ES6（五）正則的擴展

RegExp構造函數

在 ES5 中，RegExp構造函數的參數有兩種情況。

第一種情況是，參數是字符串，這時第二個參數表示正則表達式的修飾符（flag）。

var regex = new RegExp('xyz', 'i');
// 等價於
var regex = /xyz/i;

第二種情況是，參數是一個正則表示式，這時會返回一個原有正則表達式的拷貝。

var regex = new RegExp(/xyz/i);
// 等價於
var regex = /xyz/i;

RegExp構造函數的參數是一個正則表達式的時候，ES5 不允許此時使用第二個參數添加修飾符，否則會報錯。

var regex = new RegExp(/xyz/, 'i');
// Uncaught TypeError: Cannot supply flags when constructing one RegExp from another

ES6 改變了這種行為。如果RegExp構造函數第一個參數是一個正則對象，那么可以使用第二個參數指定修飾符。而且，返回的正則表達式會忽略原有的正則表達式的修飾符，只使用新指定的修飾符。

new RegExp(/abc/ig, 'i').flags
// "i"

字符串的正則方法

字符串對象共有 4 個方法，可以使用正則表達式：match()、replace()、search()和split()。

ES6 將這 4 個方法，在語言內部全部調用RegExp的實例方法，從而做到所有與正則相關的方法，全都定義在RegExp對象上。

• String.prototype.match 調用 RegExp.prototype[Symbol.match]
• String.prototype.replace 調用 RegExp.prototype[Symbol.replace]
• String.prototype.search 調用 RegExp.prototype[Symbol.search]
• String.prototype.split 調用 RegExp.prototype[Symbol.split]

u修飾符

 ES6 對正則表達式添加了u修飾符，含義為“Unicode 模式”，用來正確處理大於\uFFFF的 Unicode 字符。也就是說，會正確處理四個字節的 UTF-16 編碼。

/^\uD83D/u.test('\uD83D\uDC2A') // false
/^\uD83D/.test('\uD83D\uDC2A') // true

上面代碼中，\uD83D\uDC2A是一個四個字節的 UTF-16 編碼，代表一個字符。但是，ES5 不支持四個字節的 UTF-16 編碼，會將其識別為兩個字符，導致第二行代碼結果為true。加了u修飾符以后，ES6 就會識別其為一個字符，所以第一行代碼結果為false。

一旦加上u修飾符號，就會修改下面這些正則表達式的行為。

點字符

點（.）字符在正則表達式中，含義是除了換行符以外的任意單個字符。對於碼點大於0xFFFF的 Unicode 字符，點字符不能識別，必須加上u修飾符。

var s = '𠮷';

/^.$/.test(s) // false
/^.$/u.test(s) // true

Unicode 字符表示法

ES6 新增了使用大括號表示 Unicode 字符，這種表示法在正則表達式中必須加上u修飾符，才能識別當中的大括號，否則會被解讀為量詞。

/\u{61}/.test('a') // false
/\u{61}/u.test('a') // true
/\u{20BB7}/u.test('𠮷') // true

量詞

使用u修飾符后，所有量詞都會正確識別碼點大於0xFFFF的 Unicode 字符。

/a{2}/.test('aa') // true
/a{2}/u.test('aa') // true
/𠮷{2}/.test('𠮷𠮷') // false
/𠮷{2}/u.test('𠮷𠮷') // true

預定義模式

u修飾符也影響到預定義模式，能否正確識別碼點大於0xFFFF的 Unicode 字符。

/^\S$/.test('𠮷') // false
/^\S$/u.test('𠮷') // true

上面代碼的\S是預定義模式，匹配所有不是空格的字符。只有加了u修飾符，它才能正確匹配碼點大於0xFFFF的 Unicode 字符。

利用這一點，可以寫出一個正確返回字符串長度的函數。

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

i 修飾符

有些 Unicode 字符的編碼不同，但是字型很相近，比如，\u004B與\u212A都是大寫的K。

/[a-z]/i.test('\u212A') // false
/[a-z]/iu.test('\u212A') // true

上面代碼中，不加u修飾符，就無法識別非規范的k字符。

RegExp.prototype.unicode 屬性

正則實例對象新增unicode屬性，表示是否設置了u修飾符。

const r1 = /hello/;
const r2 = /hello/u;

r1.unicode // false
r2.unicode // true

上面代碼中，正則表達式是否設置了u修飾符，可以從unicode屬性看出來。

y修飾符

ES6 還為正則表達式添加了y修飾符，叫做“粘連”（sticky）修飾符。

y修飾符的作用與g修飾符類似，也是全局匹配，后一次匹配都從上一次匹配成功的下一個位置開始。不同之處在於，g修飾符只要剩余位置中存在匹配就可，而y修飾符確保匹配必須從剩余的第一個位置開始，這也就是“粘連”的涵義。

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

上面代碼有兩個正則表達式，一個使用g修飾符，另一個使用y修飾符。這兩個正則表達式各執行了兩次，第一次執行的時候，兩者行為相同，剩余字符串都是_aa_a。由於g修飾沒有位置要求，所以第二次執行會返回結果，而y修飾符要求匹配必須從頭部開始，所以返回null。

使用lastIndex屬性，可以更好地說明y修飾符。

const REGEX = /a/g;

// 指定從2號位置（y）開始匹配
REGEX.lastIndex = 2;

// 匹配成功
const match = REGEX.exec('xaya');

// 在3號位置匹配成功
match.index // 3

// 下一次匹配從4號位開始
REGEX.lastIndex // 4

// 4號位開始匹配失敗
REGEX.exec('xaxa') // null

上面代碼中，lastIndex屬性指定每次搜索的開始位置，g修飾符從這個位置開始向后搜索，直到發現匹配為止。

y修飾符同樣遵守lastIndex屬性，但是要求必須在lastIndex指定的位置發現匹配。

const REGEX = /a/y;

// 指定從2號位置開始匹配
REGEX.lastIndex = 2;

// 不是粘連，匹配失敗
REGEX.exec('xaya') // null

// 指定從3號位置開始匹配
REGEX.lastIndex = 3;

// 3號位置是粘連，匹配成功
const match = REGEX.exec('xaxa');
match.index // 3
REGEX.lastIndex // 4

實際上，y修飾符號隱含了頭部匹配的標志^。

/b/y.exec('aba')
// null

上面代碼由於不能保證頭部匹配，所以返回null。y修飾符的設計本意，就是讓頭部匹配的標志^在全局匹配中都有效。

// 沒有找到匹配
'x##'.split(/#/y)
// [ 'x##' ]

// 找到兩個匹配
'##x'.split(/#/y)
// [ '', '', 'x' ]

'#x#'.split(/#/y)
// [ '', 'x#' ]

'##'.split(/#/y)
// [ '', '', '' ]

下面是字符串對象的replace方法的例子。

const REGEX = /a/gy;
'aaxa'.replace(REGEX, '-') // '--xa'

單單一個y修飾符對match方法，只能返回第一個匹配，必須與g修飾符聯用，才能返回所有匹配。

'a1a2a3'.match(/a\d/y) // ["a1"]
'a1a2a3'.match(/a\d/gy) // ["a1", "a2", "a3"]

y修飾符的一個應用，是從字符串提取 token（詞元），y修飾符確保了匹配之間不會有漏掉的字符。

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' ]

function tokenize(TOKEN_REGEX, str) {
  let result = [];
  let match;
  while (match = TOKEN_REGEX.exec(str)) {
    result.push(match[1]);
  }
  return result;
}

上面代碼中，如果字符串里面沒有非法字符，y修飾符與g修飾符的提取結果是一樣的。但是，一旦出現非法字符，兩者的行為就不一樣了。

tokenize(TOKEN_Y, '3x + 4')
// [ '3' ]
tokenize(TOKEN_G, '3x + 4')
// [ '3', '+', '4' ]

上面代碼中，g修飾符會忽略非法字符，而y修飾符不會，這樣就很容易發現錯誤。

RegExp.prototype.sticky 屬性

ES6 的正則對象多了sticky屬性，表示是否設置了y修飾符。

var r = /hello\d/y;
r.sticky // true

RegExp.prototype.flags 屬性

ES6 為正則表達式新增了flags屬性，會返回正則表達式的修飾符。

// ES5 的 source 屬性
// 返回正則表達式的正文
/abc/ig.source
// "abc"

// ES6 的 flags 屬性
// 返回正則表達式的修飾符
/abc/ig.flags
// 'gi'

s修飾符：dotAll 模式

正則表達式中，點（.）是一個特殊字符，代表任意的單個字符，但是行終止符（line terminator character）除外。

以下四個字符屬於”行終止符“。

• U+000A 換行符（\n）
• U+000D 回車符（\r）
• U+2028 行分隔符（line separator）
• U+2029 段分隔符（paragraph separator）

/foo.bar/.test('foo\nbar')
// false

但是，很多時候我們希望匹配的是任意單個字符，這時有一種變通的寫法。

/foo[^]bar/.test('foo\nbar')
// true

這種解決方案畢竟不太符合直覺，所以現在有一個提案，引入/s修飾符，使得.可以匹配任意單個字符。

/foo.bar/s.test('foo\nbar') // true

這被稱為dotAll模式，即點（dot）代表一切字符。所以，正則表達式還引入了一個dotAll屬性，返回一個布爾值，表示該正則表達式是否處在dotAll模式。

const re = /foo.bar/s;
// 另一種寫法
// const re = new RegExp('foo.bar', 's');

re.test('foo\nbar') // true
re.dotAll // true
re.flags // 's'

/s修飾符和多行修飾符/m不沖突，兩者一起使用的情況下，.匹配所有字符，而^和$匹配每一行的行首和行尾。

后行斷言

JavaScript 語言的正則表達式，只支持先行斷言（lookahead）和先行否定斷言（negative lookahead），不支持后行斷言（lookbehind）和后行否定斷言（negative lookbehind）。目前，有一個提案，引入后行斷言，V8 引擎 4.9 版已經支持。

”先行斷言“指的是，x只有在y前面才匹配，必須寫成/x(?=y)/。比如，只匹配百分號之前的數字，要寫成/\d+(?=%)/。”先行否定斷言“指的是，x只有不在y前面才匹配，必須寫成/x(?!y)/。比如，只匹配不在百分號之前的數字，要寫成/\d+(?!%)/。

/\d+(?=%)/.exec('100% of US presidents have been male')  // ["100"]
/\d+(?!%)/.exec('that’s all 44 of them')                 // ["44"]

上面兩個字符串，如果互換正則表達式，就不會得到相同結果。另外，還可以看到，”先行斷言“括號之中的部分（(?=%)），是不計入返回結果的。

“后行斷言”正好與“先行斷言”相反，x只有在y后面才匹配，必須寫成/(?<=y)x/。比如，只匹配美元符號之后的數字，要寫成/(?<=\$)\d+/。”后行否定斷言“則與”先行否定斷言“相反，x只有不在y后面才匹配，必須寫成/(?<!y)x/。比如，只匹配不在美元符號后面的數字，要寫成/(?<!\$)\d+/。

/(?<=\$)\d+/.exec('Benjamin Franklin is on the $100 bill')  // ["100"]
/(?<!\$)\d+/.exec('it’s is worth about €90')                // ["90"]

“后行斷言”的括號之中的部分（(?<=\$)），也是不計入返回結果。

const RE_DOLLAR_PREFIX = /(?<=\$)foo/g;
'$foo %foo foo'.replace(RE_DOLLAR_PREFIX, 'bar');
// '$bar %foo foo'

上面代碼中，只有在美元符號后面的foo才會被替換。

“后行斷言”的實現，需要先匹配/(?<=y)x/的x，然后再回到左邊，匹配y的部分。這種“先右后左”的執行順序，與所有其他正則操作相反，導致了一些不符合預期的行為。

”后行斷言“的組匹配，與正常情況下結果是不一樣的。

/(?<=(\d+)(\d+))$/.exec('1053') // ["", "1", "053"]
/^(\d+)(\d+)$/.exec('1053') // ["1053", "105", "3"]

上面代碼中，需要捕捉兩個組匹配。沒有"后行斷言"時，第一個括號是貪婪模式，第二個括號只能捕獲一個字符，所以結果是105和3。而"后行斷言"時，由於執行順序是從右到左，第二個括號是貪婪模式，第一個括號只能捕獲一個字符，所以結果是1和053。

其次，"后行斷言"的反斜杠引用，也與通常的順序相反，必須放在對應的那個括號之前。

/(?<=(o)d\1)r/.exec('hodor')  // null
/(?<=\1d(o))r/.exec('hodor')  // ["r", "o"]

上面代碼中，如果后行斷言的反斜杠引用（\1）放在括號的后面，就不會得到匹配結果，必須放在前面才可以。因為后行斷言是先從左到右掃描，發現匹配以后再回過頭，從右到左完成反斜杠引用。

Unicode屬性類

ES2018 引入了一種新的類的寫法\p{...}和\P{...}，允許正則表達式匹配符合 Unicode 某種屬性的所有字符。

const regexGreekSymbol = /\p{Script=Greek}/u;
regexGreekSymbol.test('π') // true

上面代碼中，\p{Script=Greek}指定匹配一個希臘文字母，所以匹配π成功。

Unicode 屬性類要指定屬性名和屬性值。

\p{UnicodePropertyName=UnicodePropertyValue}

對於某些屬性，可以只寫屬性名。

\p{UnicodePropertyName}

\P{…}是\p{…}的反向匹配，即匹配不滿足條件的字符。

注意，這兩種類只對 Unicode 有效，所以使用的時候一定要加上u修飾符。如果不加u修飾符，正則表達式使用\p和\P會報錯，ECMAScript 預留了這兩個類。

const regex = /^\p{Decimal_Number}+$/u;
regex.test('𝟏𝟐𝟑𝟜𝟝𝟞𝟩𝟪𝟫𝟬𝟭𝟮𝟯𝟺𝟻𝟼') // true

// 匹配所有數字
const regex = /^\p{Number}+$/u;
regex.test('²³¹¼½¾') // true
regex.test('㉛㉜㉝') // true
regex.test('ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫ') // true

// 匹配各種文字的所有字母，等同於 Unicode 版的 \w
[\p{Alphabetic}\p{Mark}\p{Decimal_Number}\p{Connector_Punctuation}\p{Join_Control}]

// 匹配各種文字的所有非字母的字符，等同於 Unicode 版的 \W
[^\p{Alphabetic}\p{Mark}\p{Decimal_Number}\p{Connector_Punctuation}\p{Join_Control}]

// 匹配所有的箭頭字符
const regexArrows = /^\p{Block=Arrows}+$/u;
regexArrows.test('←↑→↓↔↕↖↗↘↙⇏⇐⇑⇒⇓⇔⇕⇖⇗⇘⇙⇧⇩') // true

具名組匹配

正則表達式使用圓括號進行組匹配。

const RE_DATE = /(\d{4})-(\d{2})-(\d{2})/;

const matchObj = RE_DATE.exec('1999-12-31');
const year = matchObj[1]; // 1999
const month = matchObj[2]; // 12
const day = matchObj[3]; // 31

組匹配的一個問題是，每一組的匹配含義不容易看出來，而且只能用數字序號引用，要是組的順序變了，引用的時候就必須修改序號。

ES2018 引入了具名組匹配（Named Capture Groups），允許為每一個組匹配指定一個名字，既便於閱讀代碼，又便於引用。

const RE_DATE = /(?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2})/;

const matchObj = RE_DATE.exec('1999-12-31');
const year = matchObj.groups.year; // 1999
const month = matchObj.groups.month; // 12
const day = matchObj.groups.day; // 31

上面代碼中，“具名組匹配”在圓括號內部，模式的頭部添加“問號 + 尖括號 + 組名”（?<year>），然后就可以在exec方法返回結果的groups屬性上引用該組名。同時，數字序號（matchObj[1]）依然有效。

具名組匹配等於為每一組匹配加上了 ID，便於描述匹配的目的。如果組的順序變了，也不用改變匹配后的處理代碼。

如果具名組沒有匹配，那么對應的groups對象屬性會是undefined。

const RE_OPT_A = /^(?<as>a+)?$/;
const matchObj = RE_OPT_A.exec('');

matchObj.groups.as // undefined
'as' in matchObj.groups // true

上面代碼中，具名組as沒有找到匹配，那么matchObj.groups.as屬性值就是undefined，並且as這個鍵名在groups是始終存在的。

解構賦值和替換

有了具名組匹配以后，可以使用解構賦值直接從匹配結果上為變量賦值。

let {groups: {one, two}} = /^(?<one>.*):(?<two>.*)$/u.exec('foo:bar');
one  // foo
two  // bar

字符串替換時，使用$<組名>引用具名組。

let re = /(?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2})/u;

'2015-01-02'.replace(re, '$<day>/$<month>/$<year>')
// '02/01/2015'

上面代碼中，replace方法的第二個參數是一個字符串，而不是正則表達式。

replace方法的第二個參數也可以是函數，該函數的參數序列如下。

'2015-01-02'.replace(re, (
   matched, // 整個匹配結果 2015-01-02
   capture1, // 第一個組匹配 2015
   capture2, // 第二個組匹配 01
   capture3, // 第三個組匹配 02
   position, // 匹配開始的位置 0
   S, // 原字符串 2015-01-02
   groups // 具名組構成的一個對象 {year, month, day}
 ) => {
 let {day, month, year} = args[args.length - 1];
 return `${day}/${month}/${year}`;
});

具名組匹配在原來的基礎上，新增了最后一個函數參數：具名組構成的一個對象。函數內部可以直接對這個對象進行解構賦值。

引用

如果要在正則表達式內部引用某個“具名組匹配”，可以使用\k<組名>的寫法。

const RE_TWICE = /^(?<word>[a-z]+)!\k<word>$/;
RE_TWICE.test('abc!abc') // true
RE_TWICE.test('abc!ab') // false

數字引用（\1）依然有效。

const RE_TWICE = /^(?<word>[a-z]+)!\1$/;
RE_TWICE.test('abc!abc') // true
RE_TWICE.test('abc!ab') // false

這兩種引用語法還可以同時使用。

const RE_TWICE = /^(?<word>[a-z]+)!\k<word>!\1$/;
RE_TWICE.test('abc!abc!abc') // true
RE_TWICE.test('abc!abc!ab') // false

 String.prototype.matchAll

如果一個正則表達式在字符串里面有多個匹配，現在一般使用g修飾符或y修飾符，在循環里面逐一取出。

var regex = /t(e)(st(\d?))/g;
var string = 'test1test2test3';

var matches = [];
var match;
while (match = regex.exec(string)) {
  matches.push(match);
}

matches
// [
//   ["test1", "e", "st1", "1", index: 0, input: "test1test2test3"],
//   ["test2", "e", "st2", "2", index: 5, input: "test1test2test3"],
//   ["test3", "e", "st3", "3", index: 10, input: "test1test2test3"]
// ]

上面代碼中，while循環取出每一輪的正則匹配，一共三輪。

目前有一個提案，增加了String.prototype.matchAll方法，可以一次性取出所有匹配。不過，它返回的是一個遍歷器（Iterator），而不是數組。

const string = 'test1test2test3';

// g 修飾符加不加都可以
const regex = /t(e)(st(\d?))/g;

for (const match of string.matchAll(regex)) {
  console.log(match);
}
// ["test1", "e", "st1", "1", index: 0, input: "test1test2test3"]
// ["test2", "e", "st2", "2", index: 5, input: "test1test2test3"]
// ["test3", "e", "st3", "3", index: 10, input: "test1test2test3"]

上面代碼中，由於string.matchAll(regex)返回的是遍歷器，所以可以用for...of循環取出。相對於返回數組，返回遍歷器的好處在於，如果匹配結果是一個很大的數組，那么遍歷器比較節省資源。

遍歷器轉為數組是非常簡單的，使用...運算符和Array.from方法就可以了。

// 轉為數組方法一
[...string.matchAll(regex)]

// 轉為數組方法二
Array.from(string.matchAll(regex));