正则基础之单词边界

一、概述

“”匹配单词边界，不匹配任何字符。
“”匹配的只是一个位置，这个位置的一侧是构成单词的字符，另一侧为非单词字符、字符串的开始或结束位置。“”是零宽度的。
基本上所有的资料里都会说“”是单词边界，但是关于“单词”的范围却是少有提及。通常情况下，正则表达式中所谓的“单词”，就是由“w”所定义的字符所组成的子串。
“”表示所在位置的一侧为单词字符，另一侧为非单词字符、字符串的开始或结束位置，也就相当于
(?<!w)(?=w)|(?<=w)(?!w)
思考：以下写法为什么不等价于“”
(?<=W)(?=w)|(?<=w)(?=W)

二、w的范围

即然涉及到“w”，那就要先考察一下它的范围。
在支持ASCII码的语言中，如JavaScript，“w”等价于[a-zA-Z0-9_] ；
在支持Unicode的语言中，如.NET，默认情况下，“w”除可以匹配[a-zA-Z0-9_]外，还可以匹配一些Unicode字符集，如汉字，全角数字等等。
几乎所有常见的语言都遵循这样一个规律，只有Java是个例外。在Java中，“w”的表现是比较奇怪的，Java是支持Unicode的，但Java的正则中的“w”却是等价于[a-zA-Z0-9_]

的。
先来看一下“w”在几种语言中匹配的例子

JavaScript

string test = "abc_123中文_d3=efg汉字%";
MatchCollection mc = Regex.Matches(test, @"w+");
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + " ";
}
//C#中输出
abc_123中文_d3
efg汉字

Java

String test = "abc_123中文_d3=efg汉字%";
String reg = "\w+";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
}
//Java中输出
abc_123
_d3
efg

可以看到，“w”在Java中的输出和JavaScript中是一样的，都是只支持ASCII字符。

三、的范围

常见语言中“w”的范围确定了，那么是不是可以认为“”的匹配范围与“w”也是一致的呢？
再看下下面的例子：
源字符串：abc_123中文_d3=汉字efg
正则表达式: ..

JavaScript

string test = "abc_123中文_d3=efg汉字%";
MatchCollection mc = Regex.Matches(test, @"..");
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + " ";
}
//C#中输出
3=
字%

Java

String test = "abc_123中文_d3=efg汉字%";
String reg = ".\b.";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
}
//Java中输出
3=
字%

可以看到，Java的输出和.NET是一致的，“”在Java中是支持Unicode的。
所以总的来说，Java中的“w”是很奇怪的，而“”是与其它语言表现一致的，在使用时需要注意。

四、应用场景

4.1 基础应用
“”一般应用在需要匹配某一单词字符组成的子串，但这一字符不能包含在同样由单词字符组成的更长的子串中。
比如要替换掉一段英文中的单词“to”，而“today”显然不在替换的范围内，所以正则可以用“to”来限定。
用得比较多的场景是在HTML标签的匹配中，用以区分相互包含的标签，比如要过滤掉<b>、</b>、<p…>、<img…>等标签，但要保留<br />标签，正则可以写成“<(/?b|p|img)

[^>]*>”。
举例：统计以“,”分割的元素中“3”的个数
string test = "137,1,33,4,3,6,21,3,35,93,2,98";
int count = Regex.Matches(test, @"3").Count; //结果：2

4.2特殊情况
“”用在正则中，通常情况下都是表示单词边界的，只有在字符组中，它表示的是退格键，即 [a-z] 此处的“”表示的是退格键，而不是单词边界

补充：综合编程 , 其他综合 ,

正则基础之  单词边界

正则基础之单词边界