Perl\'s Regex Flavor

下一页的表7-2概要描述Perl的正则风格。以前，Perl的许多元字符是其他系统不支持的，但是经过许多年之后，其他系统接受了许多Perl的创新。这些常见的特性在第3章的概览里有描述，但是 Perl 还有专属于自己的元素，会在本章后面讲解（表 7-2 覆盖了将要讲解的各个元素）

下面是对表格的补充：

○1b只有在字符组内部才是退格符的简记法。在字符组外部，b表示单词分界符（☞133）。

八进制转义接收2到3位的数值。

「xnum」十六进制转义接收两位数字（也可以是一位数字，但是会报警）。「x{num}」能接收任意长度的十六进制数。

表7-2：Perl的正则流派概览

○2w、d、s之类完全支持Unicode。

Perl的s不能匹配ASCII的垂直制表符（☞115）。

○3 Perl的Unicode支持针对的是Unicode Version 4.1.0。

Unicode字母表也能支持。字母表和属性名可以有‘Is’前缀，但并非必须（☞125）。区块名可以有‘In’前缀，但只有在区块和字母表的名字发生冲突时才必须使用。

Perl也支持「p{L&}」、「p{Any}」、「p{All}、「p{Assigned}」和「p{Unassigned}」属性。Perl 支持例如「p{Letter}」的长属性名。名字的各个单词之间可能是空格、下画线，或者什么也没有，（例如「p{Lowercase_Letter}」，也可能写作「p{Lowercase Letter}」）或者是「p{Lowercase·Letter}」），为了前后一致，我推荐使用第123页表格中的长命名。

「p{^…}」等价于「P{…}」。

○4 单词分界符完全支持Unicode。

○5 顺序环视可能包含捕获型括号。

逆序环视中的子表达式必须匹配固定长度的文本。

○6/x修饰符只能识别ASCII空白字符。/m只对换行符有影响，而且不是所有的Unicode

换行符。

/i能够在Unicode中正常工作。

所有的元字符并不是生而平等的。“正则元字符”没有得到正则引擎的支持，但Perl的正则文字预处理机制能对付。

正则运算符和正则文字

Regex Operands and Regex Literals

表7-2最下面的条目标注有“专属于正则文字”。正则文字（regex literal）就是m/regex/部分中的“regex”，虽然平时称其为“正则表达式”，但在‘/’分隔符之间的部分是有自己的解析规则。用Perl的行话来说，正则文字就是“表示正则含义的双引号字符串（regex-aware double-quoted string）”，及处理之后传递给正则引擎的结果。正则文字处理机制提供了特殊的功能来构建正则表达式。

举例来说，正则文字提供了变量插值功能。如果变量$num的值是20，代码m/：.{$num}：/得到的就是「：.{20}：」。这样可以根据需要即时构建正则表达式。正则文字的另一功能是大小写自动切换展开，U…E 可以保证其中的字母均为大写。比如，m/abcUxyzE/得到正则表达式「abcXYZ」。这个例子有点做作，如果需要使用「abcXYZ」，应该直接输入m/abcXYZ/，但是这种功能结合变量插值就很有用：如果变量$tag 包含字符串“title”，则代码得到。

除正则文字之外还有什么呢？我们可以把字符串（或者任何表达式）当作正则运算元，比如：

当$MatchField用作=～的运算元时，它的值就被解释（interpreted）为正则表达式。这里只能“解释”普通的正则表达式，所以不支持只作用于正则文字的变量插值和「Q…E」。

下面的例子值得思考，如果把：

$text=~$MatchField

替换为：

$text=~m/$MatchField/

结果完全一样。这里的正则文字只包含一个元素——变量$MatchField。正则文字中插值变量的值不会被当作正则文字处理，所以变量内的U…E和$var之类不会被识别（第292页说明了正则文字的处理细节）。

如果正则表达式在程序的执行期间需要多次用到，那么正则运算元采用字符串或变量插值的效率差距就很明显。第348页讨论了这个问题。

正则文字支持的特性

正则文字提供下面的特性：

●变量插值 正则表达式中以$和@开头的变量会被替换为实际变量的值。$变量插入一个简单的纯量值（scalar value）。以@开头的插入数组或者数组的一部分，以空格分隔各个元素（其实是以$＂变量作分隔符，它的默认值是空格）。

在Perl中，‘%’引入一个散列变量（hash variable），但是在字符串中插入一个散列变量并没有太大的意义，所以Perl不支持%插值。

●命名的Unicode字符 如果程序中包含“use charnames\'：full\'；”，就可以用N{name}序列引用Unicode字符。例如，N{LATIN SMALL LETTER SHARP S}匹配“ß”。在Perl的unicore 目录下的UnicodeData.txt中可以找到Perl支持的Unicode字符列表。下面的代码能够报告文件的位置：

“use charnames\'：full\'；”很容易忘记，或者忘记在‘full’前面添加冒号，果真如此的话，N{…}就不能正常工作。同样，如果使用了下面介绍的正则表达式重载，N{…}也不能正常工作。

●大小写转换前缀l和u能够把后面的字符转换为小写或大写形式。通常我们使用此功能来转换插值变量的第一个字符。举例来说，如果变量$title 包含“mr.”，m/…u$title…/就能生成正则表达式「…Mr.…」。Perl 的 lcfirst（）和 ucfirst（）函数提供了同样的功能。

●大小写转换范围L和U能够把后面所有的字符转换为小写或大写，其作用范围一直到表达式末尾，或是E为止。同样是$title，m/…U$titleE…/会产生正则表达式「…MR.…」。Perl的lc（）和uc（）函数提供了同样的功能。

我们可以把这两者结合起来：无论变量$title 采用怎样的字母组合，m/…Lu$titleE…/都会得到「…Mr.…」。

●文字文本范围Q“转义（quote）”正则表达式元字符（也就是在它们之前放一个反斜线，保证它们只作为普通的字符），其作用范围直到字符串的结尾，或者直到E。它能转义正则表达式元字符，但不能转义表示变量插值的正则文字U，当然也不能转义E。奇怪的是，如果反斜线开头的字符序列不能识别——例如F或者H，反斜线也不会被转义。即使是Q…E，这样的序列也会导致“unrecognized escape”警告。

在实践中，这些限制并不是严重的缺陷，Q…E 通常用于引用插值文本，这样就可以正确转义所有的元字符。例如，如果$title包含“Mr.”，那么代码m/…Q$titleE…/就会生成正则表达式「…Mr.…」，我们要的就是这样——希望匹配的是$title中的字符，而不是$title中的正则表达式。

如果你希望在正则表达式中包含某些用户输入的数据，这非常有用。举例来说，m/Q$UserInputE/i能够对$UserInput（作为字符串，而不是正则表达式）中的字符进行不区分大小写的搜索。

Perl的函数quotemeta（）提供了与Q…E等价的功能。

●重载 借助重载，用户可以使用任何期望的方式预处理正则文字的文字字符。这是概念值得讨论，但是目前的实现还有诸多限制。关于重载的细节讨论请参见第341页。

使用自己的正则表达式分隔符

Perl语法中最奇妙（也是最有用）的特性之一就是用户可以使用自己的正则文字分隔符。传统的分隔符是斜线，例如 m/…/、s/…/…/和 qr/…/，不过还可以使用除数字、字母和空格之外的字符。常用的包括：

右边四个是特殊的分隔符：

●右边的四个例子具有不同的开始-结束分隔符，而且可能嵌套（也就是说，如果开始-结束分隔符匹配恰当，表达式中容许包含与分隔符一样的字符）。因为圆括号和方括号在正则表达式中经常用到，m（…）和m[…]可能不如其他更有吸引力。使用/x修饰符时，可能出现下面的形式：

也可以使用某种组合标记 regex，另一组（如果你喜欢，也可以用同样的）标记replacement。例如：

如果这样做了，就可以在两对分隔符之间插入空格和注释。第 319 页进一步讲解了substitution运算符的replacement运算元。

●对match运算符来说，把问号作为分隔符有其特殊价值（禁止更多的匹配），这一点在下一节讲解关于match运算符时讨论（☞308）。

●288页已经提到，正则文字被解析成“表示正则含义的双引号字符串”。如果用单引号作分隔符，就无法使用这些功能。使用 m\'…\'时就不会进行变量插值，实时修改文本的结构（比如Q…E）不会生效，N{…}也无法使用。也许在使用包含多个@的正则表达式时m\'…\'很有价值，因为这样可以不需要转义。

如果进行match操作，而分隔符是斜线或者问号，可以省略m，也就是：

是等价的。但我更喜欢明确写上m。

正则文字的解析方式

How Regex Literals Are Parsed

大多数情况下，如果用户“只会用到”上文讲解的正则文字特性，就不需要理解 Perl 将它们转换为真正的正则表达式的具体细节。就这一点来说，Perl直观性非常方便，但是许多时候，了解细节并无坏处。下面列出了各种处理的顺序：

1.找到结束分隔符，读入修饰符（例如/i之类）。下面的处理就能判断是否采用了/x之类的模式。

2.变量插值。

3.如果使用了正则表达式重载，正则文字的每个部分都会交给重载子程序来处理。各部分由插值变量分隔；插入的值是无法重载的。

如果正则表达式没有进行重载，处理N{…}。

4.应用大小写转换结构（例如Q…E）。

5.把结果提交给正则引擎。

以上是程序员眼中的处理，但是 Perl 内部的处理其实是很复杂的。单单是第二步，就必须识别正则表达式的元字符，比如不应把「this$|that$」下画线的那部分识别为变量。

正则修饰符

Regex Modifiers

Perl的正则运算符容许在正则文字的结束分隔符之后添加正则修饰符（例如m/…/i、s/…/…/i和qr/…/i中的i）。所有运算符都支持的核心修饰符一共有5种，详见表7-3。

头四种在第 3 章已经介绍过，它们能够作为模式修饰符（☞135）或者范围模式修饰符（☞135），在正则表达式之中使用。如果正则表达式内部出现了修饰符，match运算符也用到了修饰符，则正则表达式内部的修饰符的优先级更高（从另一方面来说就是，一旦修饰符应用到正则表达式内部的某些元素，这些元素就不再受其他修饰符的影响）。

表7-3：所有正则运算符可用到的核心修饰符

第五个核心修饰符/o，与效率有很大的关系。此问题从第348页开始讨论。

如果需要使用多个修饰符，只需要把它们并排列在结束分隔符之后即可，排列的顺序是无关紧要的（注3）。请注意，斜线本身不是修饰符，你可以使用m/＜title＞/i、m|＜title＞|i，或是m{＜title＞}i，甚至是m＜＜title＞＞i。不过在讲解修饰符时，通行的做法是加上一个斜线，例如“修饰符/i”。