Lua中的捕获机制和转换技巧介绍
捕获
捕获是这样一种机制: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,就指定了一个捕获。
在string.find使用捕获的时候,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个或多个空白。在上面的例子中,整个模式代表:一个字母序列,后面是任意多个空白,然后是"="再后面是任意多个空白,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) -->1771990
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"sallright"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:
s=[[thenhesaid:"it"sallright"!]]
a,b,c,quotedPart=string.find(s,"([""])(.-)%1")
print(quotedPart) -->it"sallright
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:
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: 另一个有用的例子是去除字符串首尾的空格: 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$varname出现的地方替换为变量varname的值: name="Lua";status="great" -->Luaisgreat,isn"tit? print(expand("print=$print;a=$a")) -->print=function:0x8050ce0;a=nil -->sin(3)=0.1411200080598672;2^5=32 与解码对应的编码也很容易实现。首先,我们写一个escape函数,这个函数将所有的特殊字符转换成"%"后跟字符对应的ASCII码转换成两位的16进制数字(不足两位,前面补0),然后将空白转换为"+": 转换的技巧(TricksoftheTrade) 模式匹配对于字符串操纵来说是强大的工具,你可能只需要简单的调用string.gsub和find就可以完成复杂的操作,然而,因为它功能强大你必须谨慎的使用它,否则会带来意想不到的结果。 对正常的解析器而言,模式匹配不是一个替代品。对于一个quick-and-dirty程序,你可以在源代码上进行一些有用的操作,但很难完成一个高质量的产品。前面提到的匹配C程序中注释的模式是个很好的例子:"/%*.-%*/"。如果你的程序有一个字符串包含了"/*",最终你将得到错误的结果: 一般情况下,Lua中的模式匹配效率是不错的:一个奔腾333MHz机器在一个有200K字符的文本内匹配所有的单词(30K的单词)只需要1/10秒。但是你不能掉以轻心,应该一直对不同的情况特殊对待,尽可能的更明确的模式描述。一个限制宽松的模式比限制严格的模式可能慢很多。一个极端的例子是模式"(.-)%$"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幂的时间,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"^(.-)%$"。定位符^告诉算法如果在第一个位置没有没找到匹配的子串就停止查找。使用这个定位符之后,同样的环境也只需要不到1/10秒的时间。 也需要小心空模式:匹配空串的模式。比如,如果你打算用模式"%a*"匹配名字,你会发现到处都是名字: 有时候,使用Lua本身构造模式是很有用的。看一个例子,我们查找一个文本中行字符大于70个的行,也就是匹配一个非换行符之前有70个字符的行。我们使用字符类"[^\n]"表示非换行符的字符。所以,我们可以使用这样一个模式来满足我们的需要:重复匹配单个字符的模式70次,后面跟着一个匹配一个字符0次或多次的模式。我们不手工来写这个最终的模式,而使用函数string.rep: print(nocase("Hithere!")) s=[[a\emph{command}iswrittenas\\command\{text\}.]] print(decode(s)) 我们可以多次调用gsub来处理这些情况,但是对于这个任务使用传统的循环(在每个域上循环)来处理更有效。循环体的主要任务是查找下一个逗号;并将域的内容存放到一个表中。对于每一个域,我们循环查找封闭的引号。循环内使用模式""("?)"来查找一个域的封闭的引号:如果一个引号后跟着一个引号,第二个引号将被捕获并赋给一个变量c,意味着这仍然不是一个封闭的引号。 t=fromCSV(""hello""hello","",""")
print(string.gsub("helloLua!","(%a)","%1-%1"))
-->h-he-el-ll-lo-oL-Lu-ua-a!
下面代码互换相邻的字符:
print(string.gsub("helloLua","(.)(.)","%2%1"))
-->ehllouLa
\command{sometext}
将它们转换为XML风格的字符串:
<command>sometext</command>
对于这种情况,下面的代码可以实现这个功能:
s=string.gsub(s,"\\(%a+){(.-)}","<%1>%2</%1>")
比如,如果字符串s为:
the\quote{task}isto\em{change}that.
调用gsub之后,转换为:
the<quote>task</quote>istochangethat.
functiontrim(s)
return(string.gsub(s,"^%s*(.-)%s*$","%1"))
end
注意模式串的用法,两个定位符("^"和"$")保证我们获取的是整个字符串。因为,两个"%s*"匹配首尾的所有空格,".-"匹配剩余部分。还有一点需要注意的是gsub返回两个值,我们使用额外的圆括号丢弃多余的结果(替换发生的次数)。
functionexpand(s)
s=string.gsub(s,"$(%w+)",function(n)
return_G[n]
end)
returns
end
print(expand("$nameis$status,isn"tit?"))
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:
functionexpand(s)
return(string.gsub(s,"$(%w+)",function(n)
returntostring(_G[n])
end))
end
下面是一个稍微复杂点的例子,使用loadstring来计算一段文本内$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,"$(%b[])",function(x)
x="return"..string.sub(x,2,-2)
localf=loadstring(x)
returnf()
end)))
第一次匹配是"$[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)","$[2^5]"的匹配情况类似。
我们常常需要使用string.gsub遍历字符串,而对返回结果不感兴趣。比如,我们收集一个字符串中所有的单词,然后插入到一个表中:
words={}
string.gsub(s,"(%a+)",function(w)
table.insert(words,w)
end)
如果字符串s为"hellohi,again!",上面代码的结果将是:
{"hello","hi","again"}
使用string.gfind函数可以简化上面的代码:
words={}
forwinstring.gfind(s,"(%a)")do
table.insert(words,w)
end
gfind函数比较适合用于范性for循环。他可以遍历一个字符串内所有匹配模式的子串。我们可以进一步的简化上面的代码,调用gfind函数的时候,如果不显示的指定捕获,函数将捕获整个匹配模式。所以,上面代码可以简化为:
words={}
forwinstring.gfind(s,"%a")do
table.insert(words,w)
end
下面的例子我们使用URL编码,URL编码是HTTP协议来用发送URL中的参数进行的编码。这种编码将一些特殊字符(比如"="、"&"、"+")转换为"%XX"形式的编码,其中XX是字符的16进制表示,然后将空白转换成"+"。比如,将字符串"a+b=c"编码为"a%2Bb+%3D+c"。最后,将参数名和参数值之间加一个"=";在name=value对之间加一个"&"。比如字符串:
name="al";query="a+b=c"; q="yesorno"
被编码为:
name=al&query=a%2Bb+%3D+c&q=yes+or+no
现在,假如我们想将这URL解码并把每个值存储到表中,下标为对应的名字。下面的函数实现了解码功能:
functionunescape(s)
s=string.gsub(s,"+","")
s=string.gsub(s,"%%(%x%x)",function(h)
returnstring.char(tonumber(h,16))
end)
returns
end
第一个语句将"+"转换成空白,第二个gsub匹配所有的"%"后跟两个数字的16进制数,然后调用一个匿名函数,匿名函数将16进制数转换成一个数字(tonumber在16进制情况下使用的)然后再转化为对应的字符。比如:
print(unescape("a%2Bb+%3D+c")) -->a+b=c
对于name=value对,我们使用gfind解码,因为names和values都不能包含"&"和"="我们可以用模式"[^&=]+"匹配他们:
cgi={}
functiondecode(s)
forname,valueinstring.gfind(s,"([^&=]+)=([^&=]+)")do
name=unescape(name)
value=unescape(value)
cgi[name]=value
end
end
调用gfind函数匹配所有的name=value对,对于每一个name=value对,迭代子将其相对应的捕获的值返回给变量name和value。循环体内调用unescape函数解码name和value部分,并将其存储到cgi表中。
functionescape(s)
s=string.gsub(s,"([&=+%c])",function(c)
returnstring.format("%%%02X",string.byte(c))
end)
s=string.gsub(s,"","+")
returns
end
编码函数遍历要被编码的表,构造最终的结果串:
functionencode(t)
locals=""
fork,vinpairs(t)do
s=s.."&"..escape(k).."="..escape(v)
end
returnstring.sub(s,2) --removefirst`&"
end
t={name="al",query="a+b=c",q="yesorno"}
print(encode(t))-->q=yes+or+no&query=a%2Bb+%3D+c&name=al
test=[[chars[]="a/*here";/*atrickystring*/]]
print(string.gsub(test,"/%*.-%*/","<COMMENT>"))
-->chars[]="a<COMMENT>
虽然这样内容的字符串很罕见,如果是你自己使用的话上面的模式可能还凑活。但你不能将一个带有这种毛病的程序作为产品出售。
i,j=string.find(";$%**#$hello13","%a*")
print(i,j) -->10
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。
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:
functionnocase(s)
s=string.gsub(s,"%a",function(c)
returnstring.format("[%s%s]",string.lower(c),
string.upper(c))
end)
returns
end
-->[hH][iI][tT][hH][eE][rR][eE]!
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:
"Thisis"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:
functioncode(s)
return(string.gsub(s,"\\(.)",function(x)
returnstring.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:
functiondecode(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=[[followsatypicalstring:"Thisis"great"!".]]
s=code(s)
s=string.gsub(s,"(".-")",string.upper)
s=decode(s)
print(s)
-->followsatypicalstring:"THISIS"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:
functioncode(s)
return(string.gsub(s,"\\(%A)",function(x)
returnstring.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:
functiondecode(s)
return(string.gsub(s,"\\(%d%d%d)",string.char))
end
s=code(s)
s=string.gsub(s,"\\(%a+){(.-)}","<%1>%2</%1>")
-->a<emph>command</emph>iswrittenas\command{text}.
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:
{"ab","a,b","a,"b"c","hello"world"!",}
可以看作为:
ab,"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:
functiontoCSV(t)
locals=""
for_,pinpairs(t)do
s=s..","..escapeCSV(p)
end
returnstring.sub(s,2) --removefirstcomma
end
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:
functionescapeCSV(s)
ifstring.find(s,"[,"]")then
s="""..string.gsub(s,""","""").."""
end
returns
end
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""""(也就是一个空白加两个引号),最后一个域是一个空串。
functionfromCSV(s)
s=s.."," --endingcomma
localt={} --tabletocollectfields
localfieldstart=1
repeat
--nextfieldisquoted?(startwith`""?)
ifstring.find(s,"^"",fieldstart)then
locala,c
locali=fieldstart
repeat
--findclosingquote
a,i,c=string.find(s,""("?)",i+1)
untilc~=""" --quotenotfollowedbyquote?
ifnotithenerror("unmatched"")end
localf=string.sub(s,fieldstart+1,i-1)
table.insert(t,(string.gsub(f,"""",""")))
fieldstart=string.find(s,",",i)+1
else --unquoted;findnextcomma
localnexti=string.find(s,",",fieldstart)
table.insert(t,string.sub(s,fieldstart,
nexti-1))
fieldstart=nexti+1
end
untilfieldstart>string.len(s)
returnt
end
fori,sinipairs(t)doprint(i,s)end
-->1 hello"hello
-->2 ""
-->3
相关文章