正则基础之——捕获组（capture group）
1 概述
1.1 什么是捕获组
捕获组就是把正则表达式中子表达式匹配的内容，保存到内存中以数字编号或显式命名的组里，方便后面引用。固然，这种引用既能够是在正则表达式内部，也能够是在正则表达式外部。javascript
捕获组有两种形式，一种是普通捕获组，另外一种是命名捕获组，一般所说的捕获组指的是普通捕获组。语法以下：html
普通捕获组：(Expression)java
命名捕获组：(?<name>Expression)正则表达式
普通捕获组在大多数支持正则表达式的语言或工具中都是支持的，而命名捕获组目前只有.NET、PHP、Python等部分语言支持，听说Java会在7.0中提供对这一特性的支持。上面给出的命名捕获组的语法是.NET中的语法，另外在.NET中使用(?’name’Expression)与使用(?<name>Expression)是等价的。在PHP和Python中命名捕获组语法为：(?P<name>Expression)。工具
另外须要说明的一点是，除(Expression)和(?<name>Expression)语法外，其它的(?...)语法都不是捕获组。url
1.2 捕获组编号规则
编号规则指的是以数字为捕获组进行编号的规则，在普通捕获组或命名捕获组单独出现的正则表达式中，编号规则比较清晰，在普通捕获组与命名捕获组混合出现的正则表达式中，捕获组的编号规则稍显复杂。spa
在展开讨论以前，须要说明的是，编号为0的捕获组，指的是正则表达式总体，这一规则在支持捕获组的语言中，基本上都是适用的。下面对其它编号规则逐一展开讨论。.net
1.2.1 普通捕获组编号规则
若是没有显式为捕获组命名，即没有使用命名捕获组，那么须要按数字顺序来访问全部捕获组。在只有普通捕获组的状况下，捕获组的编号是按照“(”出现的顺序，从左到右，从1开始进行编号的。code
正则表达式：(\d{4})-(\d{2}-(\d\d))htm
上面的正则表达式能够用来匹配格式为yyyy-MM-dd的日期，为了在下表中得以区分，月和日分别采用了\d{2}和\d\d这两种写法。
用以上正则表达式匹配字符串：2008-12-31，匹配结果为：
| 编号 |
命名 |
捕获组 |
匹配内容 |
| 0 |
(\d{4})-(\d{2}-(\d\d)) |
2008-12-31 |
|
| 1 |
(\d{4}) |
2008 |
|
| 2 |
|
(\d{2}-(\d\d)) |
12-31 |
| 3 |
|
(\d\d) |
31 |
1.2.2 命名捕获组编号规则
命名捕获组经过显式命名，能够经过组名方便的访问到指定的组，而不须要去一个个的数编号，同时避免了在正则表达式扩展过程当中，捕获组的增长或减小对引用结果致使的不可控。
不过容易忽略的是，命名捕获组也参与了编号的，在只有命名捕获组的状况下，捕获组的编号也是按照“(”出现的顺序，从左到右，从1开始进行编号的。
正则表达式：(?<year>\d{4})-(?<date>\d{2}-(?<day>\d\d))
用以上正则表达式匹配字符串：2008-12-31
匹配结果为：
| 编号 |
命名 |
捕获组 |
匹配内容 |
| 0 |
(?<year>\d{4})-(?<date>\d{2}-(?<day>\d\d)) |
2008-12-31 |
|
| 1 |
year |
(?<year>\d{4}) |
2008 |
| 2 |
date |
(?<date>\d{2}-(?<day>\d\d)) |
12-31 |
| 3 |
day |
(?<day>\d\d) |
31 |
1.2.3 普通捕获组与命名捕获组混合编号规则
当一个正则表达式中，普通捕获组与命名捕获组混合出现时，捕获组的编号规则稍显复杂。对于其中的命名捕获组，随时均可以经过组名进行访问，而对于普通捕获组，则只能经过肯定其编号后进行访问。
混合方式的捕获组编号，首先按照普通捕获组中“(”出现的前后顺序，从左到右，从1开始进行编号，当普通捕获组编号完成后，再按命名捕获组中“(”出现的前后顺序，从左到右，接着普通捕获组的编号值继续进行编号。
也就是先忽略命名捕获组，对普通捕获组进行编号，当普通捕获组完成编号后，再对命名捕获组进行编号。
正则表达式：(\d{4})-(?<date>\d{2}-(\d\d))
用以上正则表达式匹配字符串：2008-12-31，匹配结果为：
| 编号 |
命名 |
捕获组 |
匹配内容 |
| 0 |
(\d{4})-(?<date>\d{2}-(\d\d)) |
2008-12-31 |
|
| 1 |
(\d{4}) |
2008 |
|
| 3 |
date |
(?<date>\d{2}-(\d\d)) |
12-31 |
| 2 |
|
(\d\d) |
31 |
2 捕获组的引用
对捕获组的引用通常有如下几种：
1) 正则表达式中，对前面捕获组捕获的内容进行引用，称为反向引用；
2) 正则表达式中，(?(name)yes|no)的条件判断结构；
3) 在程序中，对捕获组捕获内容的引用。
2.1 反向引用
捕获组捕获到的内容，不只能够在正则表达式外部经过程序进行引用，也能够在正则表达式内部进行引用，这种引用方式就是反向引用。
反向引用的做用一般是用来查找或限定重复，限定指定标识配对出现等等。
对于普通捕获组和命名捕获组的引用，语法以下：
普通捕获组反向引用：\k<number>，一般简写为\number
命名捕获组反向引用：\k<name>或者\k'name'
普通捕获组反向引用中number是十进制的数字，即捕获组的编号；命名捕获组反向引用中的name为命名捕获组的组名。
反向引用涉及到的内容比较多，后续单独说明。
2.2 条件判断表达式
条件判断结构在平衡组中谈到过，基本应用和扩展应用均可以在其中找到例子，这里再也不赘述，请参考.NET正则基础之——平衡组。
2.3 程序中引用
根据语言的不一样，程序中对捕获组引用的方式也有所不一样，下面就JavaScript和.NET进行举例说明。
2.3.1 JavaScript中的引用
因为JavaScript中不支持命名捕获组，因此对于捕获组的引用就只支持普通捕获组的反向引用和$number方式的引用。程序中的引用通常在替换和匹配时使用。
注：如下应用举例仅考虑简单应用场景，对于<a href="javascript:document.write('<b>hello</b>')"/>这种复杂场景暂不考虑。
1) 在Replace中引用，一般是经过$number方式引用。
举例：替换掉html标签中的属性。
<textareaid="result"rows="10"cols="100"></textarea>
<scripttype="text/javascript">
var data = "<table id=\"test\"><tr class=\"light\"><td> test </td></tr></table>";
var reg = /<([a-z]+)[^>]*>/ig;
document.getElementById("result").value = data.replace(reg, "<$1>");
</script>
//输出
<table><tr><td> test </td></tr></table>
2) 在匹配时的引用，一般经过RegExp.$number方式引用。
举例：同时获取<img…>中的src和name属性值，属性的顺序不固定。参考一条正则能不能同时取出一个img标记的src和name?
<textarea id="result" rows="10" cols="100"></textarea>
<script type="text/javascript">
var data = [' <img alt="" border="0" name="g6-o44-1" onload="DrawImage" src="/bmp/foo1.jpg" />', ' <img src="/bmp/foo2.jpg" alt="" border="0" name="g6-o44-2" onload="DrawImage" />'] ;
var reg = /<img\b(?=(?:(?!name=).)*name=(['"]?)([^'"\s>]+)\1)(?:(?!src=).)*src=(['"]?)([^'"\s>]+)\3[^>]*>/i;
for(var i=0;i<data.length;i++)
{
var s = data[i];
document.getElementById("result").value += "源字符串：" + s + "\n";
document.write("<br />");
if(reg.test(s))
{
document.getElementById("result").value += "name: " + RegExp.$2 + "\n";
document.getElementById("result").value += "src: " + RegExp.$4 + "\n";
}
}
</script>
2.3.2 .NET中的引用
因为.NET支持命名捕获组，因此在.NET中的引用方式会多一些。一般也是在两种场景下应用，一是替换，一是匹配。
1) 替换中的引用
普通捕获组：$number
命名捕获组：${name}
替换中应用，还是上面的例子。
举例：替换掉html标签中的属性。使用普通捕获组。
string data ="<table id=\"test\"><tr class=\"light\"><td> test </td></tr></table>"; richTextBox2.Text = Regex.Replace(data, @"(?i)<([a-z]+)[^>]*>", "<$1>"); //输出 <table><tr><td> test </td></tr></table>
使用命名捕获组。
string data ="<table id=\"test\"><tr class=\"light\"><td> test
</td></tr></table>";
richTextBox2.Text
= Regex.Replace(data, @"(?i)<(?<tag>[a-z]+)[^>]*>", "<${tag}>");
//输出
<table><tr><td> test </td></tr></table>
2) 匹配后的引用
对于匹配结果中捕获组捕获内容的引用，能够经过Groups和Result对象进行引用。
string test = "<a href=\"http://www.csdn.net\">CSDN</a>";
Regex reg = new Regex(@"(?is)<a(?:(?!href=).)*href=(['""]?)(?<url>[^""'\s>]*)\1[^>]*>(?<text>(?:(?!</a>).)*)</a>");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += "m.Value".PadRight(25) + m.Value + "\n";
richTextBox2.Text += "m.Result(\"$0\") ： ".PadRight(25) + m.Result("$0") + "\n";
richTextBox2.Text += "m.Groups[0].Value ： ".PadRight(25) +m.Groups[0].Value + "\n";
richTextBox2.Text += "m.Result(\"$2\") ： ".PadRight(25) + m.Result("$2") + "\n";
richTextBox2.Text += "m.Groups[2].Value ： ".PadRight(25) + m.Groups[2].Value + "\n";
richTextBox2.Text += "m.Result(\"${url}\") ： ".PadRight(25) + m.Result("${url}") + "\n";
richTextBox2.Text += "m.Groups[\"url\"].Value ： ".PadRight(25) + m.Groups["url"].Value + "\n";
richTextBox2.Text += "m.Result(\"$3\") ： ".PadRight(25) + m.Result("$3") + "\n";
richTextBox2.Text += "m.Groups[3].Value ： ".PadRight(25) + m.Groups[3].Value + "\n";
richTextBox2.Text += "m.Result(\"${text}\") ： ".PadRight(25) + m.Result("${text}") + "\n";
richTextBox2.Text += "m.Groups[\"text\"].Value ： ".PadRight(25) + m.Groups["text"].Value + "\n";
}
//输出
m.Value : <a href="http://www.csdn.net">CSDN</a>
m.Result("$0") : <a href="http://www.csdn.net">CSDN</a>
m.Groups[0].Value : <a href="http://www.csdn.net">CSDN</a>
m.Result("$2") : http://www.csdn.net
m.Groups[2].Value : http://www.csdn.net
m.Result("${url}") : http://www.csdn.net
m.Groups["url"].Value : http://www.csdn.net
m.Result("$3") : CSDN
m.Groups[3].Value : CSDN
m.Result("${text}") : CSDN
m.Groups["text"].Value : CSDN
对于捕获组0的引用，能够简写做m.Value。
下面举一个项目中遇到的正则匹配:
Pattern p = Pattern.compile("\\(((((\\d*(\\.\\d+)?)\\×\\(\\d\\+\\d*(\\.\\d+)*%*\\)\\×(\\d*(\\.\\d+)?))?)\\+(((\\d*(\\.\\d+)?)\\×(\\d*(\\.\\d+)?))?)(\\+(\\d*(\\.\\d+)?))?)\\)(\\×(\\d*(\\.\\d+)?)\\×(\\d*(\\.\\d+)?))");
String s = "(3.52×(1+1.5%)×65+2.2×1+0)×1.01×1";
Matcher m = p.matcher(s);
while (m.find()) {
int count = m.groupCount();
for(int i = 0;i<=count;i++){
System.out.print(i+" ");
System.out.println(m.group(i));
}
}
//输出为:
0 (3.52×(1+1.5%)×65+2.2×1+0)×1.01×1
1 3.52×(1+1.5%)×65+2.2×1+0
2 3.52×(1+1.5%)×65
3 3.52×(1+1.5%)×65
4 3.52
5 .52
6 .5
7 65
8 null
9 2.2×1
10 2.2×1
11 2.2
12 .2
13 1
14 null
15 +0
16 0
17 null
18 ×1.01×1
19 1.01
20 .01
21 1
22 null
解释:
(0)、group(0)表示匹配正则表达式的整个字符串,由于字符串s恰好只匹配一次正则表达式,因此显示为(3.52×(1+1.5%)×65+2.2×1+0)×1.01×1
(1)、正则表达式中的\\(不计算在组里面的,因此group(1)表示从左边起第二个(里面的内容（由于第一个是\\(,因此不在组计数的里面）,因此为3.52×(1+1.5%)×65+2.2×1+0，
\\(表示非正则表达式中的组,而是匹配字符串中自己就携带了(号，在计算分组下标的时候，只计算匹配规则中的组括号(，而不计算\\(。
(2)、2,3,4,同理
(5)、匹配为(\\.\\d+)，对应匹配字符串中的.52
完整的组下标为: