# 正则的扩展 ## RegExp构造函数 在ES5中，RegExp构造函数只能接受字符串作为参数。 ```javascript var regex = new RegExp("xyz", "i"); // 等价于 var regex = /xyz/i; ``` ES6允许RegExp构造函数接受正则表达式作为参数，这时会返回一个原有正则表达式的拷贝。 ```javascript var regex = new RegExp(/xyz/i); ``` 如果使用RegExp构造函数的第二个参数指定修饰符，则返回的正则表达式会忽略原有的正则表达式的修饰符，只使用新指定的修饰符。 ```javascript new RegExp(/abc/ig, 'i').flags // "i" ``` ## 字符串的正则方法 字符串对象共有4个方法，可以使用正则表达式：match()、replace()、search()和split()。 ES6将这4个方法，在语言内部全部调用RegExp的实例方法，从而做到所有与正则相关的方法，全都定义在RegExp对象上。 - String.prototype.match 调用 RegExp.prototype[Symbol.match] - String.prototype.replace 调用 RegExp.prototype[Symbol.replace] - String.prototype.search 调用 RegExp.prototype[Symbol.search] - String.prototype.split 调用 RegExp.prototype[Symbol.split] ## u修饰符 ES6对正则表达式添加了u修饰符，含义为“Unicode模式”，用来正确处理大于`\uFFFF`的Unicode字符。也就是说，会正确处理四个字节的UTF-16编码。 ```javascript /^\uD83D/u.test('\uD83D\uDC2A') // false /^\uD83D/.test('\uD83D\uDC2A') // true ``` 上面代码中，“\uD83D\uDC2A”是一个四个字节的UTF-16编码，代表一个字符。但是，ES5不支持四个字节的UTF-16编码，会将其识别为两个字符，导致第二行代码结果为true。加了u修饰符以后，ES6就会识别其为一个字符，所以第一行代码结果为false。 一旦加上u修饰符号，就会修改下面这些正则表达式的行为。 **（1）点字符** 点（.）字符在正则表达式中，含义是除了换行符以外的任意单个字符。对于码点大于`0xFFFF`的Unicode字符，点字符不能识别，必须加上u修饰符。 ```javascript var s = "𠮷"; /^.$/.test(s) // false /^.$/u.test(s) // true ``` 上面代码表示，如果不添加u修饰符，正则表达式就会认为字符串为两个字符，从而匹配失败。 **（2）Unicode字符表示法** ES6新增了使用大括号表示Unicode字符，这种表示法在正则表达式中必须加上u修饰符，才能识别。 ```javascript /\u{61}/.test('a') // false /\u{61}/u.test('a') // true /\u{20BB7}/u.test('𠮷') // true ``` 上面代码表示，如果不加u修饰符，正则表达式无法识别`\u{61}`这种表示法，只会认为这匹配61个连续的u。 **（3）量词** 使用u修饰符后，所有量词都会正确识别大于码点大于`0xFFFF`的Unicode字符。 ```javascript /a{2}/.test('aa') // true /a{2}/u.test('aa') // true /𠮷{2}/.test('𠮷𠮷') // false /𠮷{2}/u.test('𠮷𠮷') // true ``` 另外，只有在使用u修饰符的情况下，Unicode表达式当中的大括号才会被正确解读，否则会被解读为量词。 ```javascript /^\u{3}$/.test('uuu') // true ``` 上面代码中，由于正则表达式没有u修饰符，所以大括号被解读为量词。加上u修饰符，就会被解读为Unicode表达式。 **（4）预定义模式** u修饰符也影响到预定义模式，能否正确识别码点大于`0xFFFF`的Unicode字符。 ```javascript /^\S$/.test('𠮷') // false /^\S$/u.test('𠮷') // true ``` 上面代码的`\S`是预定义模式，匹配所有不是空格的字符。只有加了u修饰符，它才能正确匹配码点大于0xFFFF的Unicode字符。 利用这一点，可以写出一个正确返回字符串长度的函数。 ```javascript function codePointLength(text) { var result = text.match(/[\s\S]/gu); return result ? result.length : 0; } var s = "𠮷𠮷"; s.length // 4 codePointLength(s) // 2 ``` **（5）i修饰符** 有些Unicode字符的编码不同，但是字型很相近，比如，\u004B与\u212A都是大写的K。 ```javascript /[a-z]/i.test('\u212A') // false /[a-z]/iu.test('\u212A') // true ``` 上面代码中，不加u修饰符，就无法识别非规范的K字符。 ## y修饰符 除了u修饰符，ES6还为正则表达式添加了y修饰符，叫做“粘连”（sticky）修饰符。 y修饰符的作用与g修饰符类似，也是全局匹配，后一次匹配都从上一次匹配成功的下一个位置开始。不同之处在于，g修饰符只要剩余位置中存在匹配就可，而y修饰符确保匹配必须从剩余的第一个位置开始，这也就是“粘连”的涵义。 ```javascript var s = "aaa_aa_a"; var r1 = /a+/g; var r2 = /a+/y; r1.exec(s) // ["aaa"] r2.exec(s) // ["aaa"] r1.exec(s) // ["aa"] r2.exec(s) // null ``` 上面代码有两个正则表达式，一个使用g修饰符，另一个使用y修饰符。这两个正则表达式各执行了两次，第一次执行的时候，两者行为相同，剩余字符串都是“_aa_a”。由于g修饰没有位置要求，所以第二次执行会返回结果，而y修饰符要求匹配必须从头部开始，所以返回null。 如果改一下正则表达式，保证每次都能头部匹配，y修饰符就会返回结果了。 ```javascript var s = "aaa_aa_a"; var r = /a+_/y; r.exec(s) // ["aaa_"] r.exec(s) // ["aa_"] ``` 上面代码每次匹配，都是从剩余字符串的头部开始。 使用lastIndex属性，可以更好地说明y修饰符。 ```javascript const REGEX = /a/g; REGEX.lastIndex = 2; // 指定从第三个位置y开始搜索 const match = REGEX.exec('xaya'); match.index // 3 REGEX.lastIndex // 4 REGEX.exec('xaxa') // null ``` 上面代码中，lastIndex属性指定每次搜索的开始位置，g修饰符从这个位置开始向后搜索，直到发现匹配为止。 y修饰符同样遵守lastIndex属性，但是要求必须在lastIndex指定的位置发现匹配。 ```javascript const REGEX = /a/y; // 第三个位置y不匹配 REGEX.lastIndex = 2; console.log(REGEX.exec('xaya')); // null // 第四个位置出现匹配 REGEX.lastIndex = 3; const match = REGEX.exec('xaxa'); match.index // 3 REGEX.lastIndex // 4 ``` 进一步说，y修饰符号隐含了头部匹配的标志ˆ。 ```javascript /b/y.exec("aba") // null ``` 上面代码由于不能保证头部匹配，所以返回null。y修饰符的设计本意，就是让头部匹配的标志ˆ在全局匹配中都有效。 在split方法中使用y修饰符，原字符串必须以分隔符开头。这也意味着，只要匹配成功，数组的第一个成员肯定是空字符串。 ```javascript // 没有找到匹配 'x##'.split(/#/y) // [ 'x##' ] // 找到两个匹配 '##x'.split(/#/y) // [ '', '', 'x' ] ``` 后续的分隔符只有紧跟前面的分隔符，才会被识别。 ```javascript '#x#'.split(/#/y) // [ '', 'x#' ] '##'.split(/#/y) // [ '', '', '' ] ``` 下面是字符串对象的replace方法的例子。 ```javascript const REGEX = /a/gy; 'aaxa'.replace(REGEX, '-') // '--xa' ``` 上面代码中，最后一个a因为不是出现下一次匹配的头部，所以不会被替换。 如果同时使用g修饰符和y修饰符，则y修饰符覆盖g修饰符。 y修饰符的主要作用，是从字符串提取token（词元），y修饰符确保了匹配之间不会有漏掉的字符。 ```javascript function tokenize(TOKEN_REGEX, str) { let result = []; let match; while (match = TOKEN_REGEX.exec(str)) { result.push(match[1]); } return result; } const TOKEN_Y = /\s*(\+|[0-9]+)\s*/y; const TOKEN_G = /\s*(\+|[0-9]+)\s*/g; tokenize(TOKEN_Y, '3 + 4') // [ '3', '+', '4' ] tokenize(TOKEN_G, '3 + 4') // [ '3', '+', '4' ] ``` 上面代码中，如果字符串里面没有非法字符，y修饰符与g修饰符的提取结果是一样的。但是，一旦出现非法字符，两者的行为就不一样了。 ```javascript tokenize(TOKEN_Y, '3x + 4') // [ '3' ] tokenize(TOKEN_G, '3x + 4') // [ '3', '+', '4' ] ``` 上面代码中，g修饰符会忽略非法字符，而y修饰符不会，这样就很容易发现错误。 ## sticky属性 与y修饰符相匹配，ES6的正则对象多了sticky属性，表示是否设置了y修饰符。 ```javascript var r = /hello\d/y; r.sticky // true ``` ## flags属性 ES6为正则表达式新增了flags属性，会返回正则表达式的修饰符。 ```javascript // ES5的source属性 // 返回正则表达式的正文 /abc/ig.source // "abc" // ES6的flags属性 // 返回正则表达式的修饰符 /abc/ig.flags // 'gi' ``` ## RegExp.escape() 字符串必须转义，才能作为正则模式。 ```javascript function escapeRegExp(str) { return str.replace(/[\-\[\]\/\{\}\(\)\*\+\?\.\\\^\$\|]/g, "\\$&"); } let str = '/path/to/resource.html?search=query'; escapeRegExp(str) // "\/path\/to\/resource\.html\?search=query" ``` 上面代码中，str是一个正常字符串，必须使用反斜杠对其中的特殊字符转义，才能用来作为一个正则匹配的模式。 已经有[提议](https://esdiscuss.org/topic/regexp-escape)将这个需求标准化，作为RegExp对象的静态方法[RegExp.escape()](https://github.com/benjamingr/RexExp.escape)，放入ES7。2015年7月31日，TC39认为，这个方法有安全风险，又不愿这个方法变得过于复杂，没有同意将其列入ES7，但这不失为一个真实的需求。 ```javascript RegExp.escape("The Quick Brown Fox"); // "The Quick Brown Fox" RegExp.escape("Buy it. use it. break it. fix it.") // "Buy it\. use it\. break it\. fix it\." RegExp.escape("(*.*)"); // "\(\*\.\*\)" ``` 字符串转义以后，可以使用RegExp构造函数生成正则模式。 ```javascript var str = 'hello. how are you?'; var regex = new RegExp(RegExp.escape(str), 'g'); assert.equal(String(regex), '/hello\. how are you\?/g'); ``` 目前，该方法可以用上文的escapeRegExp函数或者垫片模块[regexp.escape](https://github.com/ljharb/regexp.escape)实现。 ```javascript var escape = require('regexp.escape'); escape('hi. how are you?') "hi\\. how are you\\?" ```