[正则表达式]PCRE反向分组引用

在常见的文本匹配场景上，经常会需要用到一些像HTML这样的嵌套标签类型的文本匹配，经过多翻折腾，拼凑出了这样的一条语句

(<([\w]+)>((?1)|[\w\s])*</\2>)

如何理解？

要解析上面的语句是如何运行的，先来了解一下PCRE的反向分组引用机制

(?n)

以括号为单元，紧贴左括号以?号开始，接着引用分组的序号数字，这是反向引用分组的语法

例如，\[([\w]+)-(?1)\]将会匹配像[9-3],[9-9]这样的结构，因为(?1)引用了第一个括号的表达式也就是([\w]+)，用来匹配接下来的字符

如何得知分组的序号数字？

例如，\[([\w]+(\s)?)-(.*)\]

分组1将会是([\w]+(\s)?)，

而分组2将会是(\s)，

想必你已经知道分组3将会是(.*)了。

接下来介绍一个另外的反向分组引用机制

'\n'

以反斜杠开头，接着引用分组的序号数字，这是反向引用分组结果的语法

和(?n)有什么不同？

稍微更改一下刚才的语句就知道了，

现在把\[([\w]+)-(?1)\]更改为\[([\w]+)-\1\]，再来匹配一下[9-3],[9-9]，没错，现在只能匹配到[9-9]这样的结构了，因为\1引用了第一个括号的表达式也就是([\w]+)匹配的结果用来匹配接下来的字符，而不是直接引用执行

现在回头看看片头给出的语句，已经不难理解了

来解析一番：

假设有以下一条HTML片段

<p> i am <i> genius </i> , do you agree? </p> <p> absulutely not </p>

引擎从第一个分组开始匹配（也就是整一条表达式）

（<）

（然后p，没有更多了，没关系，+不要求更多，继续往下）

（>，一切都很顺利）

（空字符，匹配了[\w\s]，继续。。。）

。。。

当来到了下一个标签<i>，转折点在这里，<的出现，让原先一路往右的语句引用了整个式子，此时语句会率先执行向后引用的语句，然后等待匹配结果，当向后引用的语句再次遇到引用怎么办？显然，它的做法也会和它上一层的语句一样，直到匹配没有被继续引用，并且执行到了结尾，所有向后引用的公式会一层层的返回，这个情形类属于函数上的递归算法

改进一下就可以支持tag属性和img这种没有结束tag的标签

(<(div|p|table|tbody|tr|td|a)[\s\w='":;./#!]*>(?:(?1)|[^<]|<(?:img)\s+[^>]+)*<\/\2>)

支持更多的无结束标签tag

(<(?:(div|p|table|tbody|tr|td|a)|(img|meta|link))([\s\w='":;./#!-,]*)>(?(2)((?1)|[^<]|<(?3)(?4)[/]?>)*<\/\2>))

全程用到了哪些语法

#分组捕获
”(?n)“
#反向引用结果
”\n“
#消除分组捕获和反向引用，运用这种语法括号中的表达式将只匹配而不会被捕获，例如(?:[a])([b])\1，\1捕获的分组会是([b])
"(?:)"
#if 流程控制，运用这种语法将会判断先前出现的分组n是否触发了匹配，如果是则启用当前括号分组的规则，例如(a)?(?(1)bb)c，只有当(a)?成功匹配了，接下来才会匹配bb
"(reg)(?(n)trueReg|falseReg)"

备注：

JavaScript并不支持分组捕获(?n)，但是支持反向引用结果