正则学习

什么是正则

正则其实就是一种描述文本内容组成规律的表示方式。

测试地址：https://regex101.com/

正则基本概念

元字符

元字符就是指那些在正则表达式中具有特殊意义的专用字符，元字符是构成正则表达式的基本元件。

常见的元字符有下面几种

  • 特殊单字符
    • .匹配任意字符（换行除外）
    • \d匹配任意数字，\D匹配任意非数字
    • \w匹配任意字母数字下划线，\W匹配任意非字母数字下划线
    • \s匹配任意空白符，\S匹配任意非空白符
  • 空白符
    • \r 回车符
    • \n 换行符
    • \f 换页符
    • \t 制表符（就是tab键）
    • \v 垂直制表符
    • 空格，直接匹配空格就行
  • 范围
    • | 表示或
    • [...] 多选一
    • [x-y] 匹配x到y之间的任意元素（按ASCIL表，包含x和y）
    • [^...]取反，不能是括号中的任意单个元素
  • 量词（和重复次数有关的）
    • * 0到多次
    • + 1到多次
    • ? 0到1次
    • {m} 出现m次
    • {m, } 至少出现m次
    • {m, n} 出现m到n次
  • 断言
    • \b 单词边界
    • $ 结束，^开始

贪婪模式和非贪婪模式

在正则中，表示次数的量词默认是贪婪的，在贪婪模式下，会尝试尽可能最大长度去匹配。

这就是贪婪模式

1
2
3
let str = "aaabb";
let rex = /a+/g;
str.match(rex);	// ['aaa']

我们可以在量词后面加上英文的问号 (?)，这时这个量词就变成了非贪婪的，非贪婪模式会尽可能短地去匹配，也就是找出长度最小且满足要求的

1
2
3
let str = "aaabb";
let rex = /a+?/g;
str.match(rex);	// ['a', 'a', 'a']

分组和引用

括号在正则中的功能就是用于分组

由多个元字符组成某个部分，应该被看成一个整体的时候，可以用括号括起来表示一个整体，这是括号的一个重要功能

分组

可以看下面的例子

不分组的情况（匹配一个a后面跟着的多个b）

1
2
3
let str = "abbabab";
let rex = /ab+/g;
str.match(rex);	// ['abb', 'ab', 'ab']

分组的情况（匹配ab这个字符串）

1
2
3
let str = "abbabab";
let rex = /(ab)+/g;
str.match(rex);	// ['ab', 'abab']

引用

括号在正则中可以用于分组，被括号括起来的部分“子表达式”会被保存成一个子组。

那分组和编号的规则是怎样的呢？其实很简单，用一句话来说就是，第几个括号就是第几个分组。

1
2
3
4
let str = "2020-11-15 14:12:05";
let rex = /(\d{4}-\d{2}-\d{2}) (\d{2}:\d{2}:\d{2})/;
// 第一个是匹配上的结果 第二第三个是对应的子组
str.match(rex);	// ['2020-11-15 14:12:05', '2020-11-15', '14:12:05']

不保存子组

在括号里面的会保存成子组，但有些情况下，你可能只想用括号将某些部分看成一个整体，后续不用再用它，类似这种情况，在实际使用时，是没必要保存子组的。这时我们可以在括号里面使用 ?: 不保存子组。

如果正则中出现了括号，那么我们就认为，这个子表达式在后续可能会再次被引用，所以不保存子组可以提高正则的性能。除此之外呢，这么做还有一些好处，由于子组变少了，正则性能会更好，在子组计数时也更不容易出错。

1
2
3
4
let str = "2020-11-15 14:12:05";
let rex = /(?:\d{4}-\d{2}-\d{2}) (?:\d{2}:\d{2}:\d{2})/;
// 第一个是匹配上的结果 第二第三个是对应的子组
str.match(rex);	// ['2020-11-15 14:12:05']

括号嵌套

我们只需要数左括号（开括号）是第几个，就可以确定是第几个子组。

比如下面的例子

img

命名分组

分组编号存在一些问题

  • 编号得数在第几个位置，不易操作
  • 续如果发现正则有问题，改动了括号的个数，还可能导致编号发生变化

所以一些编程语言提供了命名分组（named grouping），这样和数字相比更容易辨识，不容易出错。你可以使用在括号里加上?<name>来为分组命名

1
2
3
let str = "2020-11-15 14:12:05";
let rex = /(?<date>\d{4}-\d{2}-\d{2}) (?<time>\d{2}:\d{2}:\d{2})/;
str.match(rex);

匹配的结果如下

image-20221206145537186

分组引用

如果我们要找重复出现的单词，我们使用分组引用这个操作，表达前面出现的单词再次出现这个含义

比如下面的代码

普通的引用方法是\...

1
2
3
let str = "cat cat";
let rex = /(\w+) \1/g;
str.match(rex);	// ['cat cat']

也可以使用命名分组，引用规则是\k<...>

1
2
3
let str = "cat cat";
let rex = /(?<word>\w+) \k<word>/g;
str.match(rex);	// ['cat cat']

匹配模式

所谓匹配模式，指的是正则中一些改变元字符匹配行为的方式，常见的匹配模式有四种

  • 不区分大小写模式（Case-Insensitive）
  • 点号通配模式（Dot All）
  • 多行匹配模式（Multiline）
  • 注释模式（Comment）

在其他语言里，模式修饰符是通过 (? 模式标识) 的方式来表示的。

我们只需要把模式修饰符放在对应的正则前，就可以使用指定的模式了。

不区分大小写模式

当我们把模式修饰符放在整个正则前面时，就表示整个正则表达式都是不区分大小写的。

在JavaScript里，使用/regex/i表示正则是不区分大小写的

1
2
3
let str = "Cat";
let rex = /cat/gi;
str.match(rex);	// ['Cat']

其他语言里，使用(?i)表示整条正则都不区分大小写

1
let rex = /(?i)cat/g;

image-20221206160059040

我们可以使用括号来更精确地表示匹配模式应用的范围，用括号把修饰符和正则部分括起来，可以让不区分大小写只作用于这个括号里的内容。

1
let rex = /((?i)The) cat/g;

image-20221206160650602

点号通配模式

最初的定义里，.可以匹配除了换行以外的任意字符，当我们需要匹配真正的“任意”符号的时候，可以使用 [\s\S] 或 [\d\D] 或 [\w\W] 等。

或者，使用点号通配模式来指定.的匹配行为。在点号通配模式中，让.可以匹配上包括换行的任何字符。

其他语言中，使用(?s)来使用该模式

JavaScript中，使用/regex/s来使用该模式

1
2
3
4
5
6
let str = `
	dog 
	cat
`;
let rex = /.+/sg;
str.match(rex);		// ['\n\tdog \n\tcat\n']
多行匹配模式

多行模式的作用在于，使 ^ 和 $ 能匹配上每行的开头或结尾。

换而言之，使用了多行模式后，^和$的行为从匹配全文的开头结尾，变成匹配每行的开头结尾

JavaScript中，我们可以使用/regex/m来指定这个模式

其他语言中，我们可以使用模式修饰符号?m来指定这个模式。

1
2
3
4
5
6
7
let str = `Log: execute func1
Log: execute func2`;
let rex = /^(?:Log\:\s)(?:.+)/g;
str.match(rex);	// ['Log: execute func1']

let rex = /^(?:Log\:\s)(?:.+)/gm;
str.match(rex);	// ['Log: execute func1', 'Log: execute func2']

断言

在有些情况下，我们对要匹配的文本的位置也有一定的要求。

为了解决这个问题，正则中提供了一些结构，只用于匹配位置，而不是文本内容本身，这种结构就是断言。

常见的有三种

  • 单词边界
  • 行的开始 / 结束
  • 环视
单词边界（Word Boundary）

单词的组成一般可以用元字符 \w+来表示，\w 包括了大小写字母、下划线和数字（即 [A-Za-z0-9_]）。

那如果我们能找出单词的边界，也就是当出现了\w 表示的范围以外的字符，比如引号、空格、标点、换行等这些符号

我们就可以在正则中使用\b 来表示单词的边界。 \b 中的 b 可以理解为是边界（Boundary）这个单词的首字母。

img

1
2
3
let str = `tom asked me if I would go fishing with him tomorrow.`;
let rex = /\btom\b/gm;
str.match(rex);	// ['tom']
1
2
3
let str = `tom asked me if I would go fishing with him tomorrow.`;
let rex = /tom/gm;
str.match(rex);	// ['tom', 'tom'] 会同时匹配出tomorrow里的tom
行的开始或者结束

和单词的边界类似，在正则中还有文本每行的开始和结束，使用 ^ 和 $ 来进行位置界定

行的结尾使用换行符进行匹配。当然，回车（\r）和换行（\n）其实是两个概念，并且在不同的平台上，换行的表示也是不一样的。Windows、Linux、macOS 平台上换行的表示方式如下。

img

示例如下

1
2
3
4
5
// 使用^匹配开头
let str = `Log: execute func1
Log: execute func2`;
let rex = /^(?:Log\:\s)(?:.+)/gm;
str.match(rex);	// ['Log: execute func1', 'Log: execute func2']
1
2
3
4
5
6
// 使用$匹配结束
let str = `vue.js
react.js
reset.css`;
let rex = /.+\.js$/gm;
str.match(rex);	// ['vue.js', 'react.js']
环视

环视是要求匹配部分的前面或后面要满足（或不满足）某种规则

举个例子。邮政编码的规则是由 6 位数字组成。现在要求你写出一个正则，提取文本中的邮政编码。根据规则，我们很容易就可以写出邮编的组成\d{6}。我们可以使用下面的文本进行测试

img

这显然是不符合要求的，因此，我们可以使用环视来解决这个问题

img

所以，正则可以优化为/(?<!\d)\d{6}(?!\d)/gm，这样就符合期望了

img

其他

String.prototype.match()：https://developer.mozilla.org/en-US/docs/Web/JavaScript/Reference/Global_Objects/String/match