Lua_第19章 String 库(下)

Lua_第19章 String 库(下)

19.3捕获(Captures)

      Capture(下面译为捕获或者capture，模式中捕获的概念指，使用临时变量来保存匹配的子模式，常用于 向前引用。)是这样一种机制:可以使用模式串的一部分匹配目标串的一部分。将你想捕 获的模式用圆括号括起来，就指定了一个capture。在 string.find 使用captures 的时候，函数会返回捕获的值作为额外的结果。这常被用 来将一个目标串拆分成多个:

pair = "name =Anna"
_, _, key,value = string.find(pair, "(%a+)%s*=%s*(%a+)") 
print(key, value) --> name                 Anna

‘%a+‘ 表示菲空的字母序列;‘%s*‘ 表示 0 个或多个空臼。在上面的例子中，整个模 式代表:一个字母序列，后面是任意多个空臼，然后是 ‘=‘ 再后面是任意多个空臼，然 后是一个字母序列。两个字母序列都是使用圆括号括起来的子模式，当他们被匹配的时候，他们就会被捕获。当匹配发生的时候，find 函数总是先返回匹配串的索引下标（上 面例子中我们存储哑元变量 _中)，然后返回子模式匹配的捕获部分。下面的例子情况类似:

date = "17/7/1990"
_, _, d, m, y = string.find(date, "(%d+)/(%d+)/(%d+)") 
print(d,m, y)   --> 17 7                1990

我们可以在模式中使用向前引用，‘%d‘(d 代表 1-9 的数字)表示第 d 个捕获的拷贝。看个例子，假定你想查找一个字符串中单引号或者双引号引起来的子串，你可能使用模 式 ‘["‘].-["‘]‘，但是这个模式对处理类似字符串"it‘s all right" 会出问题。为了解决这个问 题，可以使用向前引用，使用捕获的第一个引号来表示第二个引号:

<pre name="code" class="csharp">s = [[then he said: "it's allright"!]]
a, b, c,quotedPart = string.find(s, "(["'])(.-)%1") 
print(quotedPart)  --> it'sall right
print(c)             --> "

第一个捕获是引号字符本身，第二个捕获是引号中间的内容(‘.-‘   匹配引号中间的子 串)。捕获值的第三个应用是用在函数 gsub 中。与其他模式一样，gsub 的替换串可以包含 ‘%d‘，当替换发生时他被转换为对应的捕获值。(顺便说一下，由于存在这些情况，替换串中的字符 ‘%‘ 必须用 "%%" 表示)。下面例子中，对一个字符串中的每一个字母 进行复制，并用连字符将复制的字母和原字母连接起来:

print(string.gsub("hello Lua!", "(%a)", "%1-%1"))
--> h-he-el-ll-lo-o L-Lu-ua-a!

下面代码互换相邻的字符:

print(string.gsub("hello Lua", "(.)(.)", "%2%1"))
--> ehll ouLa

让我们看一个更有用的例子，写一个格式转换器:从命令行获取 LaTeX 风格的字符 串，形如:

\command{some text}

将它们转换为 XML 风格的字符串:

 <command>some text</command>

对于这种情况,下面的代码可以实现这个功能:

s =string.gsub(s, "\\(%a+){(.-)}", "<%1>%2</%1>")

比如，如果字符串 s 为:

the \quote{task} is to \em{change} that.

调用 gsub 之后，转换为:

the <quote>task</quote> is to changethat.

另一个有用的例子是去除字符串首尾的空格:

function trim (s)
   return (string.gsub(s, "^%s*(.-)%s*$", "%1"))
end

     注意模式串的用法，两个定位符(‘^‘  和 ‘$‘)保证我们获取的是整个字符串。因为， 两个 ‘%s*‘ 匹配首尾的所有空格，‘.-‘ 匹配剩余部分。还有一点需要注意的是 gsub 返回 两个值，我们使用额外的圆括号丢弃多余的结果C替换发生的次数)。

最后一 个捕 获值应 用之 处可能 是功 能最强 大的 。我们 可以 使用一 个函 数作为 string.gsub 的第三个参数调用 gsub。在这种情况下，string.gsub 每次发现一个匹配的时候 就会调用给定的作为参数的函数，捕获值可以作为被调用的这个函数的参数，而这个函数的返回值作为 gsub 的替换串。先看一个简单的例子，下面的代码将一个字符串中全局 变量$varname 出现的地方替换为变量 varname 的值:

如果你不能确定给定的变量是否为 string 类型，可以使用 tostring 进行转换:

function expand (s)
    return (string.gsub(s, "$(%w+)", function (n)
         return tostring(_G[n])
    end))
end
print(expand("print = $print;a = $a"))
--> print =function: 0x8050ce0; a = nil

下面是一个稍微复杂点的例子，使用 loadstring 来计算一段文本内$后面跟着一对方 括号内表达式的值:

s = "sin(3) =$[math.sin(3)]; 2^5 =$[2^5]"
print((string.gsub(s,"$(%b[])", function (x)
  x = "return ".. string.sub(x, 2,-2)
  local f = loadstring(x)
  return f()
end)))
--> sin(3)= 0.1411200080598672; 2^5 = 32<span style="font-size:14px; font-family: 'Microsoft YaHei'; background-color: rgb(255, 255, 255);"> </span>

第一次匹配是 "$[math.sin(3)]"，对应的捕获为 "$[math.sin(3)]"，调用 string.sub 去 掉首尾的方括号，所以被加载执行的字符串是 "returnmath.sin(3)"，"$[2^5]" 的匹配情况 类似。

我们常常需要使用 string.gsub 遍历字符串，而对返回结果不感兴趣。比如，我们收 集一个字符串中所有的单词，然后插入到一个表中:

如果字符串 s 为 "hello hi, again!"，上面代码的结果将是:

{"hello", "hi", "again"}

使用 string.gfind 函数可以简化上面的代码:

words = {}
 for w in string.gfind(s, "(%a)") do
    table.insert(words, w)
 end

gfind 函数比较适合用于范性 for 循环。他可以遍历一个字符串内所有匹配模式的子 串。我们可以进一步的简化上面的代码，调用 gfind 函数的时候，如果不显示的指定捕 获，函数将捕获整个匹配模式。所以，上面代码可以简化为:

words = {}
for w in string.gfind(s, "%a") do
    table.insert(words, w)
end

    下面的例子我们使用 URL 编码，URL 编码是 HTTP协议来用发送 URL中的参数进行的编码。这种编码将一些特殊字符(比如 ‘=‘、‘&‘、‘+‘)转换为 "%XX"   形式的编码， 其中 XX是字符的 16进制表示，然后将空臼转换成‘+‘。比如，将字符串 "a+b = c"  编 码为 "a%2Bb+%3D+c"。最后，将参数名和参数值之间加一个 ‘=‘;在 name=value 对之 间加一个 "&"。比如字符串:

name = "al"; query= "a+b = c"; q="yesorno"

被编码为:

name=al&query=a%2Bb+%3D+c&q=yes+or+no<span style="font-size:14px; font-family: 'Microsoft YaHei'; background-color: rgb(255, 255, 255);"> </span>

现在，假如我们想讲这 URL 解码并把每个值存储到表中，下标为对应的名字。下面 的函数实现了解码功能:

function unescape (s)
    s =string.gsub(s, "+", " ")
    s =string.gsub(s, "%%(%x%x)", function (h)
        return string.char(tonumber(h, 16))
end) 
         return s
end

第一个语句将 ‘+‘ 转换成空臼，第二个 gsub 匹配所有的 ‘%‘ 后跟两个数字的 16进 制数，然后调用一个匿名函数，匿名函数将16进制数转换成一个数字(tonumber 在 16 进制情况下使用的)然后再转化为对应的字符。比如:

对于 name=value 对，我们使用 gfind 解码，因为 names 和 values 都不能包含 ‘&‘和 ‘=‘,我们可以用模式 ‘[^&=]+‘ 匹配他们:

      调用 gfind 函数匹配所有的 name=value对，对于每一个 name=value对，迭代子将其 相对应的捕获的值返回给变量 name 和 value。循环体内调用 unescape 函数解码 name 和 value部分，并将其存储到 cgi 表中。与解码对应的编码也很容易实现。首先，我们写一个escape 函数，这个函数将所有 的特殊字符转换成 ‘%‘ 后跟字符对应的ASCII 码转换成两位的 16 进制数字(不足两位， 前面补 0)，然后将空臼转换为 ‘+‘: 

function escape (s)
    s =string.gsub(s, "([&=+%c])", function (c)
    return string.format("%%%02X", string.byte(c)) end)
    s =string.gsub(s, " ", "+")
    return s
end 

编码函数遍历要被编码的表，构造最终的结果串:

      模式匹配对于字符串操纵来说是强大的工具，你可能只需要简单的调用 string.gsub 和 find 就可以完成复杂的操作，然而，因为它功能强大你必须谨慎的使用它，否则会带 来意想不到的结果。对正常的解析器而言，模式匹配不是一个替代品。对于一个 quick-and-dirty 程序， 你可以在源代码上进行一些有用的操作，但很难完成一个高质量的产品。前面提到的匹配 C 程序中注释的模式是个很好的例子:‘/%*.-%*/‘。如果你的程序有一个字符串包含了 "/*"，最终你将得到错误的结果:

test = [[chars[] = "a /*here"; /* a trickystring */]] 
print(string.gsub(test,"/%*.-%*/", "<COMMENT>"))    --> char s[] = "a<COMMENT>

      虽然这样内容的字符串很罕见，如果是你自己使用的话上面的模式可能还凑活。但 你不能将一个带有这种毛病的程序作为产品出售。

     一般情况下，Lua 中的模式匹配效率是不错的:一个奔腾 333MHz 机器在一个有 200K 字符的文本内匹配所有的单词(30K 的单词)只需要 1/10 秒。但是你不能掉以轻心，应该 一直对不同的情况特殊对待，尽可能的更明确的模式描述。一个限制宽松的模式比限制严格的模式可能慢很多。一个极端的例子是模式 ‘(.-)%$‘ 用来获取一个字符串内$符号以前所有的字符，如果目标串中存在$符号，没有什么问题;但是如果目标串中不存在$符 号。上面的算法会首先从目标串的第一个字符开始进行匹配，遍历整个字符串之后没有找到$符号，然后从目标串的第二个字符开始进行匹配，……这将花费原来平方次军的时 间，导致在一个奔腾 333MHz 的机器中需要 3 个多小时来处理一个 200K 的文本串。可 以使用下面这个模式避免上面的问题‘^(.-)%$‘。定位符^告诉算法如果在第一个位置没有 没找到匹配的子串就停止查找。使用这个定位符之后，同样的环境也只需要不到 1/10 秒 的时间。

     也需要小心空模式:匹配空串的模式。比如，如果你打算用模式 ‘%a*‘ 匹配名字， 你会发现到处都是名字:

i, j =string.find(";$% **#$hello13", "%a*") 
print(i,j)   --> 1 0

    这个例子中调用 string.find 正确的在目标串的开始处匹配了空字符。永远不要写一 个以 ‘-‘ 开头或者结尾的模式，因为它将匹配空串。这个修饰符得周围总是需要一些东 西来定位他的扩展。相似的，一个包含‘.*‘ 的模式是一个需要注意的，因为这个结构可能会比你预算的扩展的要多。

    有时候，使用 Lua本身构造模式是很有用的.看一个例子，我们查找一个文本中行字符大于 70 个的行，也就是匹配一个非换行符之前有 70个字符的行。我们使用字符类‘[^\n]‘表示非换行符的字符。所以，我们可以使用这样一个模式来满足我们的需要:重复匹配单个字符的模式 70 次，后面跟着一个匹配一个字符 0 次或多次的模式。我们不于工来写这个最终的模式，而使用函数 string.rep:

pattern =string.rep("[^\n]", 70) .. "[^\n]*"

另一个例子，假如你想进行一个大小写无关的查找。方法之一是将任何一个字符 x变为字符类 ‘[xX]‘。我们也可以使用一个函数进行自动转换:

     有时候你可能想要将字符串 s1 转化为 s2，而不关心其中的特殊字符。如果字符串 s1 和 s2都是字符串序列，你可以给其中的特殊字符加上转义字符来实现。但是如果这 些字符串是变量呢，你可以使用 gsub  来完成这种转义:

s1 = string.gsub(s1, "(%W)", "%%%1") 
s2 = string.gsub(s2, "%%", "%%%%")

    在查找串中，我们转义了所有的非字母的字符。在替换串中，我们只转义了 ‘%‘ 。 另一个对模式匹配而言有用的技术是在进行真正处理之前，对目标串先进行预处理。一 个预处理的简单例子是，将一段文本内的双引号内的字符串转换为大写，但是要注意双引号之间可以包含转义的引号("""):

这是一个典型的字符串例子:

"This is"great"!".

     我们处理这种情况的方法是，预处理文本把有问题的字符序列转换成其他的格式。 比如，我们可以将 """ 编码为 "\1"，但是如果原始的文本中包含"\1"，我们又陷入麻烦 之中。一个避免这个问题的简单的方法是将所有 "\x" 类型的编码为 "\ddd"，其中 ddd是字符 x  的十进制表示:

function code (s)
   return (string.gsub(s, "\\(.)", function (x)
      return string.format("\\%03d", string.byte(x))
  end))
end

注意，原始串中的 "\ddd" 也会被编码，解码是很容易的:

function decode (s)
   return (string.gsub(s, "\\(%d%d%d)", function (d)
      return "\" .. string.char(d)
   end))
end

如果被编码的串不包含任何转义符，我们可以简单的使用 ‘ ".-"‘ 来查找双引号字符 串:

s = [[follows a typical string: "This is"great"!".]] 
s = code(s)
s = string.gsub(s, '(".-")', string.upper) 
s = decode(s)
print(s)
--> follows atypical string: "THIS IS"GREAT"!".

更紧缩的形式:

print(decode(string.gsub(code(s), '(".-")', string.upper)))

我们回到前面的一个例子，转换\command{string}这种格式的命令为 XML 风格:

<command>string</command>

     但是这一次我们原始的格式中可以包含反斜杠作为转义符，这样就可以使用"\"、"\{" 和 "\}"，分别表示 ‘\‘、‘{‘ 和‘}‘。为了避免命令和转义的字符混合在一起，我们应该首 先将原始串中的这些特殊序列重新编码，然而，与上面的一个例子不同的是，我们不能 转义所有的 \x，因为这样会将我们的命令(\command)也转换掉。这里，我们仅当 x不是字符的时候才对 \x  进行编码:

function code (s)
   return (string.gsub(s, '\\(%A)',function (x)
       return string.format("\\%03d", string.byte(x))
   end))
end

解码部分和上面那个例子类似，但是在最终的字符串中不包含反斜杠，所以我们可 直接调用 string.char:

我们最后一个例子是处理 CSV(逗号分割)的文件，很多程序都使用这种格式的文 本，比如 MicrosoftExcel。CSV 文件十多条记录的列表，每一条记录一行，一行内值与值之间逗号分割，如果一个值内也包含逗号这个值必须用双引号引起来，如果值内还包 含双引号，需使用双引号转义双引号(就是两个双引号表示一个)，看例子，下面的数组:

{'a b','a,b', 'a,"b"c', 'hello"world"!', }

可以看作为:

a b,"a,b"," a,""b""c", hello"world"!,

将一个字符串数组转换为 CSV 格式的文件是非常容易的。我们要做的只是使用逗号 将所有的字符串连接起来:

如果一个字符串包含逗号活着引号在里面，我们需要使用引号将这个字符串引起来，并转义原始的引号:

     将 CSV 文件内容存放到一个数组中稍微有点难度，因为我们必须区分出位于引号中 间的逗号和分割域的逗号。我们可以设法转义位于引号中间的逗号，然而并不是所有的引号都是作为引号存在，只有在逗号之后的引号才是一对引号的开始的那一个。只有不 在引号中间的逗号才是真正的逗号。这里面有太多的细节需要注意，比如，两个引号可 能表示单个引号，可能表示两个引号，还有可能表示空:

"hello""hello", "",""

这个例子中，第一个域是字符串 "hello"hello",第二个域是字符串 " """(也就是一个 空臼加两个引号)，最后一个域是一个空串。我们可以多次调用 gsub 来处理这些情况，但是对于这个任务使用传统的循环C在每 个域上循环)来处理更有效。循环体的主要任务是查找下一个逗号;并将域的内容存放 到一个表中。对于每一个域，我们循环查找封闭的引号。循环内使用模式 ‘ "("?) ‘ 来查 找一个域的封闭的引号:如果一个引号后跟着一个引号，第二个引号将被捕获并赋给一 个变量 c，意味着这仍然不是一个封闭的引号

function fromCSV (s)
   s = s .. ',' -- ending comma
   local t = {} -- table to collect fields
   local fieldstart = 1
   repeat
       -- next field is quoted? (start with `"'?)
       if string.find(s, '^"', fieldstart) then
        local a, c
        local i = fieldstart
        repeat
           -- find closing quote
             a, i, c = string.find(s, '"("?)', i+1)
        until c ~= '"' -- quote not followed by quote?
       if not i then error('unmatched "') end
           local f = string.sub(s, fieldstart+1, i-1)
           table.insert(t, (string.gsub(f, '""', '"')))
           fieldstart = string.find(s, ',', i) + 1
      else              -- unquoted; find next comma
          local nexti = string.find(s, ',', fieldstart)
          table.insert(t, string.sub(s, fieldstart,nexti-1))
          fieldstart = nexti + 1
     end
   until fieldstart > string.len(s)
 return t
end
t = fromCSV('"hello "" hello", "",""')
for i, s in ipairs(t) do print(i, s) end
--> 1 hello " hello
--> 2 ""
--> 3