正則的擴展 · ECMAScript 6 入門

# 正則的擴展 ## RegExp構造函數在ES5中，RegExp構造函數的參數有兩種情況。第一種情況是，參數是字符串，這時第二個參數表示正則表達式的修飾符（flag）。 ~~~ var regex = new RegExp('xyz', 'i'); // 等價于 var regex = /xyz/i; ~~~ 第二種情況是，參數是一個正則表示式，這時會返回一個原有正則表達式的拷貝。 ~~~ var regex = new RegExp(/xyz/i); // 等價于 var regex = /xyz/i; ~~~ 但是，ES5不允許此時使用第二個參數，添加修飾符，否則會報錯。 ~~~ var regex = new RegExp(/xyz/, 'i'); // Uncaught TypeError: Cannot supply flags when constructing one RegExp from another ~~~ ES6改變了這種行為。如果RegExp構造函數第一個參數是一個正則對象，那么可以使用第二個參數指定修飾符。而且，返回的正則表達式會忽略原有的正則表達式的修飾符，只使用新指定的修飾符。 ~~~ new RegExp(/abc/ig, 'i').flags // "i" ~~~ 上面代碼中，原有正則對象的修飾符是`ig`，它會被第二個參數`i`覆蓋。 ## 字符串的正則方法字符串對象共有4個方法，可以使用正則表達式：`match()`、`replace()`、`search()`和`split()`。 ES6將這4個方法，在語言內部全部調用RegExp的實例方法，從而做到所有與正則相關的方法，全都定義在RegExp對象上。 * `String.prototype.match`?調用?`RegExp.prototype[Symbol.match]` * `String.prototype.replace`?調用`RegExp.prototype[Symbol.replace]` * `String.prototype.search`?調用`RegExp.prototype[Symbol.search]` * `String.prototype.split`?調用?`RegExp.prototype[Symbol.split]` ## u修飾符 ES6對正則表達式添加了`u`修飾符，含義為“Unicode模式”，用來正確處理大于`\uFFFF`的Unicode字符。也就是說，會正確處理四個字節的UTF-16編碼。 ~~~ /^\uD83D/u.test('\uD83D\uDC2A') // false /^\uD83D/.test('\uD83D\uDC2A') // true ~~~ 上面代碼中，`\uD83D\uDC2A`是一個四個字節的UTF-16編碼，代表一個字符。但是，ES5不支持四個字節的UTF-16編碼，會將其識別為兩個字符，導致第二行代碼結果為`true`。加了`u`修飾符以后，ES6就會識別其為一個字符，所以第一行代碼結果為`false`。一旦加上`u`修飾符號，就會修改下面這些正則表達式的行為。 **（1）點字符** 點（`.`）字符在正則表達式中，含義是除了換行符以外的任意單個字符。對于碼點大于`0xFFFF`的Unicode字符，點字符不能識別，必須加上`u`修飾符。 ~~~ var s = ''; /^.$/.test(s) // false /^.$/u.test(s) // true ~~~ 上面代碼表示，如果不添加`u`修飾符，正則表達式就會認為字符串為兩個字符，從而匹配失敗。 **（2）Unicode字符表示法** ES6新增了使用大括號表示Unicode字符，這種表示法在正則表達式中必須加上`u`修飾符，才能識別。 ~~~ /\u{61}/.test('a') // false /\u{61}/u.test('a') // true /\u{20BB7}/u.test('') // true ~~~ 上面代碼表示，如果不加`u`修飾符，正則表達式無法識別`\u{61}`這種表示法，只會認為這匹配61個連續的`u`。 **（3）量詞** 使用`u`修飾符后，所有量詞都會正確識別碼點大于`0xFFFF`的Unicode字符。 ~~~ /a{2}/.test('aa') // true /a{2}/u.test('aa') // true /{2}/.test('') // false /{2}/u.test('') // true ~~~ 另外，只有在使用`u`修飾符的情況下，Unicode表達式當中的大括號才會被正確解讀，否則會被解讀為量詞。 ~~~ /^\u{3}$/.test('uuu') // true ~~~ 上面代碼中，由于正則表達式沒有`u`修飾符，所以大括號被解讀為量詞。加上`u`修飾符，就會被解讀為Unicode表達式。 **（4）預定義模式** `u`修飾符也影響到預定義模式，能否正確識別碼點大于`0xFFFF`的Unicode字符。 ~~~ /^\S$/.test('') // false /^\S$/u.test('') // true ~~~ 上面代碼的`\S`是預定義模式，匹配所有不是空格的字符。只有加了`u`修飾符，它才能正確匹配碼點大于`0xFFFF`的Unicode字符。利用這一點，可以寫出一個正確返回字符串長度的函數。 ~~~ function codePointLength(text) { var result = text.match(/[\s\S]/gu); return result ? result.length : 0; } var s = ''; s.length // 4 codePointLength(s) // 2 ~~~ **（5）i修飾符** 有些Unicode字符的編碼不同，但是字型很相近，比如，`\u004B`與`\u212A`都是大寫的K。 ~~~ /[a-z]/i.test('\u212A') // false /[a-z]/iu.test('\u212A') // true ~~~ 上面代碼中，不加`u`修飾符，就無法識別非規范的K字符。 ## y修飾符除了`u`修飾符，ES6還為正則表達式添加了`y`修飾符，叫做“粘連”（sticky）修飾符。 `y`修飾符的作用與`g`修飾符類似，也是全局匹配，后一次匹配都從上一次匹配成功的下一個位置開始。不同之處在于，`g`修飾符只要剩余位置中存在匹配就可，而`y`修飾符確保匹配必須從剩余的第一個位置開始，這也就是“粘連”的涵義。 ~~~ var s = 'aaa_aa_a'; var r1 = /a+/g; var r2 = /a+/y; r1.exec(s) // ["aaa"] r2.exec(s) // ["aaa"] r1.exec(s) // ["aa"] r2.exec(s) // null ~~~ 上面代碼有兩個正則表達式，一個使用`g`修飾符，另一個使用`y`修飾符。這兩個正則表達式各執行了兩次，第一次執行的時候，兩者行為相同，剩余字符串都是`_aa_a`。由于`g`修飾沒有位置要求，所以第二次執行會返回結果，而`y`修飾符要求匹配必須從頭部開始，所以返回`null`。如果改一下正則表達式，保證每次都能頭部匹配，`y`修飾符就會返回結果了。 ~~~ var s = 'aaa_aa_a'; var r = /a+_/y; r.exec(s) // ["aaa_"] r.exec(s) // ["aa_"] ~~~ 上面代碼每次匹配，都是從剩余字符串的頭部開始。使用`lastIndex`屬性，可以更好地說明`y`修飾符。 ~~~ const REGEX = /a/g; // 指定從2號位置（y）開始匹配 REGEX.lastIndex = 2; // 匹配成功 const match = REGEX.exec('xaya'); // 在3號位置匹配成功 match.index // 3 // 下一次匹配從4號位開始 REGEX.lastIndex // 4 // 4號位開始匹配失敗 REGEX.exec('xaxa') // null ~~~ 上面代碼中，`lastIndex`屬性指定每次搜索的開始位置，`g`修飾符從這個位置開始向后搜索，直到發現匹配為止。 `y`修飾符同樣遵守`lastIndex`屬性，但是要求必須在`lastIndex`指定的位置發現匹配。 ~~~ const REGEX = /a/y; // 指定從2號位置開始匹配 REGEX.lastIndex = 2; // 不是粘連，匹配失敗 REGEX.exec('xaya') // null // 指定從3號位置開始匹配 REGEX.lastIndex = 3; // 3號位置是粘連，匹配成功 const match = REGEX.exec('xaxa'); match.index // 3 REGEX.lastIndex // 4 ~~~ 進一步說，`y`修飾符號隱含了頭部匹配的標志`^`。 ~~~ /b/y.exec('aba') // null ~~~ 上面代碼由于不能保證頭部匹配，所以返回`null`。`y`修飾符的設計本意，就是讓頭部匹配的標志`^`在全局匹配中都有效。在`split`方法中使用`y`修飾符，原字符串必須以分隔符開頭。這也意味著，只要匹配成功，數組的第一個成員肯定是空字符串。 ~~~ // 沒有找到匹配 'x##'.split(/#/y) // [ 'x##' ] // 找到兩個匹配 '##x'.split(/#/y) // [ '', '', 'x' ] ~~~ 后續的分隔符只有緊跟前面的分隔符，才會被識別。 ~~~ '#x#'.split(/#/y) // [ '', 'x#' ] '##'.split(/#/y) // [ '', '', '' ] ~~~ 下面是字符串對象的`replace`方法的例子。 ~~~ const REGEX = /a/gy; 'aaxa'.replace(REGEX, '-') // '--xa' ~~~ 上面代碼中，最后一個`a`因為不是出現下一次匹配的頭部，所以不會被替換。單單一個`y`修飾符對`match`方法，只能返回第一個匹配，必須與`g`修飾符聯用，才能返回所有匹配。 ~~~ 'a1a2a3'.match(/a\d/y) // ["a1"] 'a1a2a3'.match(/a\d/gy) // ["a1", "a2", "a3"] ~~~ `y`修飾符的一個應用，是從字符串提取token（詞元），`y`修飾符確保了匹配之間不會有漏掉的字符。 ~~~ const TOKEN_Y = /\s*(\+|[0-9]+)\s*/y; const TOKEN_G = /\s*(\+|[0-9]+)\s*/g; tokenize(TOKEN_Y, '3 + 4') // [ '3', '+', '4' ] tokenize(TOKEN_G, '3 + 4') // [ '3', '+', '4' ] function tokenize(TOKEN_REGEX, str) { let result = []; let match; while (match = TOKEN_REGEX.exec(str)) { result.push(match[1]); } return result; } ~~~ 上面代碼中，如果字符串里面沒有非法字符，`y`修飾符與`g`修飾符的提取結果是一樣的。但是，一旦出現非法字符，兩者的行為就不一樣了。 ~~~ tokenize(TOKEN_Y, '3x + 4') // [ '3' ] tokenize(TOKEN_G, '3x + 4') // [ '3', '+', '4' ] ~~~ 上面代碼中，`g`修飾符會忽略非法字符，而`y`修飾符不會，這樣就很容易發現錯誤。 ## sticky屬性與`y`修飾符相匹配，ES6的正則對象多了`sticky`屬性，表示是否設置了`y`修飾符。 ~~~ var r = /hello\d/y; r.sticky // true ~~~ ## flags屬性 ES6為正則表達式新增了`flags`屬性，會返回正則表達式的修飾符。 ~~~ // ES5的source屬性 // 返回正則表達式的正文 /abc/ig.source // "abc" // ES6的flags屬性 // 返回正則表達式的修飾符 /abc/ig.flags // 'gi' ~~~ ## RegExp.escape() 字符串必須轉義，才能作為正則模式。 ~~~ function escapeRegExp(str) { return str.replace(/[\-\[\]\/\{\}\*\+\?\.\\\^\$\|]/g, '\\$&'); } let str = '/path/to/resource.html?search=query'; escapeRegExp(str) // "\/path\/to\/resource\.html\?search=query" ~~~ 上面代碼中，`str`是一個正常字符串，必須使用反斜杠對其中的特殊字符轉義，才能用來作為一個正則匹配的模式。已經有[提議](https://esdiscuss.org/topic/regexp-escape)將這個需求標準化，作為RegExp對象的靜態方法[RegExp.escape()](https://github.com/benjamingr/RexExp.escape)，放入ES7。2015年7月31日，TC39認為，這個方法有安全風險，又不愿這個方法變得過于復雜，沒有同意將其列入ES7，但這不失為一個真實的需求。 ~~~ RegExp.escape('The Quick Brown Fox'); // "The Quick Brown Fox" RegExp.escape('Buy it. use it. break it. fix it.'); // "Buy it\. use it\. break it\. fix it\." RegExp.escape('(*.*)'); // "$\*\.\*$" ~~~ 字符串轉義以后，可以使用RegExp構造函數生成正則模式。 ~~~ var str = 'hello. how are you?'; var regex = new RegExp(RegExp.escape(str), 'g'); assert.equal(String(regex), '/hello\. how are you\?/g'); ~~~ 目前，該方法可以用上文的`escapeRegExp`函數或者墊片模塊[regexp.escape](https://github.com/ljharb/regexp.escape)實現。 ~~~ var escape = require('regexp.escape'); escape('hi. how are you?'); // "hi\\. how are you\\?" ~~~ ## 后行斷言 JavaScript語言的正則表達式，只支持先行斷言（lookahead）和先行否定斷言（negative lookahead），不支持后行斷言（lookbehind）和后行否定斷言（negative lookbehind）。目前，有一個[提案](https://github.com/goyakin/es-regexp-lookbehind)，在ES7加入后行斷言。V8引擎4.9版已經支持，Chrome瀏覽器49版打開”experimental JavaScript features“開關（地址欄鍵入`about:flags`），就可以使用這項功能。 ”先行斷言“指的是，`x`只有在`y`前面才匹配，必須寫成`/x(?=y)/`。比如，只匹配百分號之前的數字，要寫成`/\d+(?=%)/`。”先行否定斷言“指的是，`x`只有不在`y`前面才匹配，必須寫成`/x(?!y)/`。比如，只匹配不在百分號之前的數字，要寫成`/\d+(?!%)/`。 ~~~ /\d+(?=%)/.exec('100% of US presidents have been male') // ["100"] /\d+(?!%)/.exec('that’s all 44 of them') // ["44"] ~~~ 上面兩個字符串，如果互換正則表達式，就會匹配失敗。另外，還可以看到，”先行斷言“括號之中的部分（`(?=%)`），是不計入返回結果的。 "后行斷言"正好與"先行斷言"相反，`x`只有在`y`后面才匹配，必須寫成`/(?<=y)x/`。比如，只匹配美元符號之后的數字，要寫成`/(?<=\$)\d+/`。”后行否定斷言“則與”先行否定斷言“相反，`x`只有不在`y`后面才匹配，必須寫成`/(?<!y)x/`。比如，只匹配不在美元符號后面的數字，要寫成`/(?<!\$)\d+/`。 ~~~ /(?<=\$)\d+/.exec('Benjamin Franklin is on the $100 bill') // ["100"] /(?<!\$)\d+/.exec('it’s is worth about €90') // ["90"] ~~~ 上面的例子中，"后行斷言"的括號之中的部分（`(?<=\$)`），也是不計入返回結果。 "后行斷言"的實現，需要先匹配`/(?<=y)x/`的`x`，然后再回到左邊，匹配`y`的部分。這種"先右后左"的執行順序，與所有其他正則操作相反，導致了一些不符合預期的行為。首先，”后行斷言“的組匹配，與正常情況下結果是不一樣的。 ~~~ /(?<=(\d+)(\d+))$/.exec('1053') // ["", "1", "053"] /^(\d+)(\d+)$/.exec('1053') // ["1053", "105", "3"] ~~~ 上面代碼中，需要捕捉兩個組匹配。沒有"后行斷言"時，第一個括號是貪婪模式，第二個括號只能捕獲一個字符，所以結果是`105`和`3`。而"后行斷言"時，由于執行順序是從右到左，第二個括號是貪婪模式，第一個括號只能捕獲一個字符，所以結果是`1`和`053`。其次，"后行斷言"的反斜杠引用，也與通常的順序相反，必須放在對應的那個括號之前。 ~~~ /(?<=(o)d\1)r/.exec('hodor') // null /(?<=\1d(o))r/.exec('hodor') // ["r", "o"] ~~~ 上面代碼中，如果后行斷言的反斜杠引用（`\1`）放在括號的后面，就不會得到匹配結果，必須放在前面才可以。