|
正则基础之 \b 单词边界
1概述 “\b”匹配单词边界,不匹配任何字符。 “\b”匹配的只是一个位置,这个位置的一侧是构成单词的字符,另一侧为非单词字符、字符串的开始或结束位置。“\b”是零宽度的。 基本上所有的资料里都会说“\b”是单词边界,但是关于“单词”的范围却是少有提及。通常情况下,正则表达式中所谓的“单词”,就是由“\w”所定义的字符所组成的子串。 “\b”表示所在位置的一侧为单词字符,另一侧为非单词字符、字符串的开始或结束位置,也就相当于 (?<!\w)(?=\w)|(?<=\w)(?!\w) 思考:以下写法为什么不等价于“\b” (?<=\W)(?=\w)|(?<=\w)(?=\W) 2\w的范围 即然涉及到“\w”,那就要先考察一下它的范围。 在支持ASCII码的语言中,如JavaScript,“\w”等价于[a-zA-Z0-9_] ; 在支持Unicode的语言中,如.NET,默认情况下,“\w”除可以匹配[a-zA-Z0-9_]外,还可以匹配一些Unicode字符集,如汉字,全角数字等等。 几乎所有常见的语言都遵循这样一个规律,只有Java是个例外。在Java中,“\w”的表现是比较奇怪的,Java是支持Unicode的,但Java的正则中的“\w”却是等价于[a-zA-Z0-9_]的。 先来看一下“\w”在几种语言中匹配的例子 JavaScript 复制代码 代码如下: <script language="javascript"> var str = "abc_123中文_d3=efg汉字%"; var reg = /\w+/g; var arr = str.match(reg); if(arr != null) { for(var i=0;i<arr.length;i++) { document.write(arr[i] + "<br />"); } } </script> //JavaScript中输出 abc_123 _d3 efg C# 复制代码 代码如下: string test = "abc_123中文_d3=efg汉字%"; MatchCollection mc = Regex.Matches(test, @"\w+"); foreach (Match m in mc) { richTextBox2.Text += m.Value + "\n"; } //C#中输出 abc_123中文_d3 efg汉字 Java 复制代码 代码如下: String test = "abc_123中文_d3=efg汉字%"; String reg = "\\w+"; Matcher m = Pattern.compile(reg).matcher(test); while(m.find()) { System.out.println(m.group()); } //Java中输出 abc_123 _d3 efg 可以看到,“\w”在Java中的输出和JavaScript中是一样的,都是只支持ASCII字符。 3 \b的范围 常见语言中“\w”的范围确定了,那么是不是可以认为“\b”的匹配范围与“\w”也是一致的呢? 再看下下面的例子: 源字符串:abc_123中文_d3=汉字efg 正则表达式:.\b. JavaScript 复制代码 代码如下: <script language="javascript"> var str = "abc_123中文_d3=efg汉字%"; var reg = /.\b./g; var arr = str.match(reg); if(arr != null) { for(var i=0;i<arr.length;i++) { document.write(arr[i] + "<br />"); } } </script> //JavaScript中输出 3中 文_ 3= g汉 C# 复制代码 代码如下: string test = "abc_123中文_d3=efg汉字%"; MatchCollection mc = Regex.Matches(test, @".\b."); foreach (Match m in mc) { richTextBox2.Text += m.Value + "\n"; } //C#中输出 3= 字% Java 复制代码 代码如下: String test = "abc_123中文_d3=efg汉字%"; String reg = ".\\b."; Matcher m = Pattern.compile(reg).matcher(test); while(m.find()) { System.out.println(m.group()); } //Java中输出 3= 字% 可以看到,Java的输出和.NET是一致的,“\b”在Java中是支持Unicode的。 所以总的来说,Java中的“\w”是很奇怪的,而“\b”是与其它语言表现一致的,在使用时需要注意。 4 \b应用场景 4.1 基础应用 “\b”一般应用在需要匹配某一单词字符组成的子串,但这一字符不能包含在同样由单词字符组成的更长的子串中。 比如要替换掉一段英文中的单词“to”,而“today”显然不在替换的范围内,所以正则可以用“\bto\b”来限定。 用得比较多的场景是在HTML标签的匹配中,用以区分相互包含的标签,比如要过滤掉<b>、</b>、<p…>、<img…>等标签,但要保留<br />标签,正则可以写成“<(/?b|p|img)\b[^>]*>”。 举例:统计以“,”分割的元素中“3”的个数 string test = "137,1,33,4,3,6,21,3,35,93,2,98"; int count = Regex.Matches(test, @"\b3\b").Count; //结果:2 4.2 进阶应用 稍复杂一些的应用通常都是与其它一些正则语法规则一起使用的,参考一个帖子 求一正则表达式 4.3 特殊情况 “\b”用在正则中,通常情况下都是表示单词边界的,只有在字符组中,它表示的是退格键,即 [a-z\b] 此处的“\b”表示的是退格键,而不是单词边界。 |
|