使用正则表达式删除注释
Posted sp42a
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了使用正则表达式删除注释相关的知识,希望对你有一定的参考价值。
以下摘自某网友来信:
难点
- javascript 不支持点号匹配换行符, 因此无法直接进行多行匹配
- 处理前面没有
http:
的//
, 当然要用否定前瞻( negative lookbehine)了:(?<!http:)\\/\\/.
可惜 javascript 不支持
思路
关于多行匹配
这个问题, 之前我已经说过, 要点是使用[\\S\\s]
来模拟匹配换行符的点号。原文在这里:《DIY万能通配符》. 可以以此写出这样的 JS 代码来消除多行注释:
//to uncomment C-style multiple line comment
function uncomment_multi(str)
return str.replace(/\\/\\*[\\S\\s]*?\\*\\//g, "");
单行注释之 JS 实现(不完善)
单行注释并没有想像中的那样简单. 如果你认为只要 str.replace("//.*$")
即可, 那么必须保证所要处理的文本都是最简单的, 如下:
var pig="ase"; //this is a comment.
事实上这是行不通的.现实程序中下面的例子比比皆是:
var url="http://iregex.org"; //this is my site.
var url="//not real comment here http://iregex.org"; //this is my site.
我尝试使用 JS 写了个模拟否定前瞻的函数, 可以处理http://
这种情况, 但是该函数看起来并不令人赏心悦目, 而且也不能处理引号中有双斜杠的情况. 我对 JS 的正则式支持的特性之简陋实在很失望。于是,我求助于 perl 完成这一任务. 先看一下我写的 JS 的删除单行注释的函数:
function uncomment_single(str)
var result;
var single=new RegExp("\\/\\/.","ig");
var start=0;
while((result=single.exec(str))!=null)
var part=str.slice(start,result.index);
var negLeft=new RegExp("http:$","i");
if (! negLeft.test(part))
return str.slice(0,result.index);
start=result.index+result[0].length-1;
return str;
Perl 版删除注释思路及源码(相对完善)
待测试文本
好吧, 既然祭出了强大的 Perl, 之前的小打小闹似的例子就一边去吧. 我将使用如下相对复杂的文本来验证我的程序:
<!DOCTYPE h/tml PUBLIC "-//W3C//DTD Xhtml\\" 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> sdfasdf//real comment here//"
认真分析单行注释的特点
正确地分析其特点, 是写出合理高效的程序的前提. 观察可知, 单行注释的特点如下:
- 引号内(包括单引号和双引号)的双斜线不算注释.
- 引号是配对出现的, 两个引号之间的以反斜线转义掉的引号不算结束符. 例如
"hello \\" //world"
, 这里的//world
部分不能算做注释. - 由连续的非引号非斜线部分组成的字符串也不是注释。特别指出,单个斜线不能算做注释。为什么前半部分不但要非引号而且要非斜线呢?因为
[^'"]+
是有可能误匹配abcde//real comment "quoted string in comment"
这样的情况, 因此我们归纳出一个条件[^'"/]+;
又因为还要避免abcde/real comment "quoted string in comment"
这样的情况,还需要特别补充规定单个的斜线不是注释。正则式是[^'"/]|(?<!/)/(?!/)
。 - 除去上述内容以外, 以双斜线开始直至行尾的部分就是注释. 因为我们用到了行尾这个概念, 需要在正则式中特别指出是^$匹配行首行尾的多行模式. 使用
//m
来表示.
正则实现
#!/usr/bin/perl -w
$str = <<"EOF";
<!DOCTYPE h/tml PUBLIC "-//W3C//DTD XHTML\\" 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> sdfasdf//real comment here//"
EOF
#print $str;
if ($str=~
m%
^
(?:
[^'"/]|
(?<!/)/(?!/)|
(?<quote>['"])
(?:\\\\ \\gquote|
(?!\\gquote).)*
\\gquote
)*
(?<comment>//.*)
$
%xm)
print $+comment;
几点补充
- 该程序在 Perl 5.10 版才能运行成功. 因为用到了命名捕获
(?<quote>['"])
这样比较高阶的特性。当然,不使用 5.10 也并非没有办法, 我们大可以使用 numbered capture,只不过看起来更不直观罢了。 - 匹配结束后,命名捕获都保存在 hash 表
%+
中了。使用print $+comment
这样的方式可以方便地调用 - 指定了 x 模式, 以便加入空白字符和换行, 让正则表达式看起来有层次感。事实上对于复杂的正则表达式,不使用 x 模式是极其不明智的做法。
- 为了在字串中方便地表示单双引号, 使用了 heredoc 的方式. 个人觉得不如 python 的三重引号方便。
小结
从正则表达式的角度来说, JS 实在太弱。当然,也与本人的 JS 功底较浅有关系。Perl 对于正则表达式的支持实在是强撼且不遗余力。上面的实现,应该可以涵盖绝大多数的注释情况了。如果您测试出现 bug, 或者遇到更 BT 的字串, 欢迎留言讨论。
以上是关于使用正则表达式删除注释的主要内容,如果未能解决你的问题,请参考以下文章