了解正则表达式中的负前瞻

Question

我想使用 Ruby 正则表达式匹配不包含字符串 'localhost' 的网址

根据答案和 cmets here，我将两个解决方案放在一起，这两个似乎都有效：

解决方案 A：

(?!.*localhost)^.*$ 

示例：http://rubular.com/r/tQtbWacl3g

解决方案 B：

^((?!localhost).)*$ 

例如：http://rubular.com/r/2KKnQZUMwf

问题是我不明白他们在做什么。例如，根据文档，^ 可以以多种方式使用：

[^abc]  Any single character except: a, b, or c  
^ Start of line  

但我不明白它是如何在这里应用的。

谁能帮我分解一下这些表达方式，以及它们之间的区别？

Answer 1

在这两种情况下，^ 只是行的开头（因为它没有在字符类中使用）。由于^ 和前瞻都是零宽度断言，我们可以在第一种情况下切换它们——我认为这样更容易解释：

^(?!.*localhost).*$ 

^ 将表达式锚定到字符串的开头。然后，前瞻从该位置开始，并尝试在字符串的任何位置找到localhost（“任何位置”由.* 处理在localhost 前面）。如果可以找到 localhost，则前瞻的子表达式匹配，因此 否定 前瞻会导致模式失败。由于前瞻被相邻的^ 绑定在字符串的开头，这意味着模式整体无法匹配。但是，如果.*localhost 不匹配（因此localhost 不会出现在字符串中），则前瞻成功，.*$ 只负责匹配字符串的其余部分。

现在是另一个

^((?!localhost).)*$

这次前瞻只检查当前位置（里面没有.*）。 但是对于每个字符都会重复前瞻。这样，它会再次检查每个位置。大致如下：^ 确保我们再次从字符串的开头开始。前瞻检查是否在该位置找到单词localhost。如果不是，一切都很好，. 消耗一个字符。 * 然后重复这两个步骤。我们现在是字符串中的一个字符，前瞻检查第二个字符是否以单词 localhost 开头 - 再次，如果不是，则一切正常，. 消耗另一个字符。对字符串中的每个字符都执行此操作，直到我们到达末尾。

在这种特殊情况下，两种方法是等效的，您可以根据性能（如果重要）或可读性（如果不重要；可能是第一种）来选择一种。然而，在其他情况下，第二个变体更可取，因为它允许您对字符串的固定部分执行此重复，而第一个变体将始终检查整个字符串。

Answer 2

online 可以很容易地解释它们。 first：

NODE                     EXPLANATION
--------------------------------------------------------------------------------
  (?!                      look ahead to see if there is not:
--------------------------------------------------------------------------------
    .*                       any character except \n (0 or more times
                             (matching the most amount possible))
--------------------------------------------------------------------------------
    localhost                'localhost'
--------------------------------------------------------------------------------
  )                        end of look-ahead
--------------------------------------------------------------------------------
  ^                        the beginning of the string
--------------------------------------------------------------------------------
  .*                       any character except \n (0 or more times
                           (matching the most amount possible))
--------------------------------------------------------------------------------
  $                        before an optional \n, and the end of the
                           string
--------------------------------------------------------------------------------
                           ' '

还有second：

NODE                     EXPLANATION
--------------------------------------------------------------------------------
  ^                        the beginning of the string
--------------------------------------------------------------------------------
  (                        group and capture to \1 (0 or more times
                           (matching the most amount possible)):
--------------------------------------------------------------------------------
    (?!                      look ahead to see if there is not:
--------------------------------------------------------------------------------
      localhost                'localhost'
--------------------------------------------------------------------------------
    )                        end of look-ahead
--------------------------------------------------------------------------------
    .                        any character except \n
--------------------------------------------------------------------------------
  )*                       end of \1 (NOTE: because you are using a
                           quantifier on this capture, only the LAST
                           repetition of the captured pattern will be
                           stored in \1)
--------------------------------------------------------------------------------
  $                        before an optional \n, and the end of the
                           string
--------------------------------------------------------------------------------

Answer 3

顺便说一句，这两种解决方案都很慢。更好的方法是使用：

^(?:[^l]+|l(?!ocalhost))+

换句话说：不是l或l的所有字符后面都没有ocalhost

这将为您提供更好的结果，因为您不必检查每个位置。 （对于像http://localhost:1234/toto 这样的网址，这种模式将在 ~15 步内失败，而其他两种模式在 ~50 步内失败）

您可以使用原子组和所有格量词来改进这种模式以禁止回溯：

^(?>[^l]++|l(?!ocalhost))++

请注意，在您的特定情况下，您可以加快您的模式，因为您只想检查 url 的主机部分。示例：

^http:\/\/(?>[^l\s\/]++|l(?!ocalhost))++(?>\/\S*+|$)

Answer 4

根据文档，^ 可以以多种方式使用：

[^abc]  Any single character except: a, b, or c   
^ Start of line  

但我不明白它是如何在这里应用的。

在正则表达式中

(?!.*localhost)^.*$ 

^ 不在任何括号内，所以第二个适用。这是一个简单的例子：

/^x/

该正则表达式表示匹配行首，后跟字母 x。所以它会匹配这样的行：

 xcellent
 x-ray

但是，正则表达式不会匹配行：

 axb
 excellent

...因为 x 不会直接出现在行首之后。您可能想知道为什么 'axb' 不匹配。毕竟'a'是行的开头，后面是'x'。但是，“行首”就在第一个字符的左侧，如下所示：

   |
   V
    axb

^ 被称为零宽度匹配，因为它匹配 'a' 左侧的细长条，例如在起始引号和“axb”中的“a”之间。那里实际上没有任何空间，所以 ^ 匹配 0 宽度的东西。

这是另一个例子：

/x^/

表示匹配字符 x 后跟行首。好吧，任何行都不能先有一个 x，然后是第二个行的开头，所以这永远不会匹配任何东西。

现在你的正则表达式：

(?!.*localhost)^.*$

与“行首”^ 一样，前瞻是零宽度。这意味着前瞻扫描字符串以查找匹配项，但当它找到匹配项时，它会返回字符串的开头，然后查找正则表达式的其余部分：

^.*$

一个忠告，当一个正则表达式需要lookarounds（lookaheads 或lookbehinds）时，99% 的时间有更简单的方法来做你想做的事。例如，你可以写：

url = "....."

if url.index('http') == 0
   #then the line starts with 'http'
else
   #the line doesn't start with http
end

这更容易阅读，并且不需要尝试破译复杂的正则表达式。