正则表达式从入门到高级

2023-08-29 09:55 由灯火消逝的码头发表于 #其他

序言

对于正则，许多程序员都觉得它很繁琐，找不到头绪。但其实只要明白了基础语法，正则其实是非常简单的。学习正则表达式一定要躬行实践，自己动手来测试的自己表达式，这将大大有益对于正则表达式的掌握。在正文开始前，先给大家推荐一个好用的正则在线测试工具，本文后面将会使用它来对我们编写的正则表达式做测试：https://c.runoob.com/front-end/854/

基础语法

正则表达式的基本形式：/pattern/flags 。其中 pattern 是匹配规则，flage 被称为修饰符。我们先来看一个简单的示例：

正则：/you/g
文本：If you shed tears when you miss the sun, you also miss the stars
匹配结果：
you
you
you

提示：在每一个示例下面，可以通过上面提供的在线测试工具来自己测试一下，加深理解。在线测试工具的结果：

在上面的示例中，/g 被称为全局匹配，是一个常用修饰符，表示匹配字符串中的所有元素，即匹配了3个 you 。

修饰符

修饰符用于标记正则表达式的额外策略，下面四个是常用的修饰符：

字符	描述
g	全局匹配
i	忽略大小写
m	多行模式
s	该模式下，.会匹配换行符\n

g 基本在所有表达式中都需要携带的修饰符，i 望文知义。 m 和 s 我们会在后文中逐渐的认识到，现在不必纠结他们。

元字符

元字符这个概念比较难以被理解，通常会直接劝退一批想学正则表达式的人。其实元字符说白了，就是规定一个普通字符具备特殊含义，用来匹配符合这个特殊含义的字符。我们先列举出常用的一些元字符，逐项来看他们的所具备的特殊含义。

选择与分支

字符	描述
sea\|sky	匹配 sea 或者 sky，可以匹配若干个，如 sea\|sky\|stars
[abc]	匹配 a 和 b 和 c
[^abc]	匹配除了 a 和 b 和 c 之外的字符
[a-z]	匹配 a 到 c 之间的所有小写字符，也可以使用[0-9]匹配数字范围
[a-z]	匹配除了 a 到 c 之间的所有小写字符，同理，也可以匹配数字范围

以上五个选择分支的匹配规则是很常用的匹配规则。通常，sea|sky 这种匹配方式会被 () 括起来：

() 也是一种元字符，通常用来把一组匹配规则括起来，表示一个分组。

基础元字符

字符	描述
.	匹配任意字符，不包括换行符\n和\r，如果需要匹配 \n和\r ，可以使用修饰符：s
\d	匹配一个数字，相当于 [0-9]
\D	匹配非数字，相当于 [^0-9]
\s	匹配任意空白字符，相当于 [\t\n\r\f\v]
\S	匹配非空白字符，相当于 [^\t\n\r\f\v]
\w	匹配数字、字母、下划线中任意一个字符，相当于 [a-zA-Z0-9_]
\W	匹配非数字、字母、下划线中的任意字符，相当于 [^a-zA-Z0-9_]

\ 也是一个基础元字符，用来将元字符转换为普通字符，类似于编程语言中的转义。如真的要匹配 . 这个字符，应该使用 \. ，否则 . 将会被识别为匹配任意字符。正则表达式中需要的转义字符：* . ? + $ ^ [ ] ( ) { } | \

边界元字符

还有一些基础元字符：边界元字符。其不占用字符位置，只是表达一个边界：

字符	描述
\b	匹配位于每个单词的开始或结束位置
\B	匹配不是单词开头和结束的位置，即每个单词的中间位置
^	匹配开始位置，多行模式下匹配每一行的开始
$	匹配结束位置，多行模式下匹配每一行的结束

\b 和 \B 比较容易理解，\b 可以粗略的理解就是匹配单词之间的空格，但是匹配结果不会携带这个空格。\B 则是和 \b 相反：

^ 和 & 匹配有一个很重要的概念：行。他们表示了一行的开始和结束位置。我们来看一个示例：

可以看到，加入了 ^ 后，an 的匹配只会从行首开始匹配，我们这里加入 i 修饰符，表示不区分大小写的匹配。& 同理：

为什么说行是 ^ 和 & 的重要概念呢，我们来看一组示例。ok& 可以匹配以 ok 为结束的字符：

这显然符合我们的预期，但是当我们在加入一行文本，匹配结果就会出现意外:

按照道理说，应该能匹配到两个 ok 字符，但是这里只匹配到了最后一行，如果需要匹配多行数据，则需要加入一个修饰符：m （多行模式）。让我们看一下加入多行模式后的匹配结果：

这样就符合了我们的预期情况。

重复匹配

字符	描述
*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 "z" 以及 "zoo"。* 等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，zo+ 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等价于 {1,}。
?	匹配前面的子表达式零次或一次。例如，do(es)? 可以匹配 "do" 或 "does" 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 n 次。例如，o{2} 不能匹配 "Bob" 中的 'o'，但是能匹配 "food" 中的两个 o。
{n,}	n 是一个非负整数。至少匹配 n 次。例如，o{2,} 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood" 中的所有 o。o{1,} 等价于 o+。o{0,} 则等价于 o*。
{n,m}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，o{1,3} 将匹配 "fooooood" 中的前三个 o。o{0,1} 等价于 'o?'。请注意在逗号和两个数之间不能有空格。

在该匹配的模式下，还有一个特殊的元字符：？。被称为非贪婪模式。注意，该 ？和上文的匹配零次或一次完全不同。非贪婪模式的元字符？只能跟在上述六个的重复匹配后面。例如，我们想要匹配出一段文本中的以 http 或者 https 开头的图片地址：

示例文本中存在两个 .png 的图片，我们使用 (http:https) 来匹配 http 或者 https 开头，然后使用 . 来匹配所有字符，再加上 + ，表示一次或多次匹配，最后使用 (.png) 表示匹配 .png 结束。但这样的结果就是当我们遇到第一个 .png 时，.+ 也会匹配到 .png，所以就导致了获取了错误的匹配结果。遇到这种情况，我们就要使用非贪婪模式，在 + 后面加上 ? ：

可以看到，此时获取了我们想要的结果。非贪婪模式下，会尽可能少的匹配字符串。

到此，我们已经掌握了正则表达式的基础，可以找一些实际的业务需求来加深理解。比如说检测邮箱地址是否合法：

\w 会匹配所有数字、字母下划线， + 表示至少需要匹配到一个字符，我们要求它需要到 @ 时停下，所以加上 ? 非贪婪模式。这样就可以成功匹配到 tyyn1022@ 。继续检测后面的是否符合要求，同样使用 \w+? 匹配域名名称，\. 表示匹配文本 . ，最后加上 (com|net|top|org)，即要求顶级域名必须是 com、net、top、org。这样就匹配到了剩余的部分：163.com

零宽断言

零宽断言是正则表达式的高级用法，它一种特殊的元字符。实际作用就如同它的名字：零宽与断言。简而言之，就是匹配某个字符的前后，却又不想匹配到这个字符本身（零宽的意思）。零宽断言分为四种：

字符	描述
(?=pattern)	正向先行断言。例如，foo(?=bar) 会匹配 foobar 中的 foo。
(?!pattern)	反向先行断言。例如，foo(?!bar) 会匹配 foobaz 中的 foo，但不会匹配 foobar 中的 foo。
(?<=pattern)	正向后行断言。例如，(?<=foo)bar 会匹配 foobar 中的 bar，但不会匹配 bazbar 中的 bar，因为它前面不是 foo。
(?<!pattern)	反向后行断言。例如，(?<!foo)bar 会匹配 bazbar 中的 bar，但不会匹配 foobar 中的 bar。

我们来举一个实际的例子，我们需要从一段富文本文本中匹配所有以 http:// 或者 https:// 开头，以 .png 或者 .jpg 结尾的图片地址，但是要求不能把 http:// 和 https:// 匹配进去

/((?<=http://)|(?<=https://)).+?(.png|.jpg)/ig

该正则表达式即可达到我们想要的效果：

在该表达式中分为三段：

((?<=http://)|(?<=https://))，正向后行断言，表示匹配以 http:// 或者 https:// 开头的字符
.+?，匹配除了换行符 \n 和 \r 之外的所有字符至少一次，且是非贪婪模式，为什么这里使用贪婪模式，可以自己动手试一下
(.png|.jpg) 表示以 .png 或者 .jpg 结尾