.NET正则基础之——平衡组
1 概述
平衡组是微软在 .NET 中提出的一个概念，主要是结合几种正则语法规则，提供对配对出现的嵌套结构的匹配。 .NET 是目前对正则支持最完备、功能最强大的语言平台之一，而平衡组正是其强大功能的外在表现，也是比较实用的文本处理功能，目前只有 .NET 支持，相信后续其它语言会提供支持。
平衡组可以有狭义和广义两种定义，狭义平衡组指 .NET 中定义的 (?<Close-Open>Expression) 语法，广义平衡组并不是固定的语法规则，而是几种语法规则的综合运用，我们平时所说的平衡组通常指的是广义平衡组。本文中如无特殊说明，平衡组这种简写指的是广义平衡组。
正是由于平衡组功能的强大，所以带来了一些神秘色彩，其实平衡组并不难掌握。下面就平衡组的匹配原理、应用场景以及性能调优展开讨论。
2 平衡组匹配原理
2.1 预备知识
平衡组通常是由量词，分支结构，命名捕获组，狭义平衡组，条件判断结构组成的，量词和分支结构这里不做介绍，这里只对命名捕获组，狭义平衡组和条件判断结构做下说明。
2.1.1 命名捕获组
语法： (?<name>Expression)
(?’name’Expression)
以上两种写法在 .NET 中是等价的，都是将“ Expression ”子表达式匹配到的内容，保存到以“ name ”命名的组里，以供后续引用。
对于命名捕获组的应用，这里不做重点介绍，只是需要澄清一点，平时使用捕获组时，一般反向引用或 Group 对象使用得比较多，可能会有一种误解，那就是捕获组只保留一个匹配结果，即使一个捕获组可以先后匹配多个子串，也只保留最后一个匹配到的子串。但事实是这样吗？
举例来说：
源字符串： abcdefghijkl
正则表达式： (?<chars>[a-z]{2})+
命名捕获组 chars 最终捕获的是什么？
string test = "abcdefghijkl" ;
Regex reg = new Regex (@"(?<chars>[a-z]{2})+" );
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += " 匹配结果：" + m.Value + "/n" ;
richTextBox2.Text += "Group ：" + m.Groups["chars" ].Value + "/n" ;
}
/*-------- 输出--------
匹配结果：abcdefghijkl
Group ：kl
*/
从 m.Groups["chars"].Value 的输出上看，似乎确实是只保留了一个匹配内容，但却忽略了一个事实， Group 实际上是 Capture 的一个集合
string test = "abcdefghijkl" ;
Regex reg = new Regex (@"(?<chars>[a-z]{2})+" );
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += " 匹配结果：" + m.Value + "/n" ;
richTextBox2.Text += "Group ：" + m.Groups["chars" ].Value + "/n--------------/n" ;
foreach (Capture c in m.Groups["chars" ].Captures)
{
richTextBox2.Text += "Capture ：" + c + "/n" ;
}
}
/*-------- 输出--------
匹配结果：abcdefghijkl
Group ：kl
--------------
Capture ：ab
Capture ：cd
Capture ：ef
Capture ：gh
Capture ：ij
Capture ：kl
*/
平时应用时可能会忽略这一点，因为很少遇到一个捕获组先后匹配多个子串的情况，而在一个捕获组只匹配一个子串时， Group 集合中就只有一个 Capture 元素，所以内容是一样的。
string test = "abcdefghijkl" ;
Regex reg = new Regex (@"(?<chars>[a-z]{2})" );
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += " 匹配结果：" + m.Value + "/n" ;
richTextBox2.Text += "Group ：" + m.Groups["chars" ].Value + "/n--------------/n" ;
foreach (Capture c in m.Groups["chars" ].Captures)
{
richTextBox2.Text += "Capture ：" + c + "/n" ;
}
}
/*-------- 输出--------
匹配结果：ab
Group ：ab
--------------
Capture ：ab
*/
捕获组保存的是一个集合，而不只是一个元素，这一知识点对于理解平衡组的匹配原理是有帮助的。
2.1.2 狭义平衡组
语法： (?<Close-Open>Expression)
其中“ Close ”是命名捕获组的组名，也就是“ (?<name>Expression) ”中的“ name ”，可以省略，通常应用时并不关注，所以一般都是省略的，写作“ (?<-Open>Expression) ”。作用就是当此处的“ Expression ”子表达式匹配成功时，则将最近匹配成功到的命名为“ Open ”组出栈，如果此前不存在匹配成功的“ Open ”组，那么就报告“ (?<-Open>Expression) ”匹配失败，整个表达式在这一位置也是匹配失败的。
2.1.3 条件判断结构
语法： (?(Expression)yes|no)
(?(name)yes|no)
对于“ (?(Expression)yes|no) ”，它是“ (?(?=Expression)yes|no) ”的简写形式，相当于三元运算符
(?=Expression) ? yes : no
表示如果子表达式“ (?=Expression) ”匹配成功，则匹配“ yes ”子表达式，否则匹配“ no ”子表达式。如果“ Expression ”与可能出现的命名捕获组的组名相同，为避免混淆，可以采用“ (?(?=Expression)yes|no) ”方式显示声明“ Expression ”为子表达式，而不是捕获组名。
“ (?=Expression) ”验证当前位置右侧是否能够匹配“ Expression ”，属于顺序环视结构，是零宽度的，所以它只参与判断，即使匹配成功，也不会占有字符。
举例来说：
源字符串： abc
正则表达式： (?(?=a)/w{2}|/w)
当前位置右侧如果是字符“ a ” ，则匹配两个“ /w ”，否则匹配一个“ /w ”。
string test = "abc" ;
Regex reg = new Regex (@"(?(?=a)/w{2}|/w)" );
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n" ;
}
/*-------- 输出--------
ab
c
*/
对于“ (?(name)yes|no) ”，如果命名捕获组“ name ”有捕获，则匹配“ yes ”子表达式，否则匹配“ no ”子表达式。这一语法最典型的一种应用是平衡组。
当然，以上两种语法中，“ yes ”和“ no 都是可以省略的，但同一时间只能省略一个，不能一起省略。平衡组的应用中就是省略了“ no ”子表达式。
2.2 平衡组的匹配原理
平衡组的匹配原理可以用堆栈来解释，先举个例子，再根据例子进行解释。
源字符串： a+(b*(c+d))/e+f-(g/(h-i))*j
正则表达式： /(((?<Open>/()|(?<-Open>/))|[^()])*(?(Open)(?!))/)
需求说明：匹配成对出现的 () 中的内容
string test = "a+(b*(c+d))/e+f-(g/(h-i))*j" ;
Regex reg = new Regex (@"/(((?<Open>/()|(?<-Open>/))|[^()])*(?(Open)(?!))/)" );
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n" ;
}
/*-------- 输出--------
(b*(c+d))
(g/(h-i))
*/
下面来考察一下这个正则，为了阅读方便，写成宽松模式。
Regex reg = new Regex (@"/( # 普通字符 “ ( ”
( # 分组构造，用来限定量词 “ * ” 修饰范围
(?<Open>/() # 命名捕获组，遇到开括弧 ’ Open ’ 计数加1
| # 分支结构
(?<-Open>/)) # 狭义平衡组，遇到闭括弧 ’ Open ’ 计数减1
| # 分支结构
[^()]+ # 非括弧的其它任意字符
)* # 以上子串出现0 次或任意多次
(?(Open)(?!)) # 判断是否还有 ’ Open ’ ，有则说明不配对，什么都不匹配
/) # 普通闭括弧
" , RegexOptions .IgnorePatternWhitespace);
对于一个嵌套结构而言，开始和结束标记都是确定的，对于本例开始为“ ( ”，结束为“ ) ”，那么接下来就是考察中间的结构，中间的字符可以划分为三类，一类是“ ( ”，一类是“ ) ”，其余的就是除这两个字符以外的任意字符。
那么平衡组的匹配原理就是这样的：
1. 先找到第一个“ ( ”，作为匹配的开始
2. 在第 1 步以后，每匹配到一个“ ( ”，就入栈一个 Open 捕获组，计数加 1
3. 在第 1 步以后，每匹配到一个“ ) ”，就出栈最近入栈的 Open 捕获组，计数减 1
4. 后面的 (?(Open)(?!)) 用来保证堆栈中 Open 捕获组计数是否为 0 ，也就是“ ( ”和“ ) ”是配对出现的
5. 最后的“ ) ”，作为匹配的结束
匹配过程（以下匹配过程，如果觉得难以理解，可以暂时跳过，先学会如何使用，再研究为什么可以这样用吧）
首先匹配第一个“ ( ”，然后一直匹配，直到出现以下两种情况之一：
a) 堆栈中 Open 计数已为 0 ，此时再遇到“ ) ”
b) 匹配到字符串结束符
这时控制权交给 (?(Open)(?!)) ，判断 Open 是否有匹配，由于此时计数为 0 ，没有匹配，那么就匹配“ no ”分支，由于这个条件判断结构中没有“ no ”分支，所以什么都不做，把控制权交给接下来的“ /) ”
如果上面遇到的是情况 a) ，那么此时“ /) ”可以匹配接下来的“ /) ”，匹配成功；如果上面遇到的是情况 b) ，那么此时会进行回溯，直到“ /) ”匹配成功为止，否则报告整个表达式匹配失败。
由于 .NET 中的狭义平衡组“ (?<Close-Open>Expression) ”结构，可以动态的对堆栈中捕获组进行计数，匹配到一个开始标记，入栈，计数加 1 ，匹配到一个结束标记，出栈，计数减 1 ，最后再判断堆栈中是否还有 Open ，有则说明开始和结束标记不配对出现，不匹配，进行回溯或报告匹配失败；如果没有，则说明开始和结束标记配对出现，继续进行后面子表达式的匹配。
需要对“ (?!) ”进行一下说明，它属于顺序否定环视，完整的语法是“ (?!Expression) ”。由于这里的“ Expression ”不存在，表示这里不是一个位置，所以试图尝试匹配总是失败的，作用就是在 Open 不配对出现时，报告匹配失败。
3 平衡组的应用及优化
平衡组提供了嵌套结构的匹配功能，这一创新是很让人兴奋的，因为此前正则对于嵌套结构的匹配是无能为力的。然而功能的强大，自然也带来了实现的复杂，正则书写得不好，可能会存在效率陷阱，甚至导致程序崩溃，这里介绍一些基本的优化方法。
3.1 单字符嵌套结构平衡组优化
单字符的嵌套结构指的是开始和结束标记都单个字符的嵌套结构，这种嵌套相对来说比较简单，优化起来也比较容易。先从上面提到的例子开始。
3.1.1 贪婪与非贪婪模式
上面给的例子是一种做了部分优化的常规写法，算作是版本 1 吧，它做了哪些优化呢，先来看下完全没有做过优化的版本 0 吧。
string test = "a+(b*(c+d))/e+f-(g/(h-i))*j" ;
Regex reg0 = new Regex (@"/( # 普通字符“(”
( # 分组构造，用来限定量词“*” 修饰范围
(?<Open>/() # 命名捕获组，遇到开括弧Open 计数加1
| # 分支结构
(?<-Open>/)) # 狭义平衡组，遇到闭括弧Open 计数减1
| # 分支结构
. # 任意字符
)*? # 以上子串出现0 次或任意多次，非贪婪模式
(?(Open)(?!)) # 判断是否还有'OPEN' ，有则说明不配对，什么都不匹配
/) # 普通闭括弧
" , RegexOptions .IgnorePatternWhitespace);
MatchCollection mc = reg0.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n" ;
}
/*-------- 输出--------
(b*(c+d))
(g/(h-i))
*/
接下来对比一下版本1 。
Regex reg1 = new Regex (@"/( # 普通字符“(”
( # 分组构造，用来限定量词“*” 修饰范围
(?<Open>/() # 命名捕获组，遇到开括弧’Open’ 计数加1
| # 分支结构
(?<-Open>/)) # 狭义平衡组，遇到闭括弧’Open’ 计数减1
| # 分支结构
[^()]+ # 非括弧的其它任意字符
)* # 以上子串出现0 次或任意多次
(?(Open)(?!)) # 判断是否还有’Open’ ，有则说明不配对，什么都不匹配
/) # 普通闭括弧
" , RegexOptions .IgnorePatternWhitespace);
看到区别了吗？版本 1 对版本 0 的改进主要有两个地方，一个是用“ [^()]+ ”来代替“ . ”，另一个是用“ * ”来代替“ *? ”，也就是用贪婪模式来代替非贪婪模式。
如果使用了小数点“ . ”，那么为什么不能在分组内使用“ .+ ”，后面又为什么不能用“ * ”呢？只要在上面的正则中使用并运行一下代码就可以知道了，匹配的结果是
(b*(c+d))/e+f-(g/(h-i))
而不是
(b*(c+d))
(g/(h-i))
因为无论是分组内使用“ .+ ”还是后面使用“ * ”，都是贪婪模式，所以小数点会一直匹配下去，直到匹配到字符串的结束符才会停止，然后进行回溯匹配。为了取得正确结果，必须使用非贪婪模式“ *? ”。
这就类似于用“ /(.+/) ”去匹配“ (abc)def(ghi) ”一样，得到的结果是“ (abc)def(ghi) ”，而不是通常我们希望的“ (abc) ”和“ (ghi) ”。这时要用非贪婪模式“ /(.+?/) ”来得到正确的结果。
贪婪模式和非贪婪模式在匹配失败时，回溯的次数基本上是一样的，效率上没有多大区别，但是在匹配成功时，贪婪模式比非贪婪模式回溯的次数要少得多，效率要高得多。
对于“ /(.+/) ”如果既要得到正确的匹配结果，又要提高匹配效率，可以使用排除型捕获组 + 贪婪模式的方式，即“ /([^()]+/) ”。
版本 0 的平衡组也是一样，可以使用排除字符组“ [^()]+ ”和贪婪模式“ * ”结合的方式，提高匹配效率，得到的就是版本 1 的平衡组。
相对于版本 0 ，或许你会认为版本 1 的写法是很自然的，但是如果不了解这样一个演进过程，那么在字符序列嵌套结构平衡组优化时，就不会是那么自然的一件事了。
3.1.2 分支结构
接下来就是分支结构的优化。
语法： (Exp1|Exp2|Exp3)
因为分支结构的匹配规则是，从左向右尝试匹配，当左侧分支匹配成功时，就不再向右尝试。所以使用分支结构时，可以根据以下两条规则进行优化：
1. 尽量抽象出每个分支中的公共的部分，使最后的表达式中，每个分支共公部分尽可能的少，比如 (this|that) 的匹配效率是没有 th(is|at) 高的。
2. 在不影响匹配结果的情况下，把出现概率高的分支放在左侧，出现概率低的分支放右侧。
对于本例中的分支结构，已经没有公共部分，符合第一条规则，再看下第二条规则，开始标记“ ( ”和结束标记“ ) ”出现的概率基本上是一样的，而除“ ( ”和“ ) ”之外的字符出现的概率是比“ ( ”和“ ) ”出现的概率高的，所以应该把“ [^()]+ ”分支放在左侧。
版本 1 由于采用了排除型捕获组，所以这三个分支没有包含关系，左右顺序对结果不会造成影响，可以调整顺序。因为这是已经经过优化的了，而如果是版本 0 ，由“ . ”对“ ( ”和“ ) ”有包含关系，就不能调整顺序了。
在版本 1 基础上对分支结构进行优化后，就得到版本 2 。
string test = "a+(b*(c+d))/e+f-(g/(h-i))*j" ;
Regex reg2 = new Regex (@"/( # 普通字符“(”
( # 分组构造，用来限定量词“*” 修饰范围
[^()]+ # 非括弧的其它任意字符
| # 分支结构
(?<Open>/() # 命名捕获组，遇到开括弧Open 计数加1
| # 分支结构
(?<-Open>/)) # 狭义平衡组，遇到闭括弧Open 计数减1
)* # 以上子串出现0 次或任意多次
(?(Open)(?!)) # 判断是否还有'OPEN' ，有则说明不配对，什么都不匹配
/) # 普通闭括弧
" , RegexOptions .IgnorePatternWhitespace);
MatchCollection mc = reg2.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n" ;
}
/*-------- 输出--------
(b*(c+d))
(g/(h-i))
*/
3.1.3 捕获组
这里面主要涉及到了两个捕获组“ (?<Open>/() ”和“ (?<-Open>/)) ”，而在平衡组的应用中，我是只关心它是否匹配了，而对于匹配到的内容是不关心的。对于这样一种需求，可以用以下方式实现
/( (?<Open>)
/)(?<-Open>)
“ (?<Open>) ”和“ (?<-Open>) ”这两种方式只是使用了命名捕获组，捕获的是一个位置，它总是能够匹配成功的，而匹配的内容是空的，分配的内存空间是固定的，可以有效的节省资源，这在单字符嵌套结构中并不明显，但是在字符序列嵌套结构中就比较明显了。
由于捕获组是直接跟在开始或结束标记之后的，所以只要开始或结束标记匹配成功，命名捕获组自然就会匹配成功，对于功能是没有任何影响的。
那 么把标记和捕获组调整一下顺序是否可以呢？从功能上来讲，是可以的，但是匹配的流程上会有所不同，先是捕获组匹配成功，入栈，然后再匹配标记，成功则继续 匹配，不成功则该分支匹配失败，进行回溯，出栈，继续尝试下一分支。这样将增加许多入栈和出栈的操作，对匹配效率是有影响的，所以这种方式并不可取。
在版本 2 基础上对捕获组进行优化后，就得到版本 3 。
string test = "a+(b*(c+d))/e+f-(g/(h-i))*j" ;
Regex reg3 = new Regex (@"/( # 普通字符“(”
( # 分组构造，用来限定量词“*” 修饰范围
[^()]+ # 非括弧的其它任意字符
| # 分支结构
/( (?<Open>) # 命名捕获组，遇到开括弧Open 计数加1
| # 分支结构
/) (?<-Open>) # 狭义平衡组，遇到闭括弧Open 计数减1
)* # 以上子串出现0 次或任意多次
(?(Open)(?!)) # 判断是否还有'OPEN' ，有则说明不配对，什么都不匹配
/) # 普通闭括弧
" , RegexOptions .IgnorePatternWhitespace);
MatchCollection mc = reg3.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n" ;
}
/*-------- 输出--------
(b*(c+d))
(g/(h-i))
*/
3.1.4 固化分组
看到有些人使用平衡组时用到了固化分组，但并不是所有人都明白固化分组的作用。
语法： (?>Expression)
用“ /([^()]+/) ”去匹配“ (abc) ”是可以匹配成功的，因为不用回溯，相对于“ /(.+?/) ”这种非贪婪模式，效率上有所提升，但是对于匹配失败的情况又如何呢？
源字符串： (abc
正则表达式： /([^()]+/)
匹配中间过程这里不再详述，可以参考 NFA 引擎匹配原理 。
当“ [^()]+ ”匹配到结束位置时，控制权交给“ /) ”，匹配失败，进行回溯，而由于前面使用了“ [^()]+ ”这种排除型字符组，所以可供回溯的位置，不会存在可以匹配“ /) ”的情况，这时候的回溯是完全没有意义的，只会浪费时间，但是由于传统 NFA 引擎的特点，必须回溯所有可能之后才会报告匹配失败。
这时可以用固化分组来进行优化，一旦占有字符，就不再释放。也就是一旦占有，就不再记录可供回溯的可能。通常是与排除型字符组或顺序否定环视一起使用的。
优化后的正则表达式： /((?>[^()]+)/)
需要说明的一点，固化分组要作用于量词修饰的子表达式才有意义，对于“ (?>abc) ”由于内容是固定的，根本就不会产生回溯，所以使用固化分组是没有意义的。
对于平衡组的应用也是一样，如果分组构造中没有量词，那么使用固化分组就是没有意义的，比如版本 0
Regex reg = new Regex (@"/((?>(?<Open>/()|(?<-Open>/))|.)*?(?(Open)(?!))/)" );
这种场景下使用固化分组就是没有意义的。
在版本 3 基础上对捕获组进行优化后，就得到版本 4 。
string test = "a+(b*(c+d))/e+f-(g/(h-i))*j" ;
Regex reg4 = new Regex (@"/( # 普通字符“(”
(?> # 分组构造，用来限定量词“*” 修饰范围
[^()]+ # 非括弧的其它任意字符
| # 分支结构
/( (?<Open>) # 命名捕获组，遇到开括弧Open 计数加1
| # 分支结构
/) (?<-Open>) # 狭义平衡组，遇到闭括弧Open 计数减1
)* # 以上子串出现0 次或任意多次
(?(Open)(?!)) # 判断是否还有'OPEN' ，有则说明不配对，什么都不匹配
/) # 普通闭括弧
" , RegexOptions .IgnorePatternWhitespace);
MatchCollection mc = reg4.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n" ;
}
/*-------- 输出--------
(b*(c+d))
(g/(h-i))
*/
那么对于分组构造外层的“ * ”修饰的子表达式是否可以使用固化分组呢？答案是否定的，因为平衡组通常是要进行回溯才能最终匹配成功的，所以如果使用固化分组，不记录回溯可能的话，将无法得到正确结果。
3.1.5 进一步优化讨论
那么现在是不是已经完成优化了呢？是的，通常可以这么认为。在一般应用当中，这已经是从正则层面上来说，最优方案了。
但是在有些场景下，由于 Compiled 模式可以有效提高分支结构的匹配效率，所以对于源字符串比较复杂的情况，牺牲一些编译时间和内存，还是可以有效提高匹配效率的。
Regex reg5 = new Regex (@"/( # 普通字符“(”
(?> # 分组构造，用来限定量词“*” 修饰范围
[^()]+ # 非括弧的其它任意字符
| # 分支结构
/( (?<Open>) # 命名捕获组，遇到开括弧Open 计数加1
| # 分支结构
/) (?<-Open>) # 狭义平衡组，遇到闭括弧Open 计数减1
)* # 以上子串出现0 次或任意多次
(?(Open)(?!)) # 判断是否还有'OPEN' ，有则说明不配对，什么都不匹配
/) # 普通闭括弧
" , RegexOptions .IgnorePatternWhitespace | RegexOptions. Compiled ) ;
MatchCollection mc = reg5.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n" ;
}
/*-------- 输出--------
(b*(c+d))
(g/(h-i))
*/
并不是所有应用场景都适合使用 Compiled 模式，比如上面这个例子里的源字符串如果是“ a+(b*(c+d))/e+f-(g/(h-i))*j ”，本身是非常简单的，使用 Compiled 模式将是得不偿失的。什么时候使用，要根据具体问题具体分析。
3.2 字符序列嵌套结构平衡组应用
字符序列嵌套结构的匹配，典型的应用就是 html 标签的提取。由于上面详细说明了单字符嵌套结构的优化过程，这里主要讲应用场景，个别涉及到优化的地方再讨论。
字符序列嵌套结构的匹配，举例来说，取 div 标签。源字符串如下：
< div id ="0">
0
</ div >
< div id ="1">
1
< div id ="2">
2
</ div >
</ div >
3.2.1 提取最外层嵌套结构
提取最外层 div 标签，分析过程及构造方式与单字符嵌套结构差不多，只是捕获组等内容稍稍复杂点，先给出实现，再进行解释。
string test = @"<div id=""0"">
0
</div>
<div id=""1"">
1
<div id=""2"">
2
</div>
</div>" ;
Regex reg = new Regex (@"(?isx) # 匹配模式，忽略大小写，“. ”匹配任意字符
<div[^>]*> # 开始标记“<div...>”
(?> # 分组构造，用来限定量词“*” 修饰范围
<div[^>]*> (?<Open>) # 命名捕获组，遇到开始标记，入栈，Open 计数加1
| # 分支结构
</div> (?<-Open>) # 狭义平衡组，遇到结束标记，出栈，Open 计数减1
| # 分支结构
(?:(?!</?div/b).)* # 右侧不为开始或结束标记的任意字符
)* # 以上子串出现0 次或任意多次
(?(Open)(?!)) # 判断是否还有'OPEN' ，有则说明不配对，什么都不匹配
</div> # 结束标记“</div>”
" );
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n--------------------/n" ;
}
/*-------- 输出--------
<div id="0">
0
</div>
--------------------
<div id="1">
1
<div id="2">
2
</div>
</div>
--------------------
*/
在单字符嵌套结构中，使用排除型字符组“ [^()]+ ”，与分组构造外的匹配优先量词“ * ” 达到贪婪模式匹配效果。在字符序列嵌套结构中，要排除的是一个子串，而不是简单的几个无序字符，所以不能使用排除型字符组，此时需要用到顺序否定环视来达到这一目的。“ (?:(?!</?div/b).)* ”表示的是所在位置右侧不是“ <div…> ”或“ </div> ”的字符，这样的字符重复 0 次或任意多次。关于环视的细节，可以参考 正则基础之——环视 。
而由于这种否定环视包含两种状态，所以在与固化分组结合使用时，会与后面的开始或结束标记形成包含关系，所以与固化分组一起使用时，不能放在左侧，只能放在右侧。
3.2.2 根据 id 提取 div 嵌套标签
根据 id 提取 div 时，改变的只是最外层 div 的结构，对内分组构造内部结构没有影响。但是因为 id 是变化的，所以正则需要动态生成。下面给出实现，源字符串和输出结果由于比较影响篇幅，就不再给出了。
string id = Regex .Escape(textBox1.Text); // 动态获取id
Regex reg = new Regex (@"(?isx)
<div(?:(?!id=).)*id=(['""]?)" + id + @"/1[^>]*> # 开始标记“<div...>”
(?> # 分组构造，用来限定量词“*” 修饰范围
<div[^>]*> (?<Open>) # 命名捕获组，遇到开始标记，入栈，Open 计数加1
| # 分支结构
</div> (?<-Open>) # 狭义平衡组，遇到结束标记，出栈，Open 计数减1
| # 分支结构
(?:(?!</?div/b).)* # 右侧不为开始或结束标记的任意字符
)* # 以上子串出现0 次或任意多次
(?(Open)(?!)) # 判断是否还有'OPEN' ，有则说明不配对，什么都不匹配
</div> # 结束标记“</div>”
" );
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n--------------------/n" ;
}
在动态生成正则表达式时，由于输入的字符串中可能存在正则中有特殊意义的元字符，如果不进行转义的话，正则解析时会抛出异常。所以用 Regex .Escape(string str) 来对动态输入的字符串进行转义处理，确保不会因动态输入的内容而抛异常。比如上面的例子，如果 id 不进行转义处理时，输入“ abc(def ”就会抛“ ) 不足”这样的异常。
3.2.3 根据 id 提取任意嵌套标签
再扩展一下，根据 id 属性取任意嵌套标签。实现如下，具体实现细节和讨论参考 就是通过 id 获得一个 html 标签块 。以下正则相对于帖子对个别细节做了调整。
string html = @"
<html>
<body>
<div id=""div1"">
<div id=""div2"" style=""background:Red;"">
<div id=""div3"">
<table id=""table1"">
<tr>
<td>
<div id=""div4"" style=""width:100px""></div>
</td>
</tr>
</table>
</div>
</div>
<div id=div5>
<a href=""http://www.csdn.net"">csdn</a>
</div>
</div>
<img src=""http://www.csdn.net/Images/logo_csdn.gif""/>
</body>
</html>" ;
Console .WriteLine(html);
string [] idList = { "div1" , "div2" , "div3" , "div4" , "table1" , "div5" , "abc(def" };
string pattern = @"<([a-z]+)(?:(?!/bid/b)[^<>])*id=([""']?){0}/2[^>]*>(?></1[^>]*>(?<o>)|<//1>(?<-o>)|(?:(?!</?/1).)*)*(?(o)(?!))<//1>" ;
foreach (string id in idList)
{
Match match = Regex .Match(html, string .Format(pattern, Regex .Escape(id)),
RegexOptions .Singleline | RegexOptions .IgnoreCase);
Console .WriteLine("--------begin {0}--------" , id);
if (match.Success)
Console .WriteLine(match.Value);
else
Console .WriteLine("o( ╯ □ ╰ )o" );
Console .WriteLine("--------end {0}--------" , id);
}
Console .ReadLine();
3.2.4 根据标签取外层嵌套结构
根据动态输入的 tag ，取相应的最外层的嵌套标签，实现如下。
string html = @"
<html>
<body>
<div id=""div1"">
<div id=""div2"" style=""background:Red;"">
<div id=""div3"">
<table id=""table1"">
<tr>
<td>
<div id=""div4"" style=""width:100px""></div>
</td>
</tr>
</table>
</div>
</div>
<div id=div5>
<a href=""http://www.csdn.net"">csdn</a>
</div>
</div>
<img src=""http://www.csdn.net/Images/logo_csdn.gif""/>
</body>
</html>" ;
Console .WriteLine(html);
string [] tagList = { "html" , "body" , "div" , "table" , "abc(def" };
string pattern = @"(?isx)
<({0})/b[^>]*> # 开始标记“<tag...>”
(?> # 分组构造，用来限定量词“*” 修饰范围
</1[^>]*> (?<Open>) # 命名捕获组，遇到开始标记，入栈，Open 计数加1
| # 分支结构
<//1> (?<-Open>) # 狭义平衡组，遇到结束标记，出栈，Open 计数减1
| # 分支结构
(?:(?!</?/1/b).)* # 右侧不为开始或结束标记的任意字符
)* # 以上子串出现0 次或任意多次
(?(Open)(?!)) # 判断是否还有'OPEN' ，有则说明不配对，什么都不匹配
<//1> # 结束标记“</tag>”
" ;
foreach (string tag in tagList)
{
Match match = Regex .Match(html, string .Format(pattern, Regex .Escape(tag)));
Console .WriteLine("--------begin {0}--------" , tag);
if (match.Success)
Console .WriteLine(match.Value);
else
Console .WriteLine("o( ╯ □ ╰ )o" );
Console .WriteLine("--------end {0}--------" , tag);
}
Console .ReadLine();
3.2.5 条件判断结构扩展应用
条件判断结构的作用不只限于验证开始和结束标记是否配对，根据需求的不同，还可以有其它一些应用。比如在匹配 div 标签时，只取内部“存在”嵌套的外层标签。
string test = @"<div id=""0"">
0
</div>
<div id=""1"">
1
<div id=""2"">
2
</div>
</div>" ;
Regex reg = new Regex (@"(?isx) # 匹配模式，忽略大小写，“.” 匹配任意字符
<div[^>]*> # 开始标记“<div...>”
(?> # 分组构造，用来限定量词“*” 修饰范围
<div[^>]*> (?<Open>)(?<Mask>) # 遇到开始标记，入栈，Open 和Mask 计数各加1
| # 分支结构
</div> (?<-Open>) # 遇到结束标记，出栈，Open 计数减1
| # 分支结构
(?:(?!</?div/b).)* # 右侧不为开始或结束标记的任意字符
)* # 以上子串出现0 次或任意多次
(?(Open)(?!))(?(Mask)|(?!)) #'OPEN' 保证标记配对，'Mask' 保证内部有嵌套
</div> # 结束标记“</div>”
" );
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n--------------------/n" ;
}
/*-------- 输出--------
<div id="1">
1
<div id="2">
2
</div>
</div>
--------------------
*/
命名捕获组“ (?<Mask>) ”只入栈不出栈，如果内部有嵌套，则“ (?<Mask>) ”一定有匹配，此时匹配“ (?(Mask)yes|no) ”中的“ yes ”子表达式，也就是什么都不做；如果内部没有嵌套，则“ (?<Mask>) ”没有匹配，此时匹配“ (?(Mask)yes|no) ”中的“ no ”子表达式，也就是报告匹配失败。这里省略的是“ (?(Mask)yes|no) ”中的“ yes ”子表达式。
对于匹配内部没有嵌套的标签，也就是最内层标签，可以使用上面的正则表达式，将“ (?(Mask)yes|no) ”中的“ yes ”子表达式设为“ (?!) ”，将“ yes ”子表达式省略。不过这样做有些浪费，完全可以用顺序否定环视来实现这一需求。
string test = @"<div id=""0"">
0
</div>
<div id=""1"">
1
<div id=""2"">
2
</div>
</div>" ;
Regex reg = new Regex (@"(?is)<div[^>]*>(?:(?!</?div/b).)*</div>" );
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n--------------------/n" ;
}
/*-------- 输出--------
<div id="0">
0
</div>
--------------------
<div id="2">
2
</div>
--------------------
*/
4 平衡组应用范围探讨
平衡组可以用来匹配嵌套结构，这是一个很大的创新，但是否就认为平衡组适合用来解决任何嵌套问题呢？事实当然不会是这样。
比如下面这个需求， ( 参考 请问一个正则表达式 ) ：
源字符串： 1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7
要求输出：
Sum(1,Sum(2, Sum(3), 4), 5)
Sum(2, Sum(3), 4)
Sum(3)
Sum(9,Sum(8, Sum(7), 6), 5)
Sum(8, Sum(7), 6)
Sum(7)
这种需求使用平衡组 + 递归的方式可以实现，实现代码如下：
// 递归方法
private void getNesting(string src, Regex reg, List <string > list)
{
MatchCollection mc = reg.Matches(src);
foreach (Match m in mc)
{
list.Add(m.Value);
src = m.Value.Remove(m.Value.Length-1, 1);
if (reg.IsMatch(src))
{
getNesting(src, reg, list);
}
}
}
// 调用
string test = "1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7" ;
List <string > list = new List <string >();
Regex reg = new Regex (@"(?i)Sum/((?>[^()]+|/((?<o>)|/)(?<-o>))*(?(o)(?!))/)" , RegexOptions .Compiled);
getNesting(test, reg, list);
foreach (string s in list)
{
richTextBox2.Text += s + "/n" ;
}
平衡组虽然可以实现要求，但除非你对效率没有要求，否则这一类需求通常是不适合用正则来实现的。因为平衡组并不是为这一功能而设计的，在实现过程中做了很多额外的尝试。效率上自然要大打折扣。
类似这样的需求，可以自己写有穷自动机来实现，毕竟正则也只不过是一种有穷自动机的实现而已。
string test = @"1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7 " ;
StringBuilder nesting = new StringBuilder (64);
List <StringBuilder > list = new List <StringBuilder >();
List <string > groups = new List <string >();
int level = 0;
int state = 0;
foreach (char c in test)
{
if ((c == 'S' || c == 's' ) && state == 0)
{
state = 1;
nesting.Append(c);
}
else if ((c == 'U' || c == 'u' ) && state == 1)
{
state = 2;
nesting.Append(c);
}
else if ((c == 'M' || c == 'm' ) && state == 2)
{
state = 3;
nesting.Append(c);
}
else if (c == '(' && state == 3)
{
state = 0;
level++;
}
else
{
state = 0;
nesting = new StringBuilder (64);
}
if (c == ')' )
{
if (level > 0)
{
level--;
groups.Add(list[level].ToString() + c);
list.Remove(list[level]);
}
}
if (level > 0)
{
while (list.Count < level)
{
list.Add(nesting);
}
for (int i = 0; i < level; i++)
{
list[i].Append(c);
}
}
}
foreach (string s in groups)
{
Console .WriteLine(s);
}
Console .ReadLine();
5 其它声明
到此为止，平衡组的基本应用场景和性能调优都已讨论完了，本文对于平衡组匹配原理讲得相对比较少，以应用场景分析为主。主要是因为能够使用平衡组来解决问题的人，通常已经对正则的基本语法有了一定程度的理解。而如果事实确实如此，那么对于平衡组的理解，也是水到渠成的了。
以上正则实现中，采用的多是宽松排列模式，主要是为了加注释，使得阅读清晰。而宽松排列模式通常用于教学目的，实际使用过程中，如果不是为了可读性的考虑，可以去掉这些注释和宽松排列模式参数。
上 面给出了很多平衡组的应用，这里需要说明的是，我提供的只是一些方法和思路，从来不推荐把正则当作模板来用，虽然有些时候，它确实可以当作模板来用，但我 还是希望你能真正的掌握这些语法规则之后，再去应用平衡组。当然，如果你认为能用就行，不需要知道为什么可以这样用，只是把它当作模板来套，我也无话可 说。