re_history.txt

来自「我想很多人都用过一些成熟库的正则表达式」· 文本 代码 · 共 212 行

re_history.txt

正则表达式解析库历史和说明

于2004年在北京写于创意鹰翔公司
版权申明:
作者放弃除著作署名权之外的任何权益。你可以在保留此申明的前提下，自由的，无限制的
分发、修改和使用本函数库。
如果你有任何建议和BUG汇报，欢迎你联系原始作者:[e-mail]

原始作者 : lanzhengpeng(兰征鹏)
Modify time : 2004-6-19   9:41
-------------------------------------------------------------------------------

历史:
version 107:
2004-06-15
			修改"ToHex"为"to_hex",因为"ToHex"跟其他函数库里的一个宏冲突
			同时也修改"ToOct","ToInt"分别为"to_oct","to_int"
			修改多次使用相同的re_result累计结果的BUG
			简化"\s"的定义
			列举常见表达式
			增加"\f"作为浮点数(非科学计数法)
version 106:
2004-06-14
			由于现有的分析方案分析"|"和"&"比较困难，遂增加首先分块，然后针对块
			进行分析
			修改匹配函数接口和相关代码，使得match函数线程安全

version 105:
2004-06-14
			增加"\s"作为预定义的C字符串
			增加"\o"作为预定义的C注释
			修正类似"*","*?"重复表达式前没有表达式分析错误
			修正部分递归分析中返回值错误问题
			修正分析错误后仍然做优化的问题
			完成"|"和"&"的分析和匹配
			增加"\p"作为预定义的C++注释
			把(),{}作为语法错误
version 104:
2004-06-07
			在匹配的时候检测无穷循环
			修改非贪婪重复匹配中的BUG
			修改匹配行结尾的BUG
			!R的实现实在太有问题。一个细节无法解决：当R匹配的时候，!R是不匹配的，
			因此，不能移动匹配的位置。如果R不匹配，则不知道当前位置究竟在哪里。
			或者从来就不移动匹配位置？那有什么意义？
			决定取消!R语法，暂时保留相关代码
version 103:
2004-06-06
			精确匹配完成
			转义支持\x,\o以指定十六进制和八进制及十进制
			彻底完成转义操作
			完成*?,+?,??的分析和匹配
			<m:n>?的分析和匹配
version 102:
2004-06-05 晚
			完成*,+,?的分析和匹配
			完成^,$的分析和匹配
			.分析和匹配
2004-06-06 凌晨
			()分析和匹配
			{}分析和匹配
			<m:n>分析和匹配
			单字节码，多字节码，UNICODE的萃取器完成
version 101:
2004-06-02	框架代码完成
			完成[],[^]的分析和匹配
version 100:
2004-06-02	开始此正则表达式的编写

-------------------------------------------------------------------------------
特注:
由于无全局函数或变量，所以，不同的re_pattern变量之间是线程安全
match()函数线程安全

-------------------------------------------------------------------------------
支持的正则表达式规则：
R = NULL		空表达式也为正则表达式
R = R			正则表达式也是正则表达式
R = A			单个字符
R = .			任意字符
R = ^			起始
R = $			结尾
R = []			范围之内	除^,],\之外的字符不需要转意
R = [^]			范围之外	除^,],\之外的字符不需要转意
R = (R)			分块
R = {R}			成组
R = R*			重复零次以上(贪婪算法)
R = R+			重复一次以上(贪婪算法)
R = R?			零或一次(贪婪算法)
R = R*?			重复零次以上(非贪婪算法)
R = R+?			重复一次以上(非贪婪算法)
R = R??			零或一次(非贪婪算法)
R = R<m:n>		重复最少m次，最多n次,m可省略(贪婪算法)
R = R<m:n>?		重复最少m次，最多n次,m可省略(非贪婪算法)
R = R|R			匹配两个中任意一个
R = R&R			同时匹配两个
R = \A			转意
	\r		"\r"									// Return
	\t		"\t"									// Tab
	\n		"\r?\n"									// Newline
	\a		"[a-zA-Z0-9]"							// alpha numeric
	\b		"[ \\t]"								// white space (blank)
	\c		"[a-zA-Z]"								// alpha
	\d		"[0-9]"									// digit
	\f		"[+\-]?([0-9]+\.[0-9]*)|([0-9]*\.[0-9]+)[fF]?"// Float
	\h		"[0-9a-fA-F]"							// hex digit
	\o		"/\\*.*?\\*/",							// c cOmment
	\p		"//.*?\\n|$",							// cPp comment
	\q		"(\"[^\"]*\")|(\'[^\']*\')"				// quoted string
	\s		"\"([^\\\\\"]*(\\\\.)*[^\\\\\"]*)*?\"",	// c string
	\w		"[a-zA-Z]+"								// simple word
	\z		"[0-9]+"								// integer

-------------------------------------------------------------------------------
问题:
^$			匹配空串?
$^			单行下用无匹配还是空串?多行下匹配上一行和下一行?
AB^			永无匹配
$AB			单行下永无匹配，多行下匹配上一行和下一行的AB
()			匹配空串?根本无意义
{}			根本无意义
((R))		是否优化重复
{R}*
{R}+
{R}?
{R}*?
{R}+?
{R}??		成组重复(包括间接重复)
			可是在实际应用中，希望成组的顺序号是固定的。
			如此以来，很难知道那个组匹配的那些字符，从而失去使用意义
			但是，要检查这样的情况，似乎得不偿失
R<m:n>		m>n?
R<0:0>		无意义
R<-1:-1>	错误
[m-n]
[^m-n]		m>n?	应该允许吧，谁知道汉字编码呢?

\123456		当我只需要'\123','4','5','6'时怎么办?通过改变顺序或添加()可解决否?

-------------------------------------------------------------------------------
结论:
^			只匹配起始地址。如果匹配行结尾的下一个字符，涉及到字符回滚，
			对于多字节，这是个比较麻烦的事；而且，这就变相的成为$^语法了
			随之而来的问题是$^和AB^没有意义，但作为可接受的语法
()			不允许
{}			不允许
((R))		不做优化
{R}*
{R}+
{R}?
{R}*?
{R}+?
{R}??		成组重复(包括间接重复)由于很难检查间接重复，就作为可接受的语法。
			在每个组中，标记顺序号来标示是哪个组
(R)
{R}			将阻隔表达式的连续性。如R*?R是连续的，作为一个表达式解析
			但是{R*?}R是被分成了两个表达式解析，其匹配结果必然不同于R*?R

-------------------------------------------------------------------------------
常见表达式:
IP:
	([0-2]??[0-9]<1:2>\.)<3:3>[0-2]??[0-9]<1:2>
C/C++中空白字符:
	[ \t\r\n]
C注释:
	/\*.*?\*/
	已定义为
	\o
C++式注释:
	//.*?\n|$
	已定义为
	\p
C++注释:
	(/\*.*?\*/)|(//.*?\n|$)
	或:
	\o|\p
C字符串:
	"([^\\"]*(\\.)*)*?"
	或
	\s
UINCODE字符串:
	L"([^\\"]*(\\.)*)*?"
	或
	L\s
C/C++变量名
	[_a-zA-Z][_0-9a-zA-Z]*
C/C++中十六进制表示法:
	0[xX][0-0a-fA-F]+
	或
	0[xX]\h+
汇编中十六进制表示法:
	[0-0a-fA-F]+[hH]
	或
	\h+[hH]
八进制表示法:
	0[oO][0-7]+
二进制表示法:
	[01]+[bB]
十进制数字:
	[0-9]+[lL]?
整数:
	[+\-]?[0-9]+[lL]?
浮点数:
	[+\-]?([0-9]+\.[0-9]*)|([0-9]*\.[0-9]+)[fF]?
	或
	\f
科学计数法:
	[+\-]?([0-9]+\.[0-9]*)|([0-9]*\.[0-9]+)[eE][+\-]?[0-9]+
E-mail:
	[_a-zA-Z][_0-9a-zA-Z]*@[^.]+\..+