Lua 的字符串匹配与正则表达式

Question

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 lua 5.3 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]])

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。

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。

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 \