精通正则表达式学习记录第二章入门示例扩展

用环视功能为数值添加逗号

为了更好地显示大的数值，可以每三个数值加一个逗号显示如298444215显示为298,444,215。要用正则表达式来匹配这样的文本，需要使用新特性“环视”。
环视结构：不匹配任何字符，只匹配文本中特定的位置，这一点与单词分界符\b锚点^和$相似。但是，环视比它们更加通用。

一种类型的环视叫顺序环视，它顺序查看文本，尝试匹配子表达式，如果能够匹配，就返回匹配成功信息。
肯定型环视：用特殊的序列(?=...)来表示，例如(?=\d)，它表示如果当前位置右边的字符是数字则匹配成功。
逆序环视：它逆序（从右到左）查看文本。用特殊的序列(?<=...)表示，例如(?<=\d)表示如果当前位置的左边有一位数字则匹配成功。

环视不会“占用”字符

一些例子：
正则表达式Jeffrey匹配文本串...by Jeffery Friedl.中的对应单词。但同样的正则表达式如果使用环视，即(?=Jeffery)，则匹配标记的位置。

正则表达式(?=Jeffery)Jeff精确匹配Jeff，而祛除了ery。该正则表达式等价于表达式Jeff(?=ery)。注意环视用来匹配位置而不占用字符。

在讲解如何给大数值加逗号之前，先用一个简单的例子来说明环视是如何匹配位置并在某位置插入字符的。
假设我们要实现：将文本Jeffs替换为Jeff's。
最简单的是使用s/Jeffs/Jeff's/g，但是更好地方法是使用单词界定符s/\bJeffs\b/Jeff's/g。
还可以使用更复杂的例子：s/\b(Jeff)(s)\b/$1'$2/g。但是这个方法更复杂。当使用环视时可以写作：s/\bJeff(?=s\b)/Jeff'/g。只有当s\b在Jeff匹配之后的位置时，整个正则表达式才能够匹配。但是，因为s\b只是顺序环视子表达式的一部分，它所匹配的s不属于最终匹配的文本。注意Jeff确定匹配文本，而顺序环视只是“选择”一个位置。
还有两个只用环视来确定位置的写法如下：
s/(?<=\bJeff)(?=s\b)/'/g
s/(?=s\b)(?<=\bJeff)/'/g
都可以实现插入'。上面的例子匹配这样一个位置：该位置位于Jeff的右边且位于s的左边。然后在该位置放入'。这样就完成了我们要实现的功能。

回到逗号的例子

要解决插入逗号的问题，应该找满足下面两个条件的位置：

它的左边有数字，这就是(?<=\d)。
它的右边数字的个数正好是3的倍数，(?=(\d\d\d)+$)来实现。
完整的程序是：

$pop =~ s/(?<=\d)(?=(\d\d\d)+$)/'/g;
print "The US population is $pop\n";

这就可以输出以逗号分割的美国人口数。

单词分界符和否定环视

如果用上述正则表达式（s/(?<=\d)(?=(\d\d\d)+$)/'/g;）匹配文本The population of 298444215 is growing;
是匹配不到的，因为数字不是句子的末尾。
这里为了处理这种情况需要用单词分界符来界定数值。可以用\b来替换$。
单词分界符的意思是：在此位置的一侧是单词（例如数字），另一侧不是（例如行的末尾，或者数字后面的空格）。

这个“一侧如此这般，另一侧如此那般”与例子Jeffs很类似。

肯定顺序环视((?=...))和肯定逆序环视((?<=...))：它们成功的条件是子表达式在这些位置能够匹配。
否定逆序环视((?<!...))和否定顺序环视((?!...))。
所以，如果单词分界符的意思是：一侧是\w另一侧不是\w，我们就能用(?=\w)(?<!=\w)来表示单词起始分界符。用(?!\w)(?<=\w)匹配单词的结束分界符。把两者结合起来等价于((?<!\w)(?=\w)|(?<=\w)(?!\w))就等价于\b。在实践中，直接使用\b更简便，效率也更高。

所以上述逗号插入问题可以写成下面的正则：
$text =~ s/(?<=\d)(?=(\d\d\d)+(?!\d))/'/g;
但是上面的表达式会和...the 1970s...匹配。实际上，我们根本不希望这里的正则表达式能够匹配... in 1970...。所以，我们必须知道期望用正则表达式处理的文本，以及开发的程序适合解决什么样的问题（如果数据包含年份信息，这个正则表达式就可能不适合）。

不通过逆序环视添加逗号

不用逆序环视解决加逗号的问题：$text =~ s/(\d)((\d\d\d)+(?!\d))/$1,/g;
是否可以连顺序环视都不用呢？即下面的例子是否可以：$text =~ s/(\d)((\d\d\d)+\b)/$1,$2/g;。答案是不可以，会得到"281,421906"的字符串。这是因为(\d\d\d)+匹配的数字属于最终匹配文本，所以不能作为“未匹配的”部分，供/g的下一次匹配迭代使用。