小览 ES6-ES2019 中正则表达式的新发展

在此前的 《JS正则表达式--从入门到精分》 一文中，曾经较完整的介绍过 Javascript 中正则表达式的用法。而从 ES6(ES2015) 开始，借助 Babel 等标志性的工具，JS 的发展似乎也不想重蹈 Flash 时代的无所作为，走上了每年一个小版本的快车道；在此过程中，正则表达式也陆续演化出一些新的特性。

本文尝试走马观花，一瞥这些特性，看能否籍此简化我们的开发。

ECMAScript 和 TC39

虽然可能是大家普遍了解的事情，但这些称呼反复出现，可能还是需要稍微解释一下先。

ECMA 指的是 “欧洲计算机制造商协会”（European Computer Manufacturers Association）；现在也称为 “ECMA 国际”（ECMA International），定位为一家国际性会员制度的信息和电信标准组织。

1996 年 11 月，JavaScript 的创造者 Netscape 公司，决定将 JavaScript 提交给 ECMA，希望这种语言能够成为国际标准。次年，ECMA 发布 262 号标准文件（ECMA-262）的第一版，规定了浏览器脚本语言的标准，并将这种语言称为 ECMAScript （简称 ES）。

此后该标准应用广泛，JavaScript、JScript、ActionScript 等都算是 ECMA-262 标准的实现和扩展。

从 1997 年至 2009 年，陆续发布了 ES1 ~ ES5；其中 ES4 其实是偏向于 Adobe 的 ActionScript 风格的实践设计的，但最终也随着 Flash 被市场上其他厂商封杀，以改动过大为名不了了之，但其中一些特性被后来的 ES6 继承。

2015年，可以说迄今最重要的一个版本 ES6，也就是 ES2015（ES6 的第一个版本） 发布。由各个主流浏览器厂商的代表组成 ECMA 第 39 号技术专家委员会（Technical Committee 39，简称 TC39），负责制订新的 ECMAScript 标准。

新的语法从提案到变成正式标准，需要经历五个阶段。每个阶段的变动都需要由 TC39 委员会批准:

• Stage 0 - Strawman（展示阶段）

• Stage 1 - Proposal（征求意见阶段）

• Stage 2 - Draft（草案阶段）

• Stage 3 - Candidate（候选人阶段）

• Stage 4 - Finished（定案阶段）

以上这几个也就是我们之前使用 Babel 转译 工具 时会引入 babel-preset-stage-0 等预置方案的原由，当然随着 Babel 7 的发布，这些方案都被统一到了 @babel/preset-env 中。

ES6 中的正则表达式特性

以下特性首次在 ES6 中出现：

• “粘性”修饰符  /y

• unicode 修饰符  /u

• 正则表达式对象上的新属性  flags

• 用构造函数  RegExp() 拷贝正则表达式

“粘性”修饰符 /y

修饰符 /y 只将正则表达式的每个匹配锚定到前一个匹配的末尾

简单的说，这主要与正则表达式对象上的 lastIndex 属性有关 -- 其与 /g 或 /y 的搭配，会产生不同的效果。

在不设置修饰符，或只设置了 /g 修饰符的情况下，只要目标字符串（或上一次匹配的剩余部分）中存在匹配就可以。

而 /y 修饰符则告知正则表达式，只能不偏不倚的从字符串的 lastIndex 那个位置去匹配，这也就是“粘性、粘连”的涵义。

以 exec() 的使用为例：

当然，一般情况下 -- 比如第一次运行匹配，或不特别设置 lastIndex 时， /y 的功效大抵和 ^ 起始匹配符相同，因为此时 lastIndex 为 0 :

需要注意的是，如果同时设置了 /g 和 /y ，则只有 /y 会生效。

sticky 属性

与 /y 修饰符相配套，ES6 的正则表达式对象多了 sticky 属性，表示是否设置了 /y 修饰符:

unicode 修饰符 /u

这里简单解释一下 Unicode，其目标是为世界上每一个字符提供唯一标识符，该唯一标识符可称为 码点(code point) 或 字符编码(character encode)。

在 ES6 之前， JS 的字符串以 16 位字符编码（UTF-16）为基础。每个 16 位序列（相当于2个字节）是一个 编码单元（code unit，可简称为码元） ，用于表示一个字符。字符串所有的属性与方法（如 length 属性与 charAt() 方法等）都是基于这样 16 位的序列。

本来 JS 允许采用 \uxxxx 形式表示一个常用的 unicode 字符，其中的 4 个十六进制数字表示字符的 unicode 码点:

同时，这种表示法只能表示码点局限于 0x0000 ~ 0xFFFF 之间的字符。超出这个范围的字符，必须用两个码元连接的形式（称为 surrogate-pairs，代理对）表示一个码点：

这就导致了一个问题，对于一些超出 16 位 0xFFFF 的 unicode 字符，传统的方法就会出错；比如直接在 \u20BB7 ，JS 会理解成 \u20BB + 7 ；所以会显示成一个特殊字符，后面跟着一个 7。

对此 ES6 做出了改进，将 unicode 编码放入大括号（这种语法称为 unicode 码点转义符），就可以正确解读字符了：

同样的例子：

此中的转换对应关系，这篇文章（ https://blog.csdn.net/hherima/article/details/38961575 ）做了比较清楚的探寻，感兴趣的话可以结合文末的资料进行研究；本文不展开掰哧，能体会示例即可。

书归正传，在 ES6 的正则中：

修饰符 /u 将正则表达式切换为特殊的 Unicode 模式

在 Unicode 模式下，既可以使用新的大括号 unicode 编码点转义符表示范围更大的字符，也可以继续使用 UTF-16 码元。该模式具有如下特征：

• “单独代理”（lone surrogates）特性：

• 可以将码点放入正则的字符类中：

• 点操作符匹配码点，而非码元

• 数量描述符也同样匹配到码点

正则表达式对象上的新属性 flags

新增的 flags 属性，会返回正则表达式的修饰符

用 RegExp() 拷贝正则表达式

正则表达式构造函数的传统签名是 newRegExp(pattern:string,flags='') ，比如：

ES6中，新增的用法是 newRegExp(regex:RegExp,flags=regex.flags) ：

这就提供了一种拷贝已有正则表达式，或更改其修饰符的方法。

ES2018/ES2019 中的新特性

在 ES2018 - ES2019 中，又增加了一些特性：

• 命名捕获组

• 反向引用

• 反向断言

• unicode 属性转义

• dotAll 修饰符  /s

命名捕获组

此前的正则表达式操作中，采用的是“编号捕获组”（Numbered capture groups）匹配字符串并将之分组，比如：

这种方式无论从易用性还是复杂度方面都不太理想，尤其当字段过多、存在嵌套等情况时；如果改动了正则表达式还容易忘记同步改变分散在各处的编号。

ES6 带来的“命名捕获组”（Named capture groups），则可以通过名称来识别捕获的分组

• 其格式如  (?<year>[0-9]{4})

• 通过捕获结果中的  groups.year 属性取出

• 任何匹配失败的命名组都将返回 undefined

这还为 replace() 方法提供了额外的便利，注意其语法：

反向引用（Backreferences）

正则表达式中的 \k<name> 表示这样的意思：根据前一次匹配到的命名捕获组中的名称，匹配相应的字符串，比如：

这种称为 反向引用 的语法，对于编号捕获组同样适用：

两掺儿的，也没问题：

反向断言（lookbehind assertions）

根据之前文章的介绍，JS 中已经支持了“正向断言”（Lookahead assertions），或称为正向查找。

• x(?=y) 匹配'x'仅仅当'x'后面跟着'y'。称为正向肯定查找

• x(?!y) 匹配'x'仅仅当'x'后面不跟着'y'。称为正向否定查找

ES2018 引入了反向断言（lookbehind assertions），与正向断言的工作方式相同，只是方向相反

同样也分为两种子类型：

• y(?<=x) 匹配'x'仅仅当'x'前面挨着'y'。称为 反向肯定查找

• y(?<!x) 匹配'x'仅仅当'x'前面不挨着'y'。称为 反向否定查找

unicode 属性转义

在 ES6 的 /u 修饰符基础上，ES2018 添加了 "unicode 属性转义"（Unicode property escapes） -- 形式为 \p{...} 及 \P{...} ，分别表示“包含”和“不包含”

从目的和形式上这很类似于用 \s 来匹配空格等 whitespace，而 \p{} 和 \P{} 花括号中的部分称为 "unicode 字符属性" （Unicode character properties），让正则表达式有了更好的可读性。

所谓“unicode 字符属性”，是指在 Unicode 标准中，每个字符都有用于描述其性质的元数据: properties ，比如：

• Name : 一个唯一的名称，由大写字母、数字、连字符、空格组成，如：

• A : Name = LATIN CAPITAL LETTER A

• :grinning: : Name = GRINNING FACE

• General_Category : 分类的字符，如：

• x : General Category = Lowercase Letter

• $ : General Category = Currency Symbol

• White_Space : 用于标记不可见的空格、制表符、换行等字符，如：

• \t : White Space = True

• π : White Space = False

• Age : Unicode 标准的版本号，如：

• € : Age = 2.1

• Block : 码点的一个连续范围，不会重复，命名也是唯一的，如：

• S : Block = Basic_Latin (range U+0000..U+007F)

• :grinning: : Block = Emoticons (range U+1F600..U+1F64F)

• Script : 一个字符集合，用于一个或多个书写系统

• α : Script = Greek

• Д : Script = Cyrillic

• 某些 script 支持多个书写系统，比如 Latin script 支持 English, French, German, Latin 等

• 某些语言可以用由多种 script 支持的多种替代书写系统书写。例如，土耳其语在 20 世纪早期转变为 Latin script 之前就使用了 Arabic script。

• 举例来说:

另外几个例子：

dotAll 修饰符 /s

我们通常会在很多正则表达式中见到一种 [\s\S] 的匹配小技巧，这种看似多余的写法其实是为了弥补 . 标记无法在多行的情况下实现正确匹配的缺憾。

修饰符 /s 解决了这个问题，所以也称为 dotAll 修饰符。

关于 . 标记，顺便一提的是：

参考资料：

• 《JS正则表达式--从入门到精分》 https://mp.weixin.qq.com/s?__biz=MzI0MDYzOTEyOA==&mid=2247483694&idx=1&sn=e79f23c86e48b6a85d30d612e1d5a2eb&chksm=e9168cd9de6105cf647ceabac1a2ee737d0867e7b3cdab243e3cd889b295e3ab9666820ad02d

• http://exploringjs.com/es6/ch regexp.html#sec regexp

• http://exploringjs.com/es2018-es2019/toc.html

• http://www.cnblogs.com/dandelion-drq/p/js regular expression_note.html

• http://www.appui.org/2496.html

• https://stackoverflow.com/questions/4542304/what-does-regex-flag-y-do

• http://www.cnblogs.com/detanx/p/es6zz.html

• http://www.cnblogs.com/xiaohuochai/p/7230328.html

• https://www.princeton.edu/~mlovett/reference/Regular-Expressions.pdf

• https://unicodebook.readthedocs.io/unicode_encodings.html#utf-16-c

• https://docs.microsoft.com/zh-cn/previous-versions/8k5611at(v=vs.110)

• https://blog.csdn.net/hherima/article/details/38961575

• https://arui.tech/es2018-new-features/#UnicodeUnicode property escapes

• https://github.com/tc39/proposal-regexp-unicode-property-escapes

• http://caibaojian.com/es6/

• https://zhuanlan.zhihu.com/p/27762556

• https://babeljs.io/docs/en/babel-preset-env