第16章 正则表达式类

来源、版次与运行边界

“第16章 正则表达式类”以作者维护的第 5 版支持页核定 2016 年 3 月 12 日首刷、两位作者、松本行弘监修以及四部分 23 章目录；逐章程序清单、练习答案和勘误只作为公开支持材料，不被冒充为原书全文。

对“第16章 正则表达式类”而言，中文解释、示例、交互、练习和答案均为独立教学重写；站内中文章名是与官方 23 章顺序对应的课程映射，不宣称是日文小节的逐字翻译，也不从公开程序清单复制整段实现。

“第16章 正则表达式类”固定在 Ruby 2.3 语境；Ruby 2.3.0 官方文档与稳定版发布说明用于核对当时可用的语言和标准库行为。现代 Ruby 的差异只能另列迁移说明，不能静默改变本页示例的版本结论。

围绕“怎样把正则模式、输入编码、捕获范围和替换结果放进同一证据链？”，本页验收“第16章 正则表达式类的输入样本、接收者与方法、关键状态前后值、正常与失败输出、异常或退出状态，以及复位后的再次运行记录。”。先预测正常轨迹，再只注入“用局部正则匹配代替结构化格式解析，错误接受残缺记录”；若无法定位第一处状态分岔，就拒绝当前解释。

从“找到了片段就验证成功”开始纠正

Regexp描述一门匹配语言；成功只证明某段input满足pattern覆盖的条件。/\d+/匹配"x12y"，却不能证明整个input是整数。先于pattern技巧。

先预测：验证record应使用^...$还是\A...\z？Whole String validation通常用\A/\z；^/$按line boundary工作，multi-line input可能只验证其中一行。Anchor选择是security和schema决策。

正则表达式对象的创建方法

Literal /pattern/options在source中固定；Regexp.new(source, options)动态创建。Dynamic literal text必须Regexp.quote，dynamic grammar只允许受控片段。防止regex injection。

field = "user.name"
pattern = Regexp.new("\\A#{Regexp.quote(field)}=(.+)\\z")
 
p pattern.match("user.name=Ruby")

Compile error抛RegexpError，应在config/load boundary提前发现；不要每行重新new同一pattern。Cache dynamic patterns时限制数量和length，避免unbounded memory。

行首、行尾与字符范围

\A/\z对应String起止，^/$对应line；[abc]匹配一个列举字符，[a-z]是range，[^...]否定class。要在examples中覆盖newline和non-ASCII。

POSIX classes如[[:alpha:]]比ASCII [A-Za-z]意图更宽，但Unicode/version语义需验证。Domain若只允许ASCII identifier，应明确ASCII，而不是把国际文本误收或误拒。

任意字符与反斜杠模式

.匹配一个字符，newline是否包含受option影响；它过于宽泛时会让delimiter grammar失守。Backslash sequences如\d、\s、\w、boundary与escaped metacharacters在Ruby source String和Regexp grammar之间可能要双重escape。

identifier = /\A[a-z_][a-z0-9_]*\z/i
integer = /\A[+-]?\d+\z/
 
p identifier.match("user_42")
p integer.match("-12")

Literal regex减少String escaping；Regexp.new接收String时先由Ruby String parser处理。Debug时输出regexp.source和options，不只看source code视觉。

重复与最短匹配

*零次以上、+一次以上、?零或一次、{m,n}限定范围；默认quantifier通常greedy，后缀?改为lazy/minimal。不是简单“尽量多/少”。

html = "<b>one</b><b>two</b>"
p html.scan(/<b>.*<\/b>/)
p html.scan(/<b>.*?<\/b>/)

即使lazy也不是HTML parser。Nested ambiguous repetition如(a+)+在失败长input上可能灾难回溯；限制input length、简化grammar、使用专业parser或runtime timeout机制（目标版本支持需验证），并benchmark失败路径。

分组与选择

Parentheses grouping改变quantifier/alternation作用范围并默认capture；(?:...)只group不capture。a|balternation优先级低，通常显式group。避免加括号后悄悄改变capture indices。

Named captures (?<name>...)比数字index稳健；optional group可返回nil。重复capture通常只保留某次结果，若需所有重复items用scan/二阶段parser。

正则表达式的选项

常见options包括忽略大小写、dot/newline、extended whitespace/comments等，具体flag按Ruby版本确认。不能为了一个token全局放宽grammar。

Extended mode便于复杂pattern分行注释，但literal space需escape；case-insensitive不等于locale-aware case folding。Inline option groups可限定局部，测试ASCII/Unicode和newline。

捕获与MatchData

match返回MatchData，含完整match、captures、named fields、pre/post match和offsets；失败nil。让Regexp只负责lexical evidence。

pattern = /\A(?<name>[a-z]+):(?<score>\d+)\z/i
match = pattern.match("Ruby:95")
raise ArgumentError, "invalid record" unless match
 
record = {
  name: match[:name],
  score: Integer(match[:score], 10),
}
p record

Numeric range、date validity等在capture后验证。Global match variables易被后续match覆盖，优先保留局部MatchData。Offsets单位与encoding需目标版本测试。

使用Regexp.quote的正则表达式

Regexp.quote/escape把dynamic text中的metacharacters转为literal pattern fragment。它不添加anchors、不限制长度，也不验证surrounding grammar。Search UI可quote query；admin-provided regex若允许grammar则必须权限、length、timeout和审计分开处理。

sub方法与gsub方法

Sub替首个，gsub替全部；replacement String解释backreferences，block返回replacement value更清楚。保护资源与数据。

source = "id=12 id=34"
masked = source.gsub(/\d+/) { |digits| "*" * digits.length }
p masked

Bang variants修改receiver并可能在无变化时返回nil。Untrusted replacement用block避免backreference injection，限制match count/output bytes。Redaction pattern必须测试多line、encoding和旁路格式。

scan方法

Scan无capture时产出完整match Strings；有一组capture时常产出capture值，多组时产出Arrays。传block可逐项处理，避免materialize全部。容易因新增括号改变。

text = "A12 B7"
p text.scan(/\d+/)
p text.scan(/([A-Z])(\d+)/)
 
text.scan(/\d+/) { |digits| puts Integer(digits, 10) }

只为group使用noncapturing parentheses，维持result shape。大量matches用block streaming，但Regexp engine仍需遍历input；取消/deadline由外层处理。

正式节点与章专属证据

• 正则表达式对象的创建方法 ：第 1 个正式节点要能回到“模式只处理声明的文本语法，匹配边界和捕获结果与原输入可对应。”，并说明故障发生前后的第一处差异。
• 行首、行尾与字符范围 ：第 2 个正式节点要能回到“模式只处理声明的文本语法，匹配边界和捕获结果与原输入可对应。”，并说明故障发生前后的第一处差异。
• 任意字符与反斜杠模式 ：第 3 个正式节点要能回到“模式只处理声明的文本语法，匹配边界和捕获结果与原输入可对应。”，并说明故障发生前后的第一处差异。
• 重复与最短匹配 ：第 4 个正式节点要能回到“模式只处理声明的文本语法，匹配边界和捕获结果与原输入可对应。”，并说明故障发生前后的第一处差异。
• 分组与选择 ：第 5 个正式节点要能回到“模式只处理声明的文本语法，匹配边界和捕获结果与原输入可对应。”，并说明故障发生前后的第一处差异。
• Regexp.quote ：第 6 个正式节点要能回到“模式只处理声明的文本语法，匹配边界和捕获结果与原输入可对应。”，并说明故障发生前后的第一处差异。
• 正则表达式的选项 ：第 7 个正式节点要能回到“模式只处理声明的文本语法，匹配边界和捕获结果与原输入可对应。”，并说明故障发生前后的第一处差异。
• 捕获 ：第 8 个正式节点要能回到“模式只处理声明的文本语法，匹配边界和捕获结果与原输入可对应。”，并说明故障发生前后的第一处差异。
• sub方法与gsub方法 ：第 9 个正式节点要能回到“模式只处理声明的文本语法，匹配边界和捕获结果与原输入可对应。”，并说明故障发生前后的第一处差异。
• scan方法 ：第 10 个正式节点要能回到“模式只处理声明的文本语法，匹配边界和捕获结果与原输入可对应。”，并说明故障发生前后的第一处差异。

本章回顾：Regexp提供文本证据，不完成全部验证

1. Dynamic literal用Regexp.quote，trusted grammar与untrusted text分开；whole-input用正确anchors。
2. Character class、wildcard、quantifier、group/alternation共同定义language，也决定回溯风险。
3. Options局部可见，captures形成字段schema；保留MatchData而非依赖global match state。
4. Sub/gsub明确首个/全部、replacement和output上限；scan result shape受captures影响。
5. Match后仍需type/domain validation；输入长度、失败路径和runtime budget属于Regexp contract。

练习与答案

名词解释