c++ - 将Perl正则表达式转换为等效的ECMAScript正则表达式

现在，我使用的是VC++ 2010，但是VC++ 2010的syntax_option_type仅包含以下选项:

static const flag_type icase = regex_constants::icase;
static const flag_type nosubs = regex_constants::nosubs;
static const flag_type optimize = regex_constants::optimize;
static const flag_type collate = regex_constants::collate;
static const flag_type ECMAScript = regex_constants::ECMAScript;
static const flag_type basic = regex_constants::basic;
static const flag_type extended = regex_constants::extended;
static const flag_type awk = regex_constants::awk;
static const flag_type grep = regex_constants::grep;
static const flag_type egrep = regex_constants::egrep;

它不包含perl_syntax_group(Boost库具有此选项)。 但是，我不想使用Boost库。

Perl中有许多正则表达式，因此我想将现有的Perl正则表达式转换为ECMAScript(或VC++ 2010支持的任何正则表达式)。转换后，我可以直接在VC++ 2010中使用等效的正则表达式，而无需使用第三方libray。

一个例子:

const boost::tregex e(__T("\\A(\\d{3,4})[- ]?(\\d{4})[- ]?(\\d{4})[- ]?(\\d{4})\\z"));
const CString human_format = __T("$1-$2-$3-$4");
CString human_readable_card_number(const CString& s)
{
   return boost::regex_replace(s, e, human_format);
}
CString credit_card_number = "1234567887654321";
credit_card_number = human_readable_card_number(credit_card_number);
assert(credit_card_number == "1234-5678-8765-4321");

在上面的示例中，我要执行的操作是将e和format转换为ECMAScript样式表达式。

是否可以找到将所有Perl正则表达式转换为ECMAScript样式的通用方法？
有一些工具可以做到这一点吗？

任何帮助将不胜感激!

最佳答案

对于要转换的特定正则表达式，ECMA正则表达式中的等效项为:

/^(\d{3,4})[- ]?(\d{4})[- ]?(\d{4})[- ]?(\d{4})$/

在这种情况下，\A(在Perl regex中)与^(在ECMA regex中)(匹配字符串的开头)具有相同的含义，\Z(在Perl regex中)与$(在ECMA regex中)相同的含义(匹配结尾)的字符串)。请注意，如果启用了多行模式，则ECMA regex中^和$的含义将更改为与行的开头和结尾匹配。

ECMA regex是Perl regex的子集，因此，如果该regex使用Perl regex中的专有功能，则可能无法转换为ECMA regex。即使对于相同的语法，该语法在正则表达式的两个方言之间可能意味着稍有不同，因此检查文档并比较用法总是明智的。

我只想说说ECMA regex和Perl regex有何相似之处。什么不相似，但可转换，我将尽我所能提起。

ECMA正则表达式缺少与Unicode一起使用的功能，这些功能迫使您查找代码点并将其指定为字符类。

按照documentation for Perl regular expression去:

修饰符:

ECMA Standard中只有i，g和m，它们的行为与Perl中的相同。

s点全修饰符可以在ECMA正则表达式中通过使用2个补码字符类来模拟，例如[\S\s]，[\D\d]

仍然不支持x和p标志。

我不知道是否可以模拟其余部分(前缀和后缀修饰符)。

元字符:

对于使用带有非元字符的\并不能解决任何特殊含义的问题，我有些疑问，但是如果您不逃避不需要的地方就可以了。 ECMA中的.排除了另外几个字符。其余的在ECMA正则表达式中表现相同(甚至m标志对^和$的影响)。

量词:

贪婪和懒惰行为应相同。 ECMA正则表达式中没有所有格行为。

转义序列:

ECMA正则表达式中没有\a和\e。 \t，\n，\r和\f相同。

检查文档，如果正则表达式包含\cX-有所不同。

\xhh在ECMA regex和Perl regex中很常见(指定2个十六进制数字是最安全的-否则，您将必须查阅文档以查看该语言如何处理少于2个十六进制数字的情况)。

\uhhhh是ECMA正则表达式专有功能，用于指定Unicode字符。 Perl还有其他专有的方式来指定字符，例如\x{}，\N{}，\o{}和\000。

\l，\u，\L和\U是Perl正则表达式专用的。

可以通过手动转义带引号的部分来模拟

\Q和\E。

Perl正则表达式中的

八进制转义符(八进制数字少于3个)可能会造成混淆。仔细检查上下文，阅读文档，和/或测试正则表达式以确保您了解它在上下文中的作用，因为它可能是转义序列或向后引用。

字符类和其他特殊转义:

假设我们使用US-ASCII，则ECMA regex和Perl regex中的

\w，\W，\s，\S，\d，\D是等效的。如果涉及Unicode，事情将变得一团糟。

ECMA正则表达式中没有POSIX字符类。使用上面的\w，\s，\d或在角色类中指定自己。

反向引用基本相同-但我不知道它是否允许Perl和ECMA regex的反向引用都超过9。

可以使用反向引用来模拟命名引用。

ECMA regex不支持其余的([]和已经提到的转义序列除外)。

断言:

\b和\B在这两种语言中是等效的，关于如何基于\w进行定义。

捕获组:分组()和反向引用是相同的。替换字符串中用于回溯对匹配文本的$n是相同的。本节中的其余部分是Perl独有的功能。

引用元字符:(上一节中已经提到的内容)。

扩展模式:

ECMA正则表达式不支持对正则表达式内的标志进行修改。根据标志的不同，您可能可以重写正则表达式(s标志是始终可以在ECMA regex中转换为等效表达式的标志)。

Perl和ECMA之间只有(?:pattern)(非捕获组)，(?=pattern)(正向看)，(?!pattern)(负向看)是常见的。

ECMA正则表达式中没有注释，因此可以忽略(?#text)。

ECMA正则表达式不支持

Look-behinds。 Perl支持固定宽度的向后查找。在某些情况下，通过使后面的捕获组成为可能，可以将用Perl编写的具有正向外观的正则表达式转换为ECMA正则表达式。

如前所述，已命名的模式可以转换为普通捕获组，并可以使用编号的反向引用进行引用。

其余是Perl独有的功能。

特殊的回溯控制动词:这是Perl独有的，我不知道它们的作用(以前从未接触过它们)，更不用说转换了。最有可能的是它们无论如何都不能转换。

结论:

如果regex充分利用了Perl regex的全部功能，或者在Boost库支持的级别上(例如递归regex)，则无法将regex转换为ECMA regex。幸运的是，ECMA正则表达式涵盖了最常用的功能，因此正则表达式很可能是可转换的。

引用:

ECMA RegExp Reference on MDN