ES6 正则的扩展
-
RegExp 构造函数
ES5 中 RegExp 构造函数的参数有两种情况。第一种情况是,参数是字符串,这时第二个参数表示正则表达式的修饰符(flag)。第二种情况是,参数是一个正则表示式,这时会返回一个原有正则表达式的拷贝。但是,ES5 不允许此时使用第二个参数添加修饰符,否则会报错。ES6 改变了这种行为。如果 RegExp 构造函数第一个参数是一个正则对象,那么可以使用第二个参数指定修饰符。而且,返回的正则表达式会忽略原有的正则表达式的修饰符,只使用新指定的修饰符。上面代码中,原有正则对象的修饰符是 ig,它会被第二个参数 i 覆盖。 -
字符串的正则方法
字符串对象共有 4 个方法,可以使用正则表达式:match()、replace()、search() 和 split()。ES6 将这 4 个方法,在语言内部全部调用 RegExp 的实例方法,从而做到所有与正则相关的方法,全都定义在 RegExp 对象上。- String.prototype.match 调用 RegExp.prototype[Symbol.match]
- String.prototype.replace 调用 RegExp.prototype[Symbol.replace]
- String.prototype.search 调用 RegExp.prototype[Symbol.search]
- String.prototype.split 调用 RegExp.prototype[Symbol.split]
-
u 修饰符
ES6 对正则表达式添加了 u 修饰符,含义为 “Unicode 模式”,用来正确处理大于 \uFFFF 的 Unicode 字符。也就是说,会正确处理四个字节的 UTF-16 编码。上面代码中,\uD83D\uDC2A 是一个四个字节的 UTF-16 编码,代表一个字符。但是,ES5 不支持四个字节的 UTF-16 编码,会将其识别为两个字符,导致第二行代码结果为 true。加了 u 修饰符以后,ES6 就会识别其为一个字符,所以第一行代码结果为 false。一旦加上u修饰符号,就会修改下面这些正则表达式的行为。(1)点字符点(.)字符在正则表达式中,含义是除了换行符以外的任意单个字符。对于码点大于 0xFFFF 的 Unicode 字符,点字符不能识别,必须加上 u 修饰符。上面代码表示,如果不添加 u 修饰符,正则表达式就会认为字符串为两个字符,从而匹配失败。(2)Unicode 字符表示法ES6 新增了使用大括号表示 Unicode 字符,这种表示法在正则表达式中必须加上 u 修饰符,才能识别当中的大括号,否则会被解读为量词。上面代码表示,如果不加 u 修饰符,正则表达式无法识别 \u{61} 这种表示法,只会认为这匹配 61 个连续的 u。(3)量词使用 u 修饰符后,所有量词都会正确识别码点大于 0xFFFF 的 Unicode 字符。(4)预定义模式u 修饰符也影响到预定义模式,能否正确识别码点大于 0xFFFF 的 Unicode 字符。上面代码的 \S 是预定义模式,匹配所有非空白字符。只有加了 u 修饰符,它才能正确匹配码点大于 0xFFFF 的 Unicode 字符。利用这一点,可以写出一个正确返回字符串长度的函数。(5)i 修饰符有些 Unicode 字符的编码不同,但是字型很相近,比如,\u004B 与 \u212A 都是大写的 K。上面代码中,不加 u 修饰符,就无法识别非规范的 K 字符。(6)转义没有 u 修饰符的情况下,正则中没有定义的转义(如逗号的转义\,)无效,而在 u 模式会报错。上面代码中,没有 u 修饰符时,逗号前面的反斜杠是无效的,加了 u 修饰符就报错。 -
RegExp.prototype.unicode 属性
正则实例对象新增 unicode 属性,表示是否设置了 u 修饰符。上面代码中,正则表达式是否设置了 u 修饰符,可以从 unicode 属性看出来。 -
y 修饰符
除了 u 修饰符,ES6 还为正则表达式添加了 y 修饰符,叫做“粘连”(sticky)修饰符。y 修饰符的作用与 g 修饰符类似,也是全局匹配,后一次匹配都从上一次匹配成功的下一个位置开始。不同之处在于,g 修饰符只要剩余位置中存在匹配就可,而 y 修饰符确保匹配必须从剩余的第一个位置开始,这也就是“粘连”的涵义。上面代码有两个正则表达式,一个使用 g 修饰符,另一个使用 y 修饰符。这两个正则表达式各执行了两次,第一次执行的时候,两者行为相同,剩余字符串都是 _aa_a。由于 g 修饰没有位置要求,所以第二次执行会返回结果,而 y 修饰符要求匹配必须从头部开始,所以返回 null。如果改一下正则表达式,保证每次都能头部匹配,y 修饰符就会返回结果了。上面代码每次匹配,都是从剩余字符串的头部开始。使用 lastIndex 属性,可以更好地说明 y 修饰符。上面代码中,lastIndex 属性指定每次搜索的开始位置,g 修饰符从这个位置开始向后搜索,直到发现匹配为止。y 修饰符同样遵守 lastIndex 属性,但是要求必须在 lastIndex 指定的位置发现匹配。实际上,y 修饰符号隐含了头部匹配的标志 ^。上面代码由于不能保证头部匹配,所以返回 null。y 修饰符的设计本意,就是让头部匹配的标志 ^ 在全局匹配中都有效。下面是字符串对象的 replace 方法的例子。上面代码中,最后一个 a 因为不是出现在下一次匹配的头部,所以不会被替换。单单一个 y 修饰符对 match 方法,只能返回第一个匹配,必须与 g 修饰符联用,才能返回所有匹配。y 修饰符的一个应用,是从字符串提取 token(词元),y 修饰符确保了匹配之间不会有漏掉的字符。上面代码中,如果字符串里面没有非法字符,y 修饰符与 g 修饰符的提取结果是一样的。但是,一旦出现非法字符,两者的行为就不一样了。上面代码中,g 修饰符会忽略非法字符,而 y 修饰符不会,这样就很容易发现错误。 -
RegExp.prototype.sticky 属性
与 y 修饰符相匹配,ES6 的正则实例对象多了 sticky 属性,表示是否设置了 y 修饰符。 -
RegExp.prototype.flags 属性
ES6 为正则表达式新增了 flags 属性,会返回正则表达式的修饰符。 -
s 修饰符:dotAll 模式
正则表达式中,点(.)是一个特殊字符,代表任意的单个字符,但是有两个例外。一个是四个字节的 UTF-16 字符,这个可以用 u 修饰符解决;另一个是行终止符(line terminator character)。所谓行终止符,就是该字符表示一行的终结。以下四个字符属于“行终止符”。- U+000A 换行符(\n)
- U+000D 回车符(\r)
- U+2028 行分隔符(line separator)
- U+2029 段分隔符(paragraph separator)
上面代码中,因为.不匹配 \n,所以正则表达式返回 false。但是,很多时候我们希望匹配的是任意单个字符,这时有一种变通的写法。这种解决方案毕竟不太符合直觉,ES2018 引入 s 修饰符,使得.可以匹配任意单个字符。这被称为 dotAll 模式,即点(dot)代表一切字符。所以,正则表达式还引入了一个 dotAll 属性,返回一个布尔值,表示该正则表达式是否处在 dotAll 模式。/s 修饰符和多行修饰符 /m 不冲突,两者一起使用的情况下,. 匹配所有字符,而 ^ 和 $ 匹配每一行的行首和行尾。 -
后行断言
JavaScript 语言的正则表达式,只支持先行断言(lookahead)和先行否定断言(negative lookahead),不支持后行断言(lookbehind)和后行否定断言(negative lookbehind)。ES2018 引入后行断言,V8 引擎 4.9 版(Chrome 62)已经支持。“先行断言” 指的是,x 只有在 y 前面才匹配,必须写成 /x(?=y)/。比如,只匹配百分号之前的数字,要写成 /\d+(?=%)/。“先行否定断言” 指的是,x 只有不在 y 前面才匹配,必须写成 /x(?!y)/。比如,只匹配不在百分号之前的数字,要写成 /\d+(?!%)/。上面两个字符串,如果互换正则表达式,就不会得到相同结果。另外,还可以看到,“先行断言” 括号之中的部分((?=%)),是不计入返回结果的。“后行断言” 正好与 “先行断言” 相反,x 只有在 y 后面才匹配,必须写成 /(?<=y)x/。比如,只匹配美元符号之后的数字,要写成 /(?<=\$)\d+/。“后行否定断言” 则与 “先行否定断言” 相反,x 只有不在 y 后面才匹配,必须写成 /(?<!y)x/。比如,只匹配不在美元符号后面的数字,要写成 /(?<!\$)\d+/。上面的例子中,“后行断言” 的括号之中的部分((?<=\$)),也是不计入返回结果。下面的例子是使用后行断言进行字符串替换。上面代码中,只有在美元符号后面的 foo 才会被替换。“后行断言” 的实现,需要先匹配 /(?<=y)x/ 的 x,然后再回到左边,匹配 y 的部分。这种 “先右后左” 的执行顺序,与所有其他正则操作相反,导致了一些不符合预期的行为。首先,后行断言的组匹配,与正常情况下结果是不一样的。上面代码中,需要捕捉两个组匹配。没有 “后行断言” 时,第一个括号是贪婪模式,第二个括号只能捕获一个字符,所以结果是 105 和 3。而“后行断言”时,由于执行顺序是从右到左,第二个括号是贪婪模式,第一个括号只能捕获一个字符,所以结果是 1 和 053。其次,“后行断言” 的反斜杠引用,也与通常的顺序相反,必须放在对应的那个括号之前。上面代码中,如果后行断言的反斜杠引用(\1)放在括号的后面,就不会得到匹配结果,必须放在前面才可以。因为后行断言是先从左到右扫描,发现匹配以后再回过头,从右到左完成反斜杠引用。 -
Unicode 属性类
ES2018 引入了一种新的类的写法 \p{...} 和 \P{...} ,允许正则表达式匹配符合 Unicode 某种属性的所有字符。上面代码中,\p{Script=Greek} 指定匹配一个希腊文字母,所以匹配 π 成功。Unicode 属性类要指定属性名和属性值。对于某些属性,可以只写属性名,或者只写属性值。\P{…} 是 \p{…} 的反向匹配,即匹配不满足条件的字符。注意,这两种类只对 Unicode 有效,所以使用的时候一定要加上 u 修饰符。如果不加 u 修饰符,正则表达式使用 \p 和 \P 会报错,ECMAScript 预留了这两个类。由于 Unicode 的各种属性非常多,所以这种新的类的表达能力非常强。上面代码中,属性类指定匹配所有十进制字符,可以看到各种字型的十进制字符都会匹配成功。\p{Number} 甚至能匹配罗马数字。下面是其他一些例子。 -
具名组匹配
正则表达式使用圆括号进行组匹配。上面代码中,正则表达式里面有三组圆括号。使用 exec 方法,就可以将这三组匹配结果提取出来。组匹配的一个问题是,每一组的匹配含义不容易看出来,而且只能用数字序号(比如matchObj[1])引用,要是组的顺序变了,引用的时候就必须修改序号。ES2018 引入了具名组匹配(Named Capture Groups),允许为每一个组匹配指定一个名字,既便于阅读代码,又便于引用。上面代码中,“具名组匹配” 在圆括号内部,模式的头部添加 “问号 + 尖括号 + 组名”(?<year>),然后就可以在 exec 方法返回结果的 groups 属性上引用该组名。同时,数字序号(matchObj[1])依然有效。具名组匹配等于为每一组匹配加上了 ID,便于描述匹配的目的。如果组的顺序变了,也不用改变匹配后的处理代码。如果具名组没有匹配,那么对应的 groups 对象属性会是 undefined。上面代码中,具名组 as 没有找到匹配,那么 matchObj.groups.as 属性值就是 undefined,并且 as 这个键名在 groups 是始终存在的。有了具名组匹配以后,可以使用解构赋值直接从匹配结果上为变量赋值。字符串替换时,使用 $<组名> 引用具名组。上面代码中,replace 方法的第二个参数是一个字符串,而不是正则表达式。replace 方法的第二个参数也可以是函数,该函数的参数序列如下。具名组匹配在原来的基础上,新增了最后一个函数参数:具名组构成的一个对象。函数内部可以直接对这个对象进行解构赋值。如果要在正则表达式内部引用某个 “具名组匹配”,可以使用 \k<组名> 的写法。数字引用(\1)依然有效。这两种引用语法还可以同时使用。 -
String.prototype.matchAll()
如果一个正则表达式在字符串里面有多个匹配,现在一般使用 g 修饰符或 y 修饰符,在循环里面逐一取出。上面代码中,while 循环取出每一轮的正则匹配,一共三轮。ES2020 增加了 String.prototype.matchAll() 方法,可以一次性取出所有匹配。不过,它返回的是一个遍历器(Iterator),而不是数组。上面代码中,由于 string.matchAll(regex) 返回的是遍历器,所以可以用 for...of 循环取出。相对于返回数组,返回遍历器的好处在于,如果匹配结果是一个很大的数组,那么遍历器比较节省资源。遍历器转为数组是非常简单的,使用 ... 运算符和 Array.from() 方法就可以了。