Lua的字符串匹配与正则表达式

使用lua一段时间了，简单总结下string库中的几个与正则相关的函数。这些函数是find，match, gmatch和gsub。然后是lua中支持的正则。文中的例子在lua5.3的命令行中试验过。5.1版的需要在提示符前加一个=号或加return空格。

string.find(s, pattern[, init[, plain]])

  1. 在字符串s中匹配pattern，如果匹配成功返回第一个匹配到的子串的起始索引和结束索引，如果pattern中有分组，分组匹配的内容也会接着两个索引值之后返回。如果匹配失败返回nil。
  2. 可选数值参数init表示从s中的哪个索引位置开始匹配，缺省值是1，可以为负索引。
  3. 可选布尔值参数plain为true时，pattern作为普通字符串匹配，所有正则中的元字符都只被作为普通字符解析。（这个参数并不是匹配字符串的结束索引）
    #########

string.find('Hanazawa Kana', 'na')
3 4
string.find('Hanazawa Kana', '[%a]+')
1 8
string.find('2015-5-12 13:53', '(%d+)-(%d+)-(%d+)')
1 9 2015 5 12
string.find('2015-5-12 13:53', '(%d+)-(%d+)-(%d+)', 1, true)
nil
string.find('%a1234567890%a', '%a', 3, true)
13 14

string.match(s, pattern[, init])

在字符串s中匹配pattern，如果匹配失败返回nil。否则，当pattern中没有分组时，返回第一个匹配到的子串；当pattern中有分组时，返回第一个匹配到子串的分组，多个分组就返回多个。可选参数init表示匹配字符串的起始索引，缺省为1，可以为负索引。

> string.match('2015-5-12 13:53', '%d+-%d+-%d+')
2015-5-12
> string.match('2015-5-12 13:53', '(%d+)-(%d+)-(%d+)')
2015	5	12
> string.match('2015-5-12 13:53', '((%d+)-(%d+)-(%d+))')
2015-5-12	2015	5	12

可以发现，所有用到match的地方都可以用find来实现。match是find的一个简化版

string.gmatch(s, pattern)

返回一个迭代器。每当迭代器调用时，返回下一个匹配到的子串，如果pattern中有分组，返回的是子串对应的分组。gmatch也可以用find和循环来实现。

> for s in string.gmatch('2015-5-12 22:20', '%d+') do print(s) end
2015
5
12
22
20
> for s in string.gmatch('Hanazawa Kana', 'a(%a)a') do print(s) end --找出形如“a字母a”中间的字母
n
w
n
> for k, v in string.gmatch('a=214,b=233', '(%w+)=(%w+)') do print(k, v) end
a	214
b	233

看上面第二个测试例子，处于两个a字母中间的单个字母还有‘z’，但循环并没有输出。原因是在'ana'匹配成功之后，接下来匹配是从'z'开始的，z没有被匹配到。正确的模式pattern应该不要捕获'a(%a)a'的后面的a，用python的正则可以写成'a(\w)(?=a)',他不会消耗掉后面的a。但是lua不支持(?=...)。（python中\w表示单词字符[a-zA-Z0-9_]，记不清就把这类元字符列出来 如 %a写成[a-zA-Z] 。）

string.gsub(s, pattern, repl[, n])

替换字符串函数！这个功能应该是字符串处理中实用性最强的一个。
把字符串中用模式pattern匹配到的所有子串替换为repl指代的子串，返回替换后的字符串和替换的次数。可选数值参数n表示最多可替换的次数。
参数repl可以是正则表达式，也可以是函数。当repl是函数时，函数的参数是模式pattern捕获的子串，和match类似，有分组返回分组，无分组返回整个子串。函数最后应该返回一个字符串。如果repl是正则表达式，可以用分组序号引用匹配到的分组。

> string.gsub('Hanazawa Kana', 'na', 'nya')
Hanyazawa Kanya
> string.gsub('Hanazawa Kana', 'na', function(s) return string.sub(s,1,1)..'y'..string.sub(s,2,2) end)
Hanyazawa Kanya
> string.gsub('Hanazawa Kana', '(n)(a)', function(a,b) return a..'y'..b end)
Hanyazawa Kanya
> string.gsub('Hanazawa Kana', '(n)(a)', '%1y%2')
Hanyazawa Kanya

Lua中的正则表达式

正则表达式由元字符按照规则(语法)组成。lua中的特殊字符是%.^$+-*?,一共12个。它们和一般字符按规则构成了lua的正则表达式。

元字符

描述

表达式实例

完整匹配的字串

字符

普通字符

除去%.[]()^$*+-?的字符，匹配字符本身

Kana

Kana

.

匹配任意字符

Ka.a

Kana

%

转义字符，改变后一个字符的原有意思。当后面的接的是特殊字符时，将还原特殊字符的原意。%和一些特定的字母组合构成了lua的预定义字符集。%和数字1~9组合表示之前捕获的分组

K%wna

%%na%%

(a)n%1

Kana

%na%

ana

[...]

字符集（字符类）。匹配一个包含于集合内的字符。[...]中的特殊字符将还原其原意，但有下面几种特殊情况

1. %]，%-，%^作为整体表示字符']'，'-'，'^'

2. 预定义字符集作为一个整体表示对应字符集

3. 当]位于序列的第一个字符时只表示字符']'

4. 形如[^...],[...-...]有特定的其他含义

[a%]na

[%a]na

[%%a]na

[]]na

[%]]na

[a-]na

%na

wna

wna

]na

]na

-na

[...-...]

-表示ascii码在它前一个字符到它后一个字符之间的所有字符

[a-z]a

na

[^...]

不在...中的字符集合。

[^0-9]na

[^^0-9]na

Kna

Kna

重复（数量词）

*

表示前一个字符出现0次或多次

[0-9]*

[a-z]*9*

2009

na

+

表示前一个字符出现1次或1次以上

n+[0-9]+

n2009

?

表示前一个字符出现0次或1次

n?[0-9]+

2009

预定义字符集

%s

空白符[ \r\n\t\v\f]

an[%s]?9

an 9

%p

标点符号

an[%p]9

an.9

%c

控制字符

%w

字母数字[a-zA-Z0-9]

[%w]+

Kana9

%a

字母[a-zA-Z]

[%a]*

Kana

%l

小写字母[a-z]

-

%u

大写字母[A-Z]

-

%d

数字[0-9]

-

%x

16进制数[0-9a-fA-F]

-

%z

ascii码是0的字符

-

分组

(...)

表达式中用小括号包围的子字符串为一个分组，分组从左到右（以左括号的位置），组序号从1开始递增。

ab(%d+)

(%d+)%1

ab233

123123

边界匹配（属于零宽断言）

^

匹配字符串开头

^(%a)%w*

abc123

$

匹配字符串结尾

%w*(%d)$

abc123

%b

%bxy

平衡匹配（匹配xy对）。这里的x，y可以是任何字符，即使是特殊字符也是原来的含义，匹配到的子串以x开始，以y结束，并且如果从x开始，每遇到x，计算+1，遇到y计数-1，则结束的y是第一个y使得计数等于0。就是匹配成对的符号，常见的如%b()匹配成对的括号

%b()

%d+%b()

(3+4(x*2))

2(3+4(x*2))

**备注** 1. lua不支持分组后面接重复词（+*?），对于复杂的匹配可以用find+循环手动处理。 2. %bxy跟预定义字符集有区别，前者在[...]仍保持原意，后者则失去特殊意义 3. 上表中是lua对正则的支持，其他的正则如命名组，重复{m, n}等并不能在lua中用。注意转义字符是%不是\