将 Perl 正则表达式转换为等效的 ECMAScript 正则表达式

Question

现在我用的是VC++ 2010，但是VC++ 2010的syntax_option_type只包含以下选项：

static const flag_type icase = regex_constants::icase;
static const flag_type nosubs = regex_constants::nosubs;
static const flag_type optimize = regex_constants::optimize;
static const flag_type collate = regex_constants::collate;
static const flag_type ECMAScript = regex_constants::ECMAScript;
static const flag_type basic = regex_constants::basic;
static const flag_type extended = regex_constants::extended;
static const flag_type awk = regex_constants::awk;
static const flag_type grep = regex_constants::grep;
static const flag_type egrep = regex_constants::egrep;

它不包含 perl_syntax_group（Boost 库有选项）。 但是，我不想使用 Boost 库。

用 Perl 编写的正则表达式有很多，所以我想将现有的 Perl 正则表达式转换为 ECMAScript（或 VC++ 2010 支持的任何一个）。转换后我可以直接在VC++ 2010中使用等价的正则表达式，而无需使用第三方库。

一个例子：

const boost::tregex e(__T("\\A(\\d{3,4})[- ]?(\\d{4})[- ]?(\\d{4})[- ]?(\\d{4})\\z"));
const CString human_format = __T("$1-$2-$3-$4");
CString human_readable_card_number(const CString& s)
{
   return boost::regex_replace(s, e, human_format);
}
CString credit_card_number = "1234567887654321";
credit_card_number = human_readable_card_number(credit_card_number);
assert(credit_card_number == "1234-5678-8765-4321");

在上面的例子中，我想做的是将e 和format 转换为ECMAScript 样式表达式。

是否有可能找到一种通用方法将所有 Perl 正则表达式转换为 ECMAScript 样式？ 是否有一些工具可以做到这一点？

任何帮助将不胜感激！

Answer 1

对于您要转换的特定正则表达式，ECMA 正则表达式中的等效项是：

/^(\d{3,4})[- ]?(\d{4})[- ]?(\d{4})[- ]?(\d{4})$/

在这种情况下，\A（在 Perl 正则表达式中）与 ^（在 ECMA 正则表达式中）（匹配字符串的开头）具有相同的含义，\Z（在 Perl 正则表达式中）具有与 @ 相同的含义987654327@（在 ECMA 正则表达式中）（匹配字符串的结尾）。请注意，如果启用多行模式，ECMA 正则表达式中^ 和$ 的含义将更改为匹配行的开头和结尾。

ECMA 正则表达式是 Perl 正则表达式的子集，因此如果正则表达式使用 Perl 正则表达式中的专有功能，它很可能无法转换为 ECMA 正则表达式。即使对于相同的语法，两种正则表达式方言之间的语法可能意味着略有不同，因此检查文档并比较用法总是明智的。

我只会说 ECMA 正则表达式和 Perl 正则表达式之间的相似之处。什么不相似，但可以转换，我会尽可能地提到它。

ECMA 正则表达式缺乏与 Unicode 配合使用的功能，这迫使您查找代码点并将它们指定为字符类。

按照documentation for Perl regular expression：

• 修饰符：
  • 只有 i、g、m 在 ECMA 标准中，它们的行为与在 Perl 中相同。
  • s dot-all 修饰符可以在 ECMA 正则表达式中通过使用 2 个互补字符类来模拟，例如[\S\s], [\D\d]
  • 无论如何都不支持x 和p 标志。
  • 不知道有没有办法模拟其余部分（前缀和后缀修饰符）。
• 元字符：
  • 我有点怀疑将\ 与无法解析为任何特殊含义的非元字符一起使用，但如果你不在不需要的地方逃跑应该没问题。 ECMA 中的. 排除了更多字符。其余部分在 ECMA 正则表达式中的行为相同（m 标志对 ^ 和 $ 的影响）。
• 量词：
  • 贪婪和懒惰的行为应该是相同的。 ECMA 正则表达式中没有占有行为。
• 转义序列：
  • ECMA 正则表达式中没有\a 和\e。 \t、\n、\r、\f 是一样的。
  • 如果正则表达式有 \cX，请检查文档 - 存在差异。
  • \xhh 在 ECMA 正则表达式和 Perl 正则表达式中很常见（指定 2 个十六进制数字是最安全的 - 否则，您必须查看文档以了解该语言将如何处理少于 2 个十六进制数字的情况）。
  • \uhhhh 是 ECMA 正则表达式 专有功能，用于指定 Unicode 字符。 Perl 还有其他专有方法来指定字符，例如\x{}、\N{}、\o{}、\000。
  • \l、\u、\L、\U 是 Perl 正则表达式独有的。
  • \Q 和 \E 可以通过手动转义引用的部分来模拟。
  • Perl 正则表达式中的八进制转义（少于 3 个八进制数字）可能会造成混淆。仔细检查上下文、阅读文档和/或测试正则表达式以确保您了解它在上下文中的作用，因为它可能是转义序列或反向引用。
• 字符类和其他特殊转义：
  • \w、\W、\s、\S、\d、\D 在 ECMA 正则表达式和 Perl 正则表达式中是等效的，如果假设为 US-ASCII。如果涉及 Unicode，事情就会一团糟。
  • ECMA 正则表达式中没有 POSIX 字符类。使用上述\w、\s、\d 或在字符类中指定您自己。
  • 后向引用基本相同 - 但我不知道对于 Perl 和 ECMA 正则表达式，它是否允许后向引用超过 9。
  • 可以使用反向引用模拟命名引用。
  • ECMA 正则表达式不支持其余部分（[] 和已经提到的转义序列除外）。
• 断言：
  • \b 和 \B 在两种语言中是等价的，关于它们是如何基于 \w 定义的。
• 捕获组：分组() 和反向引用相同。 $n，在替换字符串中用于反向引用匹配的文本，是相同的。本节中的其余部分是 Perl 独有的功能。
• 引用元字符：（内容已在前几节中提及）。
• 扩展模式：
  • ECMA 正则表达式不支持修改正则表达式中的标志。根据标志是什么，您可以重写正则表达式（s 标志是始终可以转换为 ECMA 正则表达式中的等效表达式的标志）。
  • 只有(?:pattern)（非捕获组）、(?=pattern)（正面预测）、(?!pattern)（负面预测）在 Perl 和 ECMA 之间是常见的。
  • ECMA 正则表达式中没有注释，所以(?#text) 可以忽略。
  • ECMA 正则表达式不支持后视。 Perl 支持固定宽度的look-behind。在某些情况下，可以将用 Perl 编写的具有正向查找的正则表达式转换为 ECMA 正则表达式，方法是使后向成为一个捕获组。
  • 如前所述，命名模式可以转换为正常的捕获组，并且可以通过编号的反向引用进行引用。
  • 其余的是 Perl 独有的功能。
• 特殊回溯控制动词：这是 Perl 独有的，我不知道这些是做什么的（以前从未接触过它们），更不用说转换了。很可能它们无论如何都不能转换。

结论：

如果正则表达式利用 Perl 正则表达式的全部功能，或者在 Boost 库支持的级别（例如递归正则表达式），则无法将正则表达式转换为 ECMA 正则表达式。幸运的是，ECMA 正则表达式涵盖了最常用的功能，因此正则表达式很可能是可转换的。

参考：

ECMA RegExp Reference on MDN