为什么 \B 有效但 \b 无效

Question

想要匹配一个以# 结尾的单词，比如

你好 hello# world#

我尝试使用边界

\b\w+#\b

它不匹配。我认为\b 是一个非单词边界，但从这种情况下似乎不是这样

---

出乎意料

\b\w+#\B

匹配！

那么为什么\B 在这里有效，而\b 无效！还有为什么\b 在这种情况下无效！

---

注意： 是的，我们可以使用\b\w+#(?=\s|$)，但我想知道为什么\B 在这种情况下有效！

Answer 1

字边界的定义\b

在单词中定义单词边界是不精确的。让我用look-ahead、look-behind和简写字字符类\w来定义字边界。

一个字边界\b 等价于：

(?:(?<!\w)(?=\w)|(?<=\w)(?!\w))

这意味着：

• 在前面，（至少）有一个字符是单词字符，并且在后面，我们找不到单词字符（该字符不是单词字符，或者是字符串的开头）。

  或

• 在后面，（至少）有一个字符是单词字符，并且在前面，我们找不到单词字符（该字符不是单词字符，或者是字符串的结尾）。

（注意这与 XOR 扩展为合取和析取有多么相似）

非单词边界\B 等价于：

(?:(?<!\w)(?!\w)|(?<=\w)(?=\w))

这意味着：

• 在前面和后面，我们找不到任何单词字符。请注意，在此定义下，空字符串被视为非单词边界。

  或

• 前后左右，两边都是字。请注意，此分支需要 2 个字符，即不能出现在非空字符串的开头或结尾。

（注意这与将 XNOR 扩展为合取和析取有多么相似）。

字字符的定义\w

由于\b和\B的定义依赖于\w的定义¹，你需要查阅具体的文档才能知道\w到底匹配什么。

^{1 大多数正则表达式风格基于\w 定义\b。好吧，except for Java [Point 9]，在默认模式下，\w 仅支持 ASCII，\b 部分支持 Unicode。}

• 在JavaScript 中，默认模式下为[A-Za-z0-9_]。

• 在.NET 中，\w 默认匹配[\p{Ll}\p{Lu}\p{Lt}\p{Lo}\P{Lm}\p{Nd}\p{Pc}]，如果指定ECMAScript option，它将具有与JavaScript 相同的行为。在list of characters in Pc category 中，您只需知道不包括空格（ASCII 32）。

回答问题

有了上面的定义，回答问题就变得容易了：

"hi hello# world#"

在hello# 中，# 之后是空格 (U+0020, in Zs category)，它不是单词字符，# 本身不是单词字符 (in Unicode, it is in Po category)。因此，\B 可以在这里匹配。在这种情况下使用分支(?<!\w)(?!\w)。

在world# 中，# 之后是字符串的结尾。由于# 不是单词字符，而且我们在前面找不到任何单词字符（那里什么都没有），所以\B 可以匹配# 之后的空字符串。在这种情况下也使用了分支(?<!\w)(?!\w)。

附录

Alan Moore 在the comment 中给出了很好的总结：

我认为要记住的关键点是正则表达式无法读取。也就是说，它们不处理文字，只处理字符。当我们说\b 匹配一个单词的开头或结尾时，我们并不是说它会识别一个单词，然后像人类那样寻找它的端点。它所能看到的只是字符 before 当前位置和字符 after 当前位置。因此，\b 仅表示当前位置可能是单词边界。由你来确定两边的角色应该是什么。

Answer 2

# 和空格都是非单词字符，所以它们之间的不可见边界不是单词边界。因此\b 不会匹配它，\B 会匹配它。

Answer 3

英镑# 符号不被视为“单词边界”。

\b\w+#\b 不起作用，因为 w+# 不被视为一个词，因此它不会匹配 world#。
另一方面，\b\w+6\b 是，因此它将 匹配world6。

“单词字符”定义为：[A-Za-z0-9_]。

简单地说：\b 允许您使用\bword\b 形式的正则表达式执行“仅整个单词”搜索。 “单词字符”是可用于构成单词的字符。所有不是“单词字符”的字符都是“非单词字符”。

——http://www.regular-expressions.info/wordboundaries.html