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)      --> 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:


s = [[then he said: "it's all right"!]]

a, b, c, quotedPart = string.find(s, "(["'])(.-)%1")

print(quotedPart)    --> it's all 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 change that.

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(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:


function expand (s)

    s = string.gsub(s, "$(%w+)", function (n)

      return _G[n]

    end)

    return s

end

name = "Lua"; status = "great" print(expand("$name is $status, isn't it?"))

--> Lua is great, isn't it?


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


第一次匹配是 "$[math.sin(3)]",对应的捕获为 "[math.sin(3)]",调用string.sub去掉首尾的方括号,
所以被加载执行的字符串是 "return math.sin(3)","$[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 "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="yes or no"
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:

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 = {}

function decode (s)

    for name, value in string.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。

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 '+':


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:

function encode (t)

    local s = ""

    for k,v in pairs(t) do

      s = s .. "&" .. escape(k) .. "=" .. escape(v)

    end

    return string.sub(s, 2)    -- remove first `&'

end

t = {name = "al", query = "a+b = c", q="yes or no"}

print(encode(t)) --> q=yes+or+no&query=a%2Bb+%3D+c&name=al

转换的技巧(Tricks of the Trade)

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 = [[char s[] = "a /* here"; /* a tricky string */]]

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:


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。我们不手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:


function nocase (s)

    s = string.gsub(s, "%a", function (c)

      return string.format("[%s%s]", string.lower(c),

                                          string.upper(c))

    end)

    return s

end

print(nocase("Hi there!"))     --> [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:


"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 a typical 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:


function decode (s)

    return (string.gsub(s, '\\(%d%d%d)', string.char))

end

s = [[a \emph{command} is written as \\ command\{text\}.]] s = code(s) s = string.gsub(s, "\\ (%a+){(.-)}", "<%1>%2</%1>")

print(decode(s)) --> a <emph>command</emph> is written as \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Microsoft Excel。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:


function toCSV (t)

    local s = ""

    for _,p in pairs(t) do

      s = s .. "," .. escapeCSV(p)

    end

    return string.sub(s, 2)    -- remove first comma

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:


function escapeCSV (s)

    if string.find(s, '[,"]') then

      s = '"' .. string.gsub(s, '"', '""') .. '"'

    end

    return s

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。

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。


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