ES6 正则的扩展



  • RegExp 构造函数

    ES5RegExp 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)。
    var regex = new RegExp('xyz', 'i');
    // 等价于
    var regex = /xyz/i;
    
    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。
    var regex = new RegExp(/xyz/i);
    // 等价于
    var regex = /xyz/i;
    
    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。
    var regex = new RegExp(/xyz/, 'i');
    // Uncaught TypeError: Cannot supply flags when constructing one RegExp from another
    
    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。
    new RegExp(/abc/ig, 'i').flags   // "i"
    
    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()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。
    /^\uD83D/u.test('\uD83D\uDC2A') // false
    /^\uD83D/.test('\uD83D\uDC2A') // true
    
    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
    (.)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。
    var s = '𠮷';
    /^.$/.test(s) // false
    /^.$/u.test(s) // true
    
    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。
    /\u{61}/.test('a') // false
    /\u{61}/u.test('a') // true
    /\u{20BB7}/u.test('𠮷') // true
    
    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。
    /a{2}/.test('aa') // true
    /a{2}/u.test('aa') // true
    /𠮷{2}/.test('𠮷𠮷') // false
    /𠮷{2}/u.test('𠮷𠮷') // true
    
    (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。
    /^\S$/.test('𠮷') // false
    /^\S$/u.test('𠮷') // true
    
    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。
    function codePointLength(text) {
      var result = text.match(/[\s\S]/gu);
      return result ? result.length : 0;
    }
    
    var s = '𠮷𠮷';
    s.length // 4
    codePointLength(s) // 2
    
    (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。
    /[a-z]/i.test('\u212A') // false
    /[a-z]/iu.test('\u212A') // true
    
    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。
    /\,/   // /\,/
    /\,/u   // 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。
    const r1 = /hello/;
    const r2 = /hello/u;
    r1.unicode // false
    r2.unicode // true
    
    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。
    var s = 'aaa_aa_a';
    var r1 = /a+/g;
    var r2 = /a+/y;
    
    r1.exec(s) // ["aaa"]
    r2.exec(s) // ["aaa"]
    
    r1.exec(s) // ["aa"]
    r2.exec(s) // null
    
    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。
    var s = 'aaa_aa_a';
    var r = /a+_/y;
    
    r.exec(s) // ["aaa_"]
    r.exec(s) // ["aa_"]
    
    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。
    const REGEX = /a/g;
    
    // 指定从2号位置(y)开始匹配
    REGEX.lastIndex = 2;
    
    // 匹配成功
    const match = REGEX.exec('xaya');
    
    // 在3号位置匹配成功
    match.index // 3
    
    // 下一次匹配从4号位开始
    REGEX.lastIndex // 4
    
    // 4号位开始匹配失败
    REGEX.exec('xaya') // null
    
    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。
    const REGEX = /a/y;
    
    // 指定从2号位置开始匹配
    REGEX.lastIndex = 2;
    
    // 不是粘连,匹配失败
    REGEX.exec('xaya') // null
    
    // 指定从3号位置开始匹配
    REGEX.lastIndex = 3;
    
    // 3号位置是粘连,匹配成功
    const match = REGEX.exec('xaya');
    match.index // 3
    REGEX.lastIndex // 4
    
    实际上,y 修饰符号隐含了头部匹配的标志 ^
    /b/y.exec('aba')  // null
    
    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。
    const REGEX = /a/gy;
    'aaxa'.replace(REGEX, '-')  // '--xa'
    
    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。
    'a1a2a3'.match(/a\d/y)  // ["a1"]
    'a1a2a3'.match(/a\d/gy)  // ["a1", "a2", "a3"]
    
    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。
    const TOKEN_Y = /\s*(\+|[0-9]+)\s*/y;
    const TOKEN_G  = /\s*(\+|[0-9]+)\s*/g;
    
    tokenize(TOKEN_Y, '3 + 4')
    // [ '3', '+', '4' ]
    tokenize(TOKEN_G, '3 + 4')
    // [ '3', '+', '4' ]
    
    function tokenize(TOKEN_REGEX, str) {
      let result = [];
      let match;
      while (match = TOKEN_REGEX.exec(str)) {
        result.push(match[1]);
      }
      return result;
    }
    
    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。
    tokenize(TOKEN_Y, '3x + 4')
    // [ '3' ]
    tokenize(TOKEN_G, '3x + 4')
    // [ '3', '+', '4' ]
    
    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

    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。
    var r = /hello\d/y;
    r.sticky // true
    
  • 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。
    // ES5 的 source 属性
    // 返回正则表达式的正文
    /abc/ig.source
    // "abc"
    
    // ES6 的 flags 属性
    // 返回正则表达式的修饰符
    /abc/ig.flags
    // 'gi'
    
  • 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)
    /foo.bar/.test('foo\nbar')  // false
    
    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。
    /foo[^]bar/.test('foo\nbar')  // true
    
    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。
    /foo.bar/s.test('foo\nbar') // true
    
    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。
    const re = /foo.bar/s;
    // 另一种写法
    // const re = new RegExp('foo.bar', 's');
    
    re.test('foo\nbar') // true
    re.dotAll // true
    re.flags // 's'
    
    /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 ^$ 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+(?!%)/
    /\d+(?=%)/.exec('100% of US presidents have been male')  // ["100"]
    /\d+(?!%)/.exec('that’s all 44 of them')                 // ["44"]
    
    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+/
    /(?<=\$)\d+/.exec('Benjamin Franklin is on the $100 bill')  // ["100"]
    /(?<!\$)\d+/.exec('it’s is worth about €90')                // ["90"]
    
    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。
    const RE_DOLLAR_PREFIX = /(?<=\$)foo/g;
    '$foo %foo foo'.replace(RE_DOLLAR_PREFIX, 'bar');
    // '$bar %foo foo'
    
    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/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。
    /(?<=(\d+)(\d+))$/.exec('1053') // ["", "1", "053"]
    /^(\d+)(\d+)$/.exec('1053') // ["1053", "105", "3"]
    
    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。
    /(?<=(o)d\1)r/.exec('hodor')  // null
    /(?<=\1d(o))r/.exec('hodor')  // ["r", "o"]
    
    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{...}\P{...} ,允许正则表达式匹配符合 Unicode 某种属性的所有字符。
    const regexGreekSymbol = /\p{Script=Greek}/u;
    regexGreekSymbol.test('π') // true
    
    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。
    \p{UnicodePropertyName=UnicodePropertyValue}
    
    对于某些属性,可以只写属性名,或者只写属性值。
    \p{UnicodePropertyName}
    \p{UnicodePropertyValue}
    
    \P{…}\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\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。
    const regex = /^\p{Decimal_Number}+$/u;
    regex.test('𝟏𝟐𝟑𝟜𝟝𝟞𝟩𝟪𝟫𝟬𝟭𝟮𝟯𝟺𝟻𝟼')  // true
    
    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。
    // 匹配所有数字
    const regex = /^\p{Number}+$/u;
    regex.test('²³¹¼½¾') // true
    regex.test('㉛㉜㉝') // true
    regex.test('ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫ') // true
    
    下面是其他一些例子。
    // 匹配所有空格
    \p{White_Space}
    
    // 匹配各种文字的所有字母,等同于 Unicode 版的 \w
    [\p{Alphabetic}\p{Mark}\p{Decimal_Number}\p{Connector_Punctuation}\p{Join_Control}]
    
    // 匹配各种文字的所有非字母的字符,等同于 Unicode 版的 \W
    [^\p{Alphabetic}\p{Mark}\p{Decimal_Number}\p{Connector_Punctuation}\p{Join_Control}]
    
    // 匹配 Emoji
    /\p{Emoji_Modifier_Base}\p{Emoji_Modifier}?|\p{Emoji_Presentation}|\p{Emoji}\uFE0F/gu
    
    // 匹配所有的箭头字符
    const regexArrows = /^\p{Block=Arrows}+$/u;
    regexArrows.test('←↑→↓↔↕↖↗↘↙⇏⇐⇑⇒⇓⇔⇕⇖⇗⇘⇙⇧⇩') // true
    
  • 具名组匹配

    正则表达式使用圆括号进行组匹配。
    const RE_DATE = /(\d{4})-(\d{2})-(\d{2})/;
    
    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。
    const RE_DATE = /(\d{4})-(\d{2})-(\d{2})/;
    const matchObj = RE_DATE.exec('1999-12-31');
    const year = matchObj[1]; // 1999
    const month = matchObj[2]; // 12
    const day = matchObj[3]; // 31
    
    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。
    const RE_DATE = /(?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2})/;
    const matchObj = RE_DATE.exec('1999-12-31');
    const year = matchObj.groups.year; // 1999
    const month = matchObj.groups.month; // 12
    const day = matchObj.groups.day; // 31
    
    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
    const RE_OPT_A = /^(?<as>a+)?$/;
    const matchObj = RE_OPT_A.exec('');
    
    matchObj.groups.as // undefined
    'as' in matchObj.groups // true
    
    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。
    let {groups: {one, two}} = /^(?<one>.*):(?<two>.*)$/u.exec('foo:bar');
    one  // foo
    two  // bar
    
    字符串替换时,使用 $<组名> 引用具名组。
    let re = /(?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2})/u;
    '2015-01-02'.replace(re, '<day>/<month>/<year>')
    // '02/01/2015'
    
    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。
    '2015-01-02'.replace(re, (
      matched, // 整个匹配结果 2015-01-02
      capture1, // 第一个组匹配 2015
      capture2, // 第二个组匹配 01
      capture3, // 第三个组匹配 02
      position, // 匹配开始的位置 0
      S, // 原字符串 2015-01-02
      groups // 具名组构成的一个对象 {year, month, day}
    ) => {
    let {day, month, year} = groups;
    return `${day}/${month}/${year}`;
    });
    
    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。
    const RE_TWICE = /^(?<word>[a-z]+)!\k<word>$/;
    RE_TWICE.test('abc!abc') // true
    RE_TWICE.test('abc!ab') // false
    
    数字引用(\1)依然有效。
    const RE_TWICE = /^(?<word>[a-z]+)!\1$/;
    RE_TWICE.test('abc!abc') // true
    RE_TWICE.test('abc!ab') // false
    
    这两种引用语法还可以同时使用。
    const RE_TWICE = /^(?<word>[a-z]+)!\k<word>!\1$/;
    RE_TWICE.test('abc!abc!abc') // true
    RE_TWICE.test('abc!abc!ab') // false
    
  • 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。
    var regex = /t(e)(st(\d?))/g;
    var string = 'test1test2test3';
    
    var matches = [];
    var match;
    while (match = regex.exec(string)) {
      matches.push(match);
    }
    
    matches
    // [
    //   ["test1", "e", "st1", "1", index: 0, input: "test1test2test3"],
    //   ["test2", "e", "st2", "2", index: 5, input: "test1test2test3"],
    //   ["test3", "e", "st3", "3", index: 10, input: "test1test2test3"]
    // ]
    
    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。
    const string = 'test1test2test3';
    
    // g 修饰符加不加都可以
    const regex = /t(e)(st(\d?))/g;
    
    for (const match of string.matchAll(regex)) {
      console.log(match);
    }
    // ["test1", "e", "st1", "1", index: 0, input: "test1test2test3"]
    // ["test2", "e", "st2", "2", index: 5, input: "test1test2test3"]
    // ["test3", "e", "st3", "3", index: 10, input: "test1test2test3"]
    
    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。
    // 转为数组方法一
    [...string.matchAll(regex)]
    
    // 转为数组方法二
    Array.from(string.matchAll(regex))