从 Vue parseHTML 来学习正则表达式

写作本文的起源在于，在分析 vue 源码中 parsehtml 方法时，发现网上对其中正则的解析文章较少，找到的几篇文章也有些语焉不详。于是静下心逐个表达式分析了其中的正则，以备查看。

常见正则规则可参见附录 1，Vue parseHTML 正则所用规则均可在其中找到定义。

Vue parseHTML 中所用的所有正则如下：

const attribute = /^\s*([^\s"'<>\/=]+)(?:\s*(=)\s*(?:"([^"]*)"+|'([^']*)'+|([^\s"'=<>`]+)))?/
const dynamicArgAttribute = /^\s*((?:v-[\w-]+:|@|:|#)\[[^=]+\][^\s"'<>\/=]*)(?:\s*(=)\s*(?:"([^"]*)"+|'([^']*)'+|([^\s"'=<>`]+)))?/
const ncname = `[a-zA-Z_][\\-\\.0-9_a-zA-Z${unicodeRegExp.source}]*`
const qnameCapture = `((?:${ncname}\\:)?${ncname})`
const startTagOpen = new RegExp(`^<${qnameCapture}`)
const startTagClose = /^\s*(\/?)>/
const endTag = new RegExp(`^<\\/${qnameCapture}[^>]*>`)
const doctype = /^<!DOCTYPE [^>]+>/i
const comment = /^<!\--/
const conditionalComment = /^<!\[/

接下来一个个通过拆解表达式，来分析上述正则规则。

attribute

const attribute = /^\s*([^\s"'<>\/=]+)(?:\s*(=)\s*(?:"([^"]*)"+|'([^']*)'+|([^\s"'=<>`]+)))?/

分析其结构：

^\s* 匹配 0 至多个以空白字符开头的字符串空白字符的部分
捕获组：([^\s"'<>\/=]+) 匹配并捕获 1 至多次除空白字符 " ' < > / = 以外的所有字符
非捕获组：(?:\s(=)\s(?:"([^"]*)"+|'([']*)'+|([^\s"'=<>`]+)))?

\s* 匹配 0 至多个空白字符
捕获组：(=) 匹配并捕获 =
\s* 匹配 0 至多个空白字符
非捕获组：(?:"([^"]*)"+|'([^']*)'+|([^\s"'=<>\]+))`
- "([^"]*)"+
  - " 匹配 "
  - ([^"]*) 匹配并捕获 0 至多个除 " 外的字符
  - "+ 匹配 1 至多次 "
- '([^']*)'+
  - ' 匹配 '
  - ([^']*) 匹配并捕获 0至多个除 ' 外的字符
  - '+ 匹配 1 至多次 '
- ([^\s"'=<>`]+) 匹配并捕获 1 至多次除空白字符 " ' = < > ` 外的字符
? 匹配 3 中非捕获组 0 次或 1 次

小结

attribute 表达式匹配的是：

以 0 至多个空白字符开头；
紧接着 1 至多个除空白字符 " ' < > / = 以外的字符；
紧接着 0 至多个空白字符；
紧接着 =；
紧接着 0 至多个空白字符；
紧接着匹配 0 次或 1 次：
(1) " + 0 至多个除 " 外的字符 + "；
(2) 或 ' + 0 至多个除 ' 外的字符 + '；
(3) 或 1 至多次除空白字符 " ' = < > ` 外的字符

例如：

<div id="mydiv" class="myClass" style="color: #ff0000" >

在 Vue 的 parseHTML 时，就能将 id="mydiv"、、提取出来。

dynamicArgAttribute

const dynamicArgAttribute = /^\s*((?:v-[\w-]+:|@|:|#)\[[^=]+\][^\s"'<>\/=]*)(?:\s*(=)\s*(?:"([^"]*)"+|'([^']*)'+|([^\s"'=<>`]+)))?/

分析其结构：

^\s* 匹配以 0 至多个空白字符开头
捕获组：((?:v-[\w-]+:|@|:|#)\[[^=]+\][^\s"'<>\/=]*)

非捕获组：(?:v-[\w-]+:|@|:|#) 匹配：
（1）v- + 1 次或多次包括下划线在内的任意单词字符 + :
（2）或 @
（3）或 :
（4）或 #
\[[^=]+\] 匹配以 [ + 1 次或多次除 = 外的所有字符 + ]
[^\s"'<>\/=]* 匹配 0 次或多次除空白字符、"、'、<、>、/、= 以外的字符

非捕获组：(?:\s(=)\s(?:"([^"]*)"+|'([']*)'+|([^\s"'=<>`]+)))?

已在 attribute 章节分析过。

小结

dynamicArgAttribute 用于匹配：

以 0 至多个空白字符开头
紧接着：
（1）v- + 1 次或多次包括下划线在内的任意单词字符 + :；
（2）或 @
（3）或 :
（4）或 #
紧接着以 [ + 1 次或多次除 = 外的所有字符 + ]
匹配 0 次或多次除空白字符、"、'、<、>、/、= 以外的字符
紧接着 0 至多个空白字符；
紧接着 =；
紧接着 0 至多个空白字符；
紧接着匹配 0 次或 1 次：
(1) " + 0 至多个除 " 外的字符 + "；
(2) 或 ' + 0 至多个除 ' 外的字符 + '；
(3) 或 1 至多次除空白字符 " ' = < > ` 外的字符

例如：

<a v-bind:[attributeName]="url"> ... </a>

<a v-on:[eventName]="doSomething"> ... </a>

在 Vue 的 parseHTML 时，就能将 v-bind:[attributeName]="url" 这种动态参数提取出来。

ncname

const ncname = `[a-zA-Z_][\\-\\.0-9_a-zA-Z${unicodeRegExp.source}]*`

首先看 unicodeRegExp

const unicodeRegExp = /a-zA-Z\u00B7\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u037D\u037F-\u1FFF\u200C-\u200D\u203F-\u2040\u2070-\u218F\u2C00-\u2FEF\u3001-\uD7FF\uF900-\uFDCF\uFDF0-\uFFFD/

定义了一系列合法字符，通过 Unicode 字符集范围匹配。

unicodeRegExp.source 用于拿到正则表达式 unicodeRegExp 的字符串。

ncname 即是一系列合法字符的集合。

qnameCapture

const qnameCapture = `((?:${ncname}\\:)?${ncname})`

表示匹配 xxx:xxx 或 xxx 模式的字符。

startTagOpen

const startTagOpen = new RegExp(`^<${qnameCapture}`)

startTagOpen 可匹配标签开始部分，即：<xxx:xxx 或 <xxx 的模式。

<xxx:xxx 代表的是带命名空间的 html 标签，文可参见这里，这种类型的标签主要作用是可以指定标签的命名空间，避免冲突。Vue 对这类的标签也做了解析。

如：<div 或 <math:div

startTagClose

const startTagClose = /^\s*(\/?)>/

^\s*(\/?)> 匹配以 0 至多个空白字符开头，接 0 或 1 个 / ，紧接 > 的字符串。

如： />

endTag

const endTag = new RegExp(`^<\\/${qnameCapture}[^>]*>`)

匹配以 </ 开头，后接合法字符，后接 0 至多个除 > 以外的任何字符，最后接 > 。

如：</div>

doctype

const doctype = /^<!DOCTYPE [^>]+>/i

匹配以 <!DOCTYPE开头，后接 1 至多次除 > 外的所有字符，后接 >。注意该匹配模式不区分大小写。

如：<!DOCTYPE html>

comment

const comment = /^<!\--/

匹配以 <!-- 开头的字符串。

如：

conditionalComment

const conditionalComment = /^<!\[/

匹配以 <![ 开头的字符串。条件注释主要用于做浏览器兼容等，文可参见这里

总结

本文以 Vue 源码中 parseHTML 方法为例，分析了其中定义的正则表达式，将常见的正则规则做了梳理，同时可以备查 parseHTML 方法的正则规则，方便后续继续分析该方法。

附录 1 常见正则规则

正则里的特殊字符

* ? + . [ ] ( ) { } | ^ $，共 13 个。

* 表示匹配前面字符（或括号括起来的表达式，或方括号括起来的字符集）0 次或多次；
?（1）? 表示匹配前面字符（或括号括起来的表达式，或方括号括起来的字符集）0 次或 1 次；（2）? 紧跟在其它任何一个限制符（如 * + 等）后时，匹配模式为非贪婪，尽可能少地匹配；
+ 表示匹配前面字符（或括号括起来的表达式，或方括号括起来的字符集）1 次或多次；
. 表示匹配除换行符以外的任意字符 1 次；
[] 字符集，表示匹配方括号内字符中的其中一个，其中的特殊字符会被当做普通字符处理；
() 捕获组，表示匹配其中的子表达式；
{n,m} 匹配前面表达式最少 n 次，最多 m 次
| 或，常用在捕获组中；
^ 匹配字符串的开始位置
$ 匹配字符串的结束位置

表达式 () 中常见写法

(pattern) 匹配 pattern 并获取该匹配；
(?:pattern) 匹配 pattern 但不获取该匹配；
pattern1(?=pattern2) 匹配 pattern1 后面跟 pattern2 的字符串，不获取该匹配
pattern1(?!pattern2) 匹配 pattern1 后面不跟 pattern2 的字符串，不获取该匹配
(?<=pattern2)pattern1 匹配 pattern1 前面为 pattern2 的字符串，不获取该匹配
(?<!pattern2)pattern1 匹配 pattern1 前面不为 pattern2 的字符串，不获取该匹配

字符集 [] 常见写法

[x|y] 匹配 x 或 y，可为字符串
[xyz] 匹配 x 或 y 或 z 的字符
[^xyz] 匹配非 x 或 y 或 z 的字符
[a-z] 匹配 a 到 z 的任意小写字符

常见特殊字符

\b 匹配单词边界
\d 匹配一个数字字符
\n 匹配一个换行符
\r 匹配一个回车符
\t 匹配制表符
\s 匹配任何空白字符
\w 匹配包括下划线的任何单词字符

原文来自：https://www.cnblogs.com/lilei94/p/14968735.html

链接: https://fly63.com/article/detial/10559