可以有或没有。去掉外层的修饰符后，剩下的是 \#([\w-]+)|\.([\w-]+)，中间的 | 表示或，满足其中一个即可。\#([\w-]+) 中的 \# 匹配 # 字符，[\w-]+ 匹配其他字符。再看后一半，\.([\w-]+) 中的 . 匹配 . 字符。

所以 2 到 6 组都可能因为空格不是这些组要求的开头字符而不满足，又因为这些组有个 ? 修饰符，不满足也可以，因此跳到了第七组。

接着 div > ul 后面的 >，还是一样：

第一组规则 ([\w-:\*>]*) 匹配了 >，第七组规则 ([\/, ]+) 匹配了空格。接着 ul 像 div 一样。

匹配 `#answer-4185009 > table > tbody > td.answercell > div > pre`

接着来一个稍微复杂一点的选择器 #answer-4185009 > table > tbody > td.answercell > div > pre（你也可以打开 https://regex101.com/ 把这个粘贴到那里去来测试）：

这是从 Chrome 里复制粘贴的：

第一个匹配：

因为第一组的规则 ([\w-:\*>]*) 中 [] 里的字符集没有一个能匹配 #，接着因为最后面的 * 支持匹配 0 次或无数次，这里是 0 次。接着第二组规则的描述是：

上面已经分析过。直接来看 | 前的 \#([\w-]+)，\# 把 # 匹配了，[\w-]+ 匹配了 answer-4185009。后面的 \.([\w-]+)，如果是 .answer-4185009 就会应用这个匹配。

接着来看 td.answercell 这个匹配，

第一组的规则 ([\w-:\*>]*) 匹配了 td，第二大部分的 (?:\#([\w-]+)|\.([\w-]+))? 的后面部分，即 \.([\w-]+)，匹配了 .answercell。

这个选择器的分析也到此结束。

匹配 `a[href="http://google.com/"]`

接着我们来匹配选择器 a[href="http://google.com/"]：

看看第三大块：

第三大块的表达式为 (?:\[@?(!?[\w-:]+)(?:([!*^$]?=)["']?(.*?)["']?)?\])?，首先最外层 (?:) 表示这是一个非捕获组，最后面的 ? 表示这整个大的可以匹配 0 次或 1 次。去掉之后为 \[@?(!?[\w-:]+)(?:([!*^$]?=)["']?(.*?)["']?)?\]。\[ 匹配 [ 字符。@? 表示 @ 字符可有可无。那么接下来的一组 (!?[\w-:]+)，! 可有可无，[\w-:]+ 匹配 href。接着的一组 (?:([!*^$]?=)["']?(.*?)["']?) 是非捕获组，去掉最外层后是 ([!*^$]?=)["']?(.*?)["']?。这里的 ([!*^$]?=)，[!*^$]? 表示匹配 0 个或 1 个 [] 里的字符。接着 = 直接匹配。接着 ["']?(.*?)["']?，匹配 "http://google.com/"，["']? 表示匹配 " 或 ' 或者两个都不匹配，去掉这个最外层后是 (.*?) 匹配 http://google.com/，这里的 *? 表示尽可能少的匹配，也就是说，如果有 " 或 '，要留给后面的表达式 ["']? 来匹配。所以不至于匹配到 http://google.com/"，而是只匹配 http://google.com/。所以整个选择器 `a[href=”http://google.com/

”]` 就匹配结束了。

总结

终于搞懂了！再让我们理清一次，首先整个复杂的表达式 ([\w-:\*>]*)(?:\#([\w-]+)|\.([\w-]+))?(?:\[@?(!?[\w-:]+)(?:([!*^$]?=)["']?(.*?)["']?)?\])?([\/, ]+) 由四大部分组成：

([\w-:\*>]*)
(?:\#([\w-]+)|\.([\w-]+))?
(?:\[@?(!?[\w-:]+)(?:([!*^$]?=)["']?(.*?)["']?)?\])?
([\/, ]+)

最复杂的第三部分又由这几个部分组成：

\[
(!?[\w-:]+)
(?:([!*^$]?=)["']?(.*?)["']?)?
\]

所以这些足够小的部分都可以逐个击破。然后找多一点例子，看看每个例子是怎么匹配的，同时结合 https://regex101.com/ 的解释来分析。就把这个看似复杂的正则表达式搞懂了，原来它是个纸老虎！

Back 2016.05.25 Donate