我的书签
添加书签
移除书签9.4 为crowbar引入鬼车
crowbar名字是由“像Perl一样的语言”而来的。
近些年来，Perl被应用在了各个领域中，但是早期的Perl只是用来处理文本文件的。说起处理文本文件，最方便的莫过于正则表达式了。
但是想要从零开始制作一个正则表达式引擎的话太困难了，因此我们引入现有的正则表达式程序库“鬼车”。
9.4.1 关于“鬼车”
“鬼车”是小迫先生开发的正则表达式程序库。
官方网站（英语）：
http://www.geocities.jp/kosako3/oniguruma/
在写作本书的时候最新版本为5.9.1 [19]，UNIX（含Mac操作系统）和Windows都可以安装。许可类型为BSD许可，标明著作权、许可条文和免责条款后，可以在自制软件中（可以不开放源代码）自由使用。
因为使用了这个程序库，所以可以简单地将正则表达式引入到crowbar中。在这里要感谢开发者小迫先生。
具体的安装方法和程序库的使用方法，考虑到很有可能会发生变化，请大家直接参考网站的内容。
http://avnpc.com/pages/devlang#oniguruma
9.4.2 正则表达式常量
在编程语言中处理正则表达式的时候，问题在于要将正则表达式特化到什么程度。
在Perl的语言设计上，专门针对正则表达式进行了优化。无论s///、m///还是s///g亦或=～，这些在我看来都太僵化了。对于在AWK级别中对文本处理进行特化的语言来说，这样也许很好，但是我不想让crowbar变成这样。
反之在Java和PHP中并没有直接支持正则表达式，而是用程序库的方式支持正则表达式。也许有人会想，这么做也还行吧。在这种情况下，如果只使用单纯的字符串来表现正则表达式的话，在字符串常量中可能会含有特殊含义的字符，因此不得不进行编码处理。字符串常量包含的特殊含义的字符，很有可能在正则表达式中也具有特殊的含义。为了使用这样的字符，在正在表达式中还要进行编码，即必须要进行双重编码。因此，例如Java中匹配 \的正则表达式必须要写成 \\。这让人感觉很愚蠢。
不知道是不是为了解决这个问题，在Python中引入了raw string的概念。在Python中，
r"字符串"
这样在字符串前面加上r的话，在这个字符串中像 \这样的字符将不再具有特殊含义。如此一来，匹配 \的正则表达式只要写成 \就可以了。在C#中加上了 @的字符串（逐字字符串：verbatim string literal）能达到同样的效果。
但是，如果\没有特殊含义的话，字符串常量中出现了"的时候该怎么办呢？
Python的使用手册 [16]中写道：
引号可以用反斜杠进行编码，但是这样一来反斜杠本身就成了遗留问题。例如， r"\""是正确的字符串常量，说明由反斜杠和双引号组成了一个字符串，而r"\"则是错误的字符串常量（raw字符串不能以反斜杠和连续奇数个字符串结尾）。严格地说， （因为反斜杠会编码跟在它后面的引号）raw字符串不能以单个反斜杠结束。
在我看来，这是一种招致混乱的设计（顺便说一下，C#的逐字字符串采用了两个双引号写在一起代表一个双引号的设计，这种设计与Pascal相似）。
另外，如果想要高效地解释正则表达式，就必须要进行事先编译。但是，对于使用者（crowbar程序员）来说，每次都编译十分麻烦。在大多数的程序中，正则表达式都不是在运行时组合而成的，因此可以在编译源代码的同时编译正则表达式。这样一来，作为一门编程语言来说，它就需要一种表现“正则表达式常量”的格式。
在Ruby中，通过 %!字符串！的方式可以实现跟Python的raw string一样的效果。与Python不同的是， !可以是任意字符串。这种方法中，只要使用字符串常量中没有的字符把字符串包起来即可，也很好地回避了Python中出现的问题。另外，在Ruby中通过 %r!正则表达式！的方式可以表示一个正则表达式常量，使用这种方式定义的常量，可以在编译时先编译正则表达式。但在crowbar中，%会被当做模运算符来使用，也充分考虑到了（运算符左右两边不需要输入空格）像 a%r+3这样的程序。
从而在crowbar中，采用了 %%r"正则表达式"的格式。和Ruby一样， %%r后面可以是任意的字符。也就是说， %%r"hoge"和 %%r!hoge!两种写法达到的效果是相同的。
但是实际上，这样的语法一旦用多了，就会出现各种各样的符号（用来定义正则表达式），看上去就不那么美观了。
9.4.3 正则表达式的相关函数
crowbar中与正则表达式相关的函数如下所示。
reg_match(regexp, subject, region);
对字符串 subject 使用正则表达式 regexp 进行匹配，如果匹配返回 true，不匹配则返回 false。
可以省略 region，也可以传入一个使用 new_object()创建的对象。
在 region 中会返回 string、 begin、 end 三个数组成员。例如正则表达式 "hoge(.)piyo"， string[0] 中保存着与表达式全部匹配的字符串， string[1]中保存着与“\1”（也就是正则表达式的 (.)部分）匹配的字符串。 start、 end返回 string[n]开始和结束位置+1（这个设计是照搬鬼车的）。
reg_replace(regexp, replacement, subject);
在字符串 subject 中，将匹配正则表达式 regexp 的部分替换为字符串 replacement，并返回替换后的字符串。如果有多个位置匹配，则替换第一个匹配的位置。
reg_replace_all(regexp, replacement, subject);
在字符串 subject 中，将匹配正则表达式 regexp 的部分替换为字符串 replacement，并返回替换后的字符串。替换针对所有匹配的位置进行。
包括 reg_replace()在内，在 replacement中可以使用 回溯引用 ， replacement 的类型只能是字符串。但我想，给 reg_replace()传递的 \1是不是必须要写成 \1呢？实际上在crowbar中，含有 \n（换行符）和 \t（制表符）的字符串常量需要特殊处理，因为在crowbar中没有将 \025、和\x5c之类的八进制或者十六进制的数值嵌入到字符串中（C语言中有）的功能，所以将\1写为\1也是没有问题的（看到这肯定会有人问我：“那前面那节的讨论还有什么意义呢？”）。
——虽然可能有人会认为以后使用这种设计比较好，但是我认为现在这样也没什么问题。
reg_split(regexp, subject);
用 regexp分割字符串 subject，返回分割后的字符串数组。
