6.11 正则表达式：模式匹配、捕获组、先行/后行断言、matchAll、Unicode 属性转义

原理

正则表达式（Regular Expression）是一种描述字符串模式的声明式语言。JavaScript 的正则引擎基于 NFA（非确定有限自动机）回溯实现，支持大部分 PCRE 特性，并在 ES2018 后大幅增强了 Unicode 支持。

RegExp 的创建与标志

正则可通过字面量 /pattern/flags 或 new RegExp('pattern', 'flags') 创建。后者支持动态构建模式，但需要对反斜杠进行双重转义。

标志（Flags）：

• g（global）：全局匹配，找到所有匹配而非第一个。
• i（ignoreCase）：忽略大小写。
• m（multiline）：^ 和 $ 匹配每行的开头和结尾。
• s（dotAll，ES2018）：. 匹配包括换行符在内的所有字符。
• u（unicode，ES2015）：启用 Unicode 模式，正确处理码点大于 ￿ 的字符。
• y（sticky，ES2015）：粘性匹配，从 lastIndex 开始严格匹配。
• d（hasIndices，ES2022）：匹配结果包含每个捕获组的起始/结束索引数组。

捕获组与反向引用

圆括号 (...) 创建捕获组，匹配结果存储在 RegExp.$1、$2 或结果数组中。非捕获组 (?:...) 仅用于分组，不保存匹配内容。

命名捕获组（ES2018）：(?<name>...)，通过 match.groups.name 访问。

const re = /(?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2})/;
const result = re.exec('2024-03-15');
console.log(result.groups.year); // '2024'

先行断言与后行断言

断言（Assertion）匹配位置而非字符，不消耗输入字符串。

• 正向先行断言：x(?=y)，匹配后面跟着 y 的 x。
• 负向先行断言：x(?!y)，匹配后面不跟着 y 的 x。
• 正向后行断言（ES2018）：(?<=y)x，匹配前面有 y 的 x。
• 负向后行断言（ES2018）：(?<!y)x，匹配前面没有 y 的 x。

// 匹配价格数字（前面有 $ 符号）
const prices = 'Apple $1.50, Banana $0.80';
const priceRe = /(?<=\$)\d+\.\d+/g;
prices.match(priceRe); // ['1.50', '0.80']

matchAll 与迭代器

String.prototype.matchAll（ES2020）返回一个迭代器，产出所有匹配结果（包括捕获组信息），避免了 match 在全局模式下丢失捕获组的问题。

const str = 'test1 test2';
const re = /t(e)(st(\d?))/g;

// match 在 g 模式下返回 ['test1', 'test2']，丢失捕获组
// matchAll 保留所有信息
for (const match of str.matchAll(re)) {
  console.log(match[0], match[1], match[2], match[3]);
}

Unicode 属性转义（ES2018）

在 u 标志下，可使用 \p{Property} 和 \P{Property} 匹配 Unicode 字符属性：

const emojiRe = /\p{Emoji}/gu;
'Hello 👋 World 🌍'.match(emojiRe); // ['👋', '🌍']

// 匹配所有中文字符
const chineseRe = /\p{Script=Han}/gu;
'中文123'.match(chineseRe); // ['中', '文']

用法

// 使用命名捕获组进行 URL 解析
const urlRe = /^(?<protocol>https?):\/\/(?<host>[^\/]+)(?<path>.*)$/;
const { groups } = urlRe.exec('https://example.com/path?query=1');
// groups: { protocol: 'https', host: 'example.com', path: '/path?query=1' }

// 使用 matchAll 提取所有代码块
const markdown = '```js\nconst x = 1;\n```\n```py\nx = 1\n```';
const codeRe = /```(?<lang>\w+)\n(?<code>[\s\S]*?)\n```/g;
const blocks = [...markdown.matchAll(codeRe)];
blocks.forEach(([_, lang, code]) => console.log(lang, code));

// 安全的用户名校验（允许字母、数字、下划线、连字符）
const usernameRe = /^[a-zA-Z0-9_-]{3,20}$/;

实践

正则性能优化

正则引擎使用回溯算法，某些模式会导致灾难性回溯（Catastrophic Backtracking）：

// 危险：嵌套量词 + 模糊匹配
const badRe = /(a+)+b/;
badRe.test('aaaaaaaaaaaaaaaaaaaaaaaaaaaaaac'); // 极慢，指数级回溯

优化策略：

• 使用具体字符类替代 .。
• 避免嵌套量词（如 (a+)+）。
• 使用占有量词（某些引擎支持）或原子组（JavaScript 不支持，需模拟）。
• 对长字符串匹配设置超时或长度限制。

正则的测试与调试

• 使用 regex101.com、regexr.com 等在线工具可视化匹配过程。
• 在 Node.js 中使用 console.time 测量正则执行时间。
• 对复杂正则添加注释（new RegExp 配合字符串拼接）。

陷阱

| 陷阱 | 现象 | 解决方案 | |------|------|---------| | 全局标志与 exec 的 lastIndex | 重复调用 exec 可能从意外位置开始 | 每次使用新的 RegExp 实例；或在循环中注意 lastIndex | | match 在 g 模式下丢失捕获组 | 结果仅为字符串数组 | 使用 matchAll 或多次 exec | | 点号不匹配换行 | 多行文本匹配失败 | 使用 [\s\S] 或启用 s（dotAll）标志 | | Unicode 字符被拆分为代理对 | u 标志未启用时，😀 被视为两个字符 | 始终对含 Unicode 的正则启用 u 标志 | | 正则对象的 test 修改 lastIndex | g 标志下 test 也推进 lastIndex | 非循环场景避免对同一正则实例混用 test/match/exec |

测验