【分享】正则平衡组应用场景分析及性能优化
为了获得更好的阅读效果，可以到我的博客查看
.NET正则基础之——平衡组
 
声明一：本帖不是散分帖，只对找出错误，提供改进建议，进行技术讨论，阅读后给出个人见解的回复给分，其余回复不给分，请尽量看过帖子后再回复。

声明二：本帖给出的只是一些方法和思路，不是模板，我也一直不推荐把正则套模板来用。对于部分实现，认为不适合用正则来解决的朋友，请给出更优的实现，不要只是泛泛的说“这个不适合用正则来实现”。

声明三：本帖可能比较长，主要是因为偏重应用场景分析的缘故，如果对正则和平衡组感兴趣，可以先收起来慢慢看^_^

1 概述

平衡组是微软在.NET中提出的一个概念，主要是结合几种正则语法规则，提供对配对出现的嵌套结构的匹配。.NET是目前对正则支持最完备、功能最强大的语言平台之一，而平衡组正是其强大功能的外在表现，也是比较实用的文本处理功能，目前只有.NET支持，相信后续其它语言会提供支持。
平衡组可以有狭义和广义两种定义，狭义平衡组指.NET中定义的(?<Close-Open>Expression)语法，广义平衡组并不是固定的语法规则，而是几种语法规则的综合运用，我们平时所说的平衡组通常指的是广义平衡组。本文中如无特殊说明，平衡组这种简写指的是广义平衡组。
正是由于平衡组功能的强大，所以带来了一些神秘色彩，其实平衡组并不难掌握。下面就平衡组的匹配原理、应用场景以及性能调优展开讨论。

2 平衡组匹配原理
2.1 预备知识

平衡组通常是由量词，分支结构，命名捕获组，狭义平衡组，条件判断结构组成的，量词和分支结构这里不做介绍，这里只对命名捕获组，狭义平衡组和条件判断结构做下说明。

2.1.1 命名捕获组

语法：(?<name>Expression)  
 (?’name’Expression)
以上两种写法在..NET中是等价的，都是将“Expression”子表达式匹配到的内容，保存到以“name”命名的组里，以供后续引用。
对于命名捕获组的应用，这里不做重点介绍，只是需要澄清一点，平时使用捕获组时，一般反向引用或Group对象使用得比较多，可能会有一种误解，那就是捕获组只保留一个匹配结果，即使一个捕获组可以先后匹配多个子串，也只保留最后一个匹配到的子串。但事实是这样吗？
举例来说：
源字符串：abcdefghijkl
正则表达式：(?<chars>[a-z]{2})+
命名捕获组chars最终捕获的是什么？

C# code

string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>[a-z]{2})+");
Match m = reg.Match(test);
if (m.Success)
{
      richTextBox2.Text += "匹配结果：" + m.Value + "\n";
      richTextBox2.Text += "Group：" + m.Groups["chars"].Value + "\n";
}
//输出
匹配结果：abcdefghijkl
Group：kl

从m.Groups["chars"].Value的输出上看，似乎确实是只保留了一个匹配内容，但却忽略了一个事实，Group实际上是Capture的一个集合

C# code

string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>[a-z]{2})+");
Match m = reg.Match(test);
if (m.Success)
{
     richTextBox2.Text += "匹配结果：" + m.Value + "\n";
     richTextBox2.Text += "Group：" + m.Groups["chars"].Value + "\n--------------\n";
     foreach (Capture c in m.Groups["chars"].Captures)
     {
           richTextBox2.Text += "Capture：" + c + "\n";
     }
}
//输出
匹配结果：abcdefghijkl
Group：kl
--------------
Capture：ab
Capture：cd
Capture：ef
Capture：gh
Capture：ij
Capture：kl

平时应用时可能会忽略这一点，因为很少遇到一个捕获组先后匹配多个子串的情况，而在一个捕获组只匹配一个子串时，Group集合中就只有一个Capture元素，所以内容是一样的。

C# code

string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>[a-z]{2})");
Match m = reg.Match(test);
if (m.Success)
{
     richTextBox2.Text += "匹配结果：" + m.Value + "\n";
     richTextBox2.Text += "Group：" + m.Groups["chars"].Value + "\n--------------\n";
     foreach (Capture c in m.Groups["chars"].Captures)
     {
          richTextBox2.Text += "Capture：" + c + "\n";
     }
}
//输出
匹配结果：ab
Group：ab
--------------
Capture：ab

捕获组保存的是一个集合，而不只是一个元素，这一知识点对于理解平衡组的匹配原理是有帮助的。

2.1.2 狭义平衡组

语法：(?<Close-Open>Expression)
其中“Close”是命名捕获组的组名，也就是“(?<name>Expression)”中的“name”，可以省略，通常应用时并不关注，所以一般都是省略的，写作“(?<-Open>Expression)”。作用就是当此处的“Expression”子表达式匹配成功时，则将最近匹配成功到的命名为“Open”组出栈，如果此前不存在匹配成功的“Open”组，那么就报告“(?<-Open>Expression)”匹配失败，整个表达式在这一位置也是匹配失败的。

2.1.3 条件判断结构

语法：(?(Expression)yes|no)
  (?(name)yes|no)
对于“(?(Expression)yes|no)”，它是“(?(?=Expression)yes|no)”的简写形式，相当于三元运算符
(?=Expression) ? yes : no
表示如果子表达式“(?=Expression)”匹配成功，则匹配“yes”子表达式，否则匹配“no”子表达式。如果“Expression”与可能出现的命名捕获组的组名相同，为避免混淆，可以采用“(?(?=Expression)yes|no)”方式显示声明“Expression”为子表达式，而不是捕获组名。
“(?=Expression)”验证当前位置右侧是否能够匹配“Expression”，属于顺序环视结构，是零宽度的，所以它只参与判断，即使匹配成功，也不会占有字符。