站長資訊網(wǎng) 正則表達(dá)式難于書寫、難于閱讀、難于維護(hù)，經(jīng)常錯誤匹配意料不到的文本或者錯過了有效的文本，這些問題都是由正則表達(dá)式的表現(xiàn)和能力引起的。每個元字符（metacharacter）的能力和細(xì)微差別組合在一起，使得代碼不借助于智力技巧就無法解釋。
許多包含一定特性的工具使閱讀和編寫正則表達(dá)式變得容易了，但是它們又很不符合習(xí)慣。對于很多程序員來說，書寫正則表達(dá)式就是一種魔法藝術(shù)。他們堅(jiān)持自己所知道的特征并持有絕對樂觀的態(tài)度。如果你愿意采用本文所探討的五個習(xí)慣，你將可以讓你設(shè)計(jì)的正則表達(dá)式經(jīng)受的住反復(fù)試驗(yàn)。
本文將使用Perl、PHP和Python語言作為代碼示例，但是本文的建議幾乎適用于任何替換表達(dá)式（regex）的執(zhí)行。
一、使用空格和注釋
對于大部分程序員來說，在一個正則表達(dá)式環(huán)境里使用空格和縮進(jìn)排列都不成問題，如果他們沒有這么做一定會被同行甚至外行人士看笑話。幾乎每個人都知道把代碼擠在一行會難于閱讀、書寫和維護(hù)。對于正則表達(dá)式又有什么不同呢？
大部分替換表達(dá)式工具都具有擴(kuò)展的空格特性，這允許程序員把他們的正則表達(dá)式擴(kuò)展為多行，并在每一行結(jié)尾加上注釋。為什么只有少部分程序員利用這個特性呢？Perl 6的正則表達(dá)式默認(rèn)就是擴(kuò)展空格的模式。不要再讓語言替你默認(rèn)擴(kuò)展空格了，自己主動利用吧。
記住擴(kuò)展空格的竅門之一就是讓正則表達(dá)式引擎忽略擴(kuò)展空格。這樣如果你需要匹配空格，你就不得不明確說明。
在Perl語言里面，在正則表達(dá)式的結(jié)尾加上x，這樣“m/foo|bar/”變?yōu)槿缦滦问剑?nbsp;
m/
foo
bar
/x
在PHP語言里面，在正則表達(dá)式的結(jié)尾加上x，這樣“”/foo|bar/””變?yōu)槿缦滦问剑?nbsp;
“/
foo
bar
/x”
在Python語言里面，傳遞模式修飾參數(shù)“re.VERBOSE”得到編譯函數(shù)如下：
pattern = r”’
foo
bar
”’
regex = re.compile(pattern, re.VERBOSE)
處理更加復(fù)雜的正則表達(dá)式時，空格和注釋就更能體現(xiàn)出其重要性。假設(shè)下面的正則表達(dá)式用于匹配美國的電話號碼：
(?d{3})? ?d{3}[-.]d{4}
這個正則表達(dá)式匹配電話號碼如“(314)555-4000”的形式，你認(rèn)為這個正則表達(dá)式是否匹配“314-555-4000”或者“555- 4000”呢？答案是兩種都不匹配。寫上這么一行代碼隱蔽了缺點(diǎn)和設(shè)計(jì)結(jié)果本身，電話區(qū)號是需要的，但是正則表達(dá)式在區(qū)號和前綴之間缺少一個分隔符號的說明。
把這一行代碼分成幾行并加上注釋將把缺點(diǎn)暴露無疑，修改起來顯然更容易一些。
在Perl語言里面應(yīng)該是如下形式：
/
(? # 可選圓括號
d{3} # 必須的電話區(qū)號
)? # 可選圓括號
[-s.]? # 分隔符號可以是破折號、空格或者句點(diǎn)
d{3} # 三位數(shù)前綴
[-.] # 另一個分隔符號
d{4} # 四位數(shù)電話號碼
/x
改寫過的正則表達(dá)式現(xiàn)在在電話區(qū)號后有一個可選擇的分隔符號，這樣它應(yīng)該是匹配“314-555-4000”的，然而電話區(qū)號還是必須的。另一個程序員如果需要把電話區(qū)號變?yōu)榭蛇x項(xiàng)則可以迅速看出它現(xiàn)在不是可選的，一個小小的改動就可以解決這個問題。
二、書寫測試
一共有三個層次的測試，每一層為你的代碼加上一層可靠性。首先，你需要認(rèn)真想想你需要匹配什么代碼以及你是否能夠處理錯誤匹配。其次，你需要利用數(shù)據(jù)實(shí)例來測試正則表達(dá)式。最后，你需要正式通過一個測試小組的測試。
決定匹配什么其實(shí)就是在匹配錯誤結(jié)果和錯過正確結(jié)果之間尋求一個平衡點(diǎn)。如果你的正則表達(dá)式過于嚴(yán)格，它將會錯過一些正確匹配；如果它過于寬松，它將會產(chǎn)生一個錯誤匹配。一旦某個正則表達(dá)式發(fā)放到實(shí)際代碼當(dāng)中，你可能不會兩者都注意到?？紤]一下上面電話號碼的例子，它將會匹配“800-555-4000 = -5355”。錯誤的匹配其實(shí)很難發(fā)現(xiàn)，所以提前規(guī)劃做好測試是很重要的。
還是使用電話號碼的例子，如果你在Web表單里面確認(rèn)一個電話號碼，你可能只要滿足于任何格式的十位數(shù)字。但是，如果你想從大量文本里面分離電話號碼，你可能需要很認(rèn)證的排除不符合要求的錯誤匹配。
在考慮你想匹配的數(shù)據(jù)的時候，寫下一些案例情況。針對案例情況寫下一些代碼來測試你的正則表達(dá)式。任何復(fù)雜的正則表達(dá)式都最好寫個小程序測試一下，可以采用下面的具體形式。
在Perl語言里面：
#!/usr/bin/perl
my @tests = ( “314-555-4000”,
“800-555-4400”,
“(314)555-4000”,
“314.555.4000”,
“555-4000”,
“aasdklfjklas”,
“1234-123-12345”
);
foreach my $test (@tests) {
if ( $test =~ m/
(? # 可選圓括號
d{3} # 必須的電話區(qū)號
)? # 可選圓括號
[-s.]? # 分隔符號可以是破折號、空格或者句點(diǎn)
d{3} # 三位數(shù)前綴
[-s.] # 另一個分隔符號
d{4} # 四位數(shù)電話號碼
/x ) {
print “Matched on $testn”;
}
else {
print “Failed match on $testn”;
}
}
在PHP語言里面：
<?php
$tests = array( “314-555-4000”,
“800-555-4400”,
“(314)555-4000”,
“314.555.4000”,
“555-4000”,
“aasdklfjklas”,
“1234-123-12345”
);
$regex = “/
(? # 可選圓括號
d{3} # 必須的電話區(qū)號
)? # 可選圓括號
[-s.]? # 分隔符號可以是破折號、空格或者句點(diǎn)
d{3} # 三位數(shù)前綴
[-s.] # 另一個分隔符號
d{4} # 四位數(shù)電話號碼
/x”;
foreach ($tests as $test) {
if (preg_match($regex, $test)) {
echo “Matched on $test<br />;”;
}
else {
echo “Failed match on $test<br />;”;
}
}
?>;
在Python語言里面：
import re
tests = [“314-555-4000”,
“800-555-4400”,
“(314)555-4000”,
“314.555.4000”,
“555-4000”,
“aasdklfjklas”,
“1234-123-12345”
]
pattern = r”’
(? # 可選圓括號
d{3} # 必須的電話區(qū)號
)? # 可選圓括號
[-s.]? # 分隔符號可以是破折號、空格或者句點(diǎn)
d{3} # 三位數(shù)前綴
[-s.] # 另一個分隔符號
d{4} # 四位數(shù)電話號碼
”’
regex = re.compile( pattern, re.VERBOSE )
for test in tests:
if regex.match(test):
print “Matched on”, test, “n”
else:
print “Failed match on”, test, “n”
運(yùn)行測試代碼將會發(fā)現(xiàn)另一個問題：它匹配“1234-123-12345”。
理論上，你需要整合整個程序所有的測試到一個測試小組里面。即使你現(xiàn)在還沒有測試小組，你的正則表達(dá)式測試也會是一個小組的良好基礎(chǔ)，現(xiàn)在正是開始創(chuàng)建的好機(jī)會。即使現(xiàn)在還不是創(chuàng)建的合適時間，你也應(yīng)該在每次修改以后運(yùn)行測試一下正則表達(dá)式。這里花費(fèi)一小段時間將會減少你很多麻煩事。
三、為交替操作分組
交替操作符號（|）的優(yōu)先級很低，這意味著它經(jīng)常交替超過程序員所設(shè)計(jì)的那樣。比如，從文本里面抽取Email地址的正則表達(dá)式可能如下：
^CC:|To:(.*)
上面的嘗試是不正確的，但是這個bug往往不被注意。上面代碼的意圖是找到“CC:”或者“To:”開始的文本，然后在這一行的后面部分提取Email地址。
不幸的是，如果某一行中間出現(xiàn)“To:”，那么這個正則表達(dá)式將捕獲不到任何以“CC:”開始的一行，而是抽取幾個隨機(jī)的文本。坦白的說，正則表達(dá)式匹配 “CC:”開始的一行，但是什么都捕獲不到；或者匹配任何包含“To:”的一行，但是把這行的剩余文本都捕獲了。通常情況下，這個正則表達(dá)式會捕獲大量 Email地址，所有沒有人會注意這個bug。
如果要符合實(shí)際意圖，那么你應(yīng)該加入括號說明清楚，正則表達(dá)式如下：
(^CC:)|(To:(.*))
如果真正意圖是捕獲以“CC:”或者“To:”開始的文本行的剩余部分，那么正確的正則表達(dá)式如下：
^(CC:|To:)(.*)
這是一個普遍的不完全匹配的bug，如果你養(yǎng)成為交替操作分組的習(xí)慣，你就會避免這個錯誤。
四、使用寬松數(shù)量詞
很多程序員避免使用寬松數(shù)量詞比如“*?”、“+?”和“??”，即使它們會使這個表達(dá)式易于書寫和理解。
寬松數(shù)量詞可以盡可能少的匹配文本，這樣有助于完全匹配的成功。如果你寫了“foo(.*?)bar”，那么數(shù)量詞將在第一次遇到“bar”時就停止匹配，而不是在最后一次。如果你希望從“foo###bar+++bar”中捕獲“###”，這一點(diǎn)就很重要。一個嚴(yán)格數(shù)量詞將捕獲“###bar++ +”。
假設(shè)你要從HTML文件里面捕獲所有電話號碼，你可能會使用我們上文討論過的電話號碼正則表達(dá)式的例子。但是，如果你知道所有電話號碼都在一個表格的第一列里面，你可以使用寬松數(shù)量詞寫出更簡單的正則表達(dá)式：
<tr>;<td>;(.+?)<td>;
很多剛起步的程序員不使用寬松數(shù)量詞來否定特定種類。他們能寫出下面的代碼：
<tr>;<td>;([^>;]+)</td>;
這種情況下它可以正常運(yùn)行，但是如果你想捕獲的文本包含有你分隔的公共字符（這種情況下比如</td>;），這將會帶來很大麻煩。如果你使用了寬松數(shù)量詞，你只要花上很少的時間組裝字符種類就能產(chǎn)生新的正則表達(dá)式。
在你知道你要捕獲文本的環(huán)境結(jié)構(gòu)時，寬松數(shù)量詞是具有很大價值的。
五、利用可用分界符
Perl 和PHP語言常常使用左斜線（/）來標(biāo)志一個正則表達(dá)式的開頭和結(jié)尾，Python語言使用一組引號來標(biāo)志開頭和結(jié)尾。如果在Perl和PHP中堅(jiān)持使用左斜線，你將要避免表達(dá)式中的任何斜線；如果在Python中使用引號，你將要避免使用反斜線（）。選擇不同的分界符或引號可以允許你避免一半的正則表達(dá)式。這將使得表達(dá)式易于閱讀，減少由于忘記避免符號而潛在的bug。
Perl和PHP語言允許使用任何非數(shù)字和空格字符作為分界符。如果你切換到一個新的分界符，在匹配URL或HTML標(biāo)志（如“http://”或“<br/>;”）時，你就可以避免漏掉左斜線了。
例如，“/http://(S)*/”可以寫為“#http://(S)*#”。
通用分界符是“#”、“!”和“|”。如果你要使用方括號、尖括號或者花括號，只要保持前后配對出現(xiàn)就可以了。下面就是一些通用分界符的示例：
#…# !…! {…} s|…|…| (Perl only) s[…][…] (Perl only) s<…>;/…/ (Perl only)
在Python中，正則表達(dá)式首先會被當(dāng)作一個字符串。如果你使用引號作為分界符，你將漏掉所有反斜線。但是你可以使用“r””字符串避免這個問題。如果針對“re.VERBOSE”選項(xiàng)使用三個連續(xù)單引號，它將允許你包含換行。例如 regex = “(\w+)(\d+)”可以寫出下面的形式：
regex = r”’
(w+)
(d+)
”’
小結(jié)：本文的建議主要著眼于正則表達(dá)式的可讀性，在開發(fā)中養(yǎng)成這些習(xí)慣，你將會更加清晰的考慮設(shè)計(jì)和表達(dá)式的結(jié)構(gòu)，這將有助于減少bug和代碼的維護(hù)，如果你自己就是這個代碼的維護(hù)者你將倍感輕松。
