> 正则表达式手册 > 正则表达式学习(十)回溯引用backreference

PS:在所有例子中正则表达式匹配结果包含在源文本中的【和】之间,有的例子会使用java来实现,如果是java本身正则表达式的用法,会在相应的地方说明。所有java例子都在JDK1.6.0_13下测试通过。

 

一、问题引入

         一个在HTML页面中匹配标题标签(H1—H6)的问题:

文本:

<body>

<h1>Welcome to my page</H1>

Content is divided into twosections:<br>

<h2>Introduction</h2>

Information about me.

<H2>Hobby</H2>

Information about my hobby.

<h2>This is invalid HTML</h3>

</body>

正则表达式:<[hH][1-6]>.*?</[hH][1-6]>

结果:

<body>

【<h1>Welcome to my page</H1>】

Content is divided into twosections:<br>

【<h2>Introduction</h2>】

Information about me.

【<H2>Hobby</H2>】

Information about my hobby.

【<h2>This is invalid HTML</h3>】

</body>

分析:模式<[hH][1-6]>匹配任何一级标题的开始标签,而且不区分大小写,在这个例子中它匹配到了<h1>、<h2>,</[hH][1-6]>匹配到了</h1>、</h2>、</h3>;这里使用了懒惰型元字符来匹配标签中的文本,否则会匹配到从第一个开始标签到最后一下结束标签之间的内容。但是从结果可以看出,有一个无效的标签也匹配上了,即<h2></h3>,它们根本不能配对。要解决这个问题,就需要使用到回溯引用(backreference)。

 

二、回溯引用匹配

         回溯引用是指模式的后半部分引用在前半部分中定义的子表达式。至于子表达式的使用、划分和引用,在前面一篇已经介绍过了。现在来解决前面的例子:

文本:

<body>

<h1>Welcome to my page</H1>

Content is divided into twosections:<br>

<h2>Introduction</h2>

Information about me.

<H2>Hobby</H2>

Information about my hobby.

<h2>This is invalid HTML</h3>

</body>

正则表达式:<[hH]([1-6])>.*?</[hH]\1>

结果:

<body>

【<h1>Welcome to my page</H1>】

Content is divided into twosections:<br>

【<h2>Introduction</h2>】

Information about me.

【<H2>Hobby</H2>】

Information about my hobby.

<h2>This is invalid HTML</h3>

分析:首先匹配开始标题标签的模式<[hH]([1-6])>,使用括号把[1-6]做为子表达式,而匹配结束标题标签模式为</[hH]\1>,其中\1表示引用第一个子表达式,即([1-6]),如果([1-6])匹配到的是1,那\1也匹配到1,如果匹配到2,那\1也匹配到2,所以最后一个无效的标题标签就不会被匹配到了。