学正则表达式, 受用一辈子.
image
regex 全称为 Regular Expressions, 中文叫正则表达式, 读起来比较拗口, 我们常使用缩写的术语 regex 或 regexp.
本笔记是我学习正则的概念记录, 以及在 regex101.com 的练习题.
1. 基本匹配
正则表达式其实就是在执行搜索时的格式, 它由一些字母和数字组合而成. 例如: 一个正则表达式 the, 它表示一个规则: 由字母 t 开始, 接着是 h, 再接着是 e.
这也叫普通字符, 含义就是检索它本身. 除了正则规定的部分字符外, 其余的都是普通字符, 包括各种人类语言, 包括 emoji, 只要能够表达为字符串.
正则表达式: the
文字: The fat cat sat on the mat.
练习
`"The"` => The fat cat sat on the mat.
练习
2. 元字符
正则表达式主要依赖于元字符, 元字符不代表他们本身的字面意思, 他们都有特殊的含义. 一些元字符写在方括号中的时候有一些特殊的意思.
以下是一些元字符的介绍:
元字符 | 描述 |
---|---|
. | 句号匹配任意单字符,换行符除外 |
[] | 字符种类, 匹配方括号内的任意字符 |
[^] | 否定的字符种类. 匹配除了方括号里的任意字符 |
* | 匹配 & gt;=0 个重复的在 * 号之前的字符 |
+ | 匹配 & gt;=1 个重复的 + 号前的字符 |
? | 标记? 之前的字符为可选 |
{n,m} | 匹配 num 个大括号之前的字符 (n <= num <= m) |
(xyz) | 字符集, 匹配与 xyz 完全相等的字符串 |
| | 或运算符, 匹配符号前或后的字符 |
\ | 转义字符, 用于匹配一些保留的字符 [ ] ( ) { } . * + ? ^ $ \ | |
^ | 从开始行开始匹配 |
$ | 从末端开始匹配 |
2.1 点运算符.
. 匹配换行符之外的任意单个字符.
`".ar"` => The car parked in the garage.
练习
2.2 字符集
方括号在正则中表示一个区间, 我们称它为字符集.
字符组中的字符集合只是所有的可选项, 最终它只能匹配一个字符.
字符组是一个独立的世界, 元字符不需要转义. 但有两个字符在字符组中有特殊含义.
^ 在字符组中表示取反, 不再是文本开始的位置了.
- 本来是一个普通字符, 在字符组中摇身一变成为连字符(只有两种字符是可以用连字符的: 英文字母和数字.).
`"[Tt]he"` => The car parked in the garage.
练习
方括号的句号就表示句号. 表达式 ar[.] 匹配 ar. 字符串.
`"ar[.]"` => A garage is a good place to park a car.
练习
2.2.1 否定字符集
`"[^c]ar"` => The car parked in the garage.
练习
2.3 重复次数
后面跟着元字符 +, * 或者 ? 的, 用来指定匹配子模式的次数. 这些元字符在不同的情况下有着不同的意思.
量词 | 含义 |
---|---|
? | 重复零次后者 1 次 |
+ | 重复一次或者多次,也就是至少一次 |
* | 重复零次或者多次,也就是任意次数 |
{n} | 重复 n 次 |
{n,} | 重复 n 次或者更多次 |
{n,m} | 重复 n 次到 m 次之间的次数,包含 n 次和 m 次 |
2.3.1 * 号
* 号匹配 在 * 之前的字符出现大于等于 0 次.
`"[a-z]*"` => The car parked in the garage #21.i
练习
* 字符和. 字符搭配可以匹配所有的字符.*.* 和表示匹配空格的符号 \ s 连起来用, 如表达式 \ s*cat\s * 匹配 0 或更多个空格开头和 0 或更多个空格结尾的 cat 字符串.
`"\s*cat\s*"` => The fat cat sat on the concatenation.
练习
2.3.2 + 号
+ 号匹配 + 号之前的字符出现>=1 次. 例如表达式 c.+t 匹配以首字母 c 开头以 t 结尾, 中间跟着任意个字符的字符串.
`"c.+t"` => The fat cat sat on the mat.
练习
2.3.3 ? 号
在正则表达式中元字符 ? 标记在符号前面的字符为可选, 即出现 0 或 1 次. 例如, 表达式 [T]?he 匹配字符串 he 和 The.
`"[T]?he"` => The car is parked in the garage.
练习
2.4 {}号
在正则表达式中 {} 是一个量词, 常用来一个或一组字符可以重复出现的次数. 例如, 表达式 [0-9]{2,3} 匹配最少 2 位最多 3 位 0~9 的数字.
`"[0-9]{2,3}"` => The number was 9.9997 but we rounded it off to 10.0.
练习
2.5 (...) 特征标群
特征标群是一组写在 (...) 中的子模式.
圆括号的意思是将它其中的字符集合打包成一个整体, 然后量词就可以操作这个整体了. 这和方括号的效果是完全不一样的.
例如之前说的 {} 是用来表示前面一个字符出现指定次数. 但如果在 {} 前加入特征标群则表示整个标群内的字符重复 N 次. 例如, 表达式 (ab)* 匹配连续出现 0 或更多个 ab.
"(c|g|p)ar" => The car is parked in the garage.
练习
2.5.1 正则内捕获
现在我们有一个需求, 匹配 < div > 标签.
- "<div>.*<\/div>" => <p>111</p>
- <div>hello regex</div>
练习
这很简单. 但如果我要匹配的是任意标签, 包括自定义的标签呢?
- "<([a-zA-Z]+)>.*<\/\1>" => <p>111</p>
- <div>hello regex</div>
练习
这里用到了正则的捕获特性,\ 数字的形式, 分别对应前面的圆括号捕获的内容.
2.5.2 捕获命名
使用 \ 数字引用捕获必须保证捕获组的顺序不变. 现在开发者可以给捕获组命名了, 有了名字以后, 引用起来更加确定.
<(?<tag>[a-zA-Z]+)>.*<\/\k<tag>> => <App>hello regex</App>
练习
在捕获组内部最前面加上?<key>, 它就被命名了. 使用 \ k<key > 语法就可以引用已经命名的捕获组.
2.6 | 或运算符
或运算符就表示或, 用作判断条件.
例如 (T|t)he|car 匹配 (T|t)he 或 car.
"(T|t)he|car" => The car is parked in the garage.
练习
2.7 转码特殊字符
反斜线 \ 在表达式中用于转码紧跟其后的字符. 用于指定 { } [ ] / \ + * . $ ^ | ? 这些特殊字符. 如果想要匹配这些特殊字符则要在其前面加上反斜线 \.
例如 . 是用来匹配除换行符外的所有字符的. 如果想要匹配句子中的 . 则要写成 \. 以下这个例子 \.? 是选择性匹配.
"(f|c|m)at\.?" => The fat cat sat on the mat.
练习
2.8 锚点
在正则表达式中, 想要匹配指定开头或结尾的字符串就要使用到锚点.^ 指定开头,$ 指定结尾.
2.8.1 ^ 号
^ 用来检查匹配的字符串是否在所匹配字符串的开头, 英文是 caret, 翻译成中文是脱字符.
例如, 在 abc 中使用表达式 ^a 会得到结果 a. 但如果使用 ^b 将匹配不到任何结果. 因为在字符串 abc 中并不是以 b 开头.
例如,^(T|t)he 匹配以 The 或 the 开头的字符串.
"^(T|t)he" => The car is parked in the garage.
练习
2.8.2 $ 号
同理于 ^ 号,$ 号用来匹配字符是否是最后一个.
例如,(at\.)$ 匹配以 at. 结尾的字符串.
"(at\.)$" => The fat cat. sat. on the mat.
练习
3. 简写字符集
正则表达式提供一些常用的字符集简写, 如下:
简写 | 描述 |
---|---|
. | 除换行符外的所有字符 |
\w | 匹配所有字母数字,等同于 [a-zA-Z0-9_] |
\W | 匹配所有非字母数字,即符号,等同于 [^\w] |
\b | 匹配一个单词边界 (boundary) |
\B | 匹配一个非单词边界 |
\d | 匹配数字,等同于 [0-9] |
\D | 匹配非数字,等同于 [^\d] |
\s | 匹配所有空格字符,等同于 [\t\n\f\r\p{Z}] |
\S | 匹配所有非空格字符,等同于 [^\s] |
\f | 匹配一个换行符 |
\n | 匹配一个换行符 |
\r | 匹配一个回车符 |
\t | 匹配一个制表符 |
\v | 匹配一个垂直制表符 |
\p | 匹配 CR/LF (等同于 \r\n),用来匹配 DOS 行终止符 |
4. 零宽度断言(前后预查)
这是一些比较高级的匹配位置的语法, 它匹配的是: 在这个位置之前或之后应该有什么内容. 零宽 (zero-width) 是什么意思? 指的就是它匹配一个位置, 本身没有宽度. 断言 (assertion) 是什么意思? 指的是一种判断, 断言之前或之后应该有什么或应该没有什么.
零宽度断言如下:
符号 | 描述 |
---|---|
?= | 正先行断言 - 存在 |
?! | 负先行断言 - 排除 |
?<= | 正后发断言 - 存在 |
?<! | 负后发断言 - 排除 |
4.1 ?=... 正先行断言
?=... 正先行断言, 表示第一部分表达式之后必须跟着 ?=... 定义的表达式.
返回结果只包含满足匹配条件的第一部分表达式. 定义一个正先行断言要使用 (). 在括号内部使用一个问号和等号: (?=...).
正先行断言的内容写在括号中的等号后面. 例如, 表达式 (T|t)he(?=\sfat) 匹配 The 和 the, 在括号中我们又定义了正先行断言 (?=\sfat), 即 The 和 the 后面紧跟着 (空格)fat.
"(T|t)he(?=\sfat)" => The fat cat sat on the mat.
练习
4.2 ?!... 负先行断言
负先行断言 ?! 用于筛选所有匹配结果, 筛选条件为 其后不跟随着断言中定义的格式. 正先行断言 定义和 负先行断言 一样, 区别就是 = 替换成 ! 也就是 (?!...).
表达式 (T|t)he(?!\sfat) 匹配 The 和 the, 且其后不跟着 (空格)fat.
"(T|t)he(?!\sfat)" => The fat cat sat on the mat.
练习
4.3 ?<=... 正后发断言
正后发断言 记作(?<=...) 用于筛选所有匹配结果, 筛选条件为 其前跟随着断言中定义的格式. 例如, 表达式 (?<=(T|t)he\s)(fat|mat) 匹配 fat 和 mat, 且其前跟着 The 或 the.
"(?<=(T|t)he\s)(fat|mat)" => The fat cat sat on the mat.
练习
4.4 ?<!... 负后发断言
负后发断言 记作 (?<!...) 用于筛选所有匹配结果, 筛选条件为 其前不跟随着断言中定义的格式. 例如, 表达式 (?<!(T|t)he\s)(cat) 匹配 cat, 且其前不跟着 The 或 the.
"(?<!(T|t)he\s)(cat)" => The cat sat on cat.
练习
5. 标志
标志也叫模式修正符, 因为它可以用来修改表达式的搜索结果. 这些标志可以任意的组合使用, 它也是整个正则表达式的一部分.
标志 | 描述 |
---|---|
i | 忽略大小写 |
g | 全局搜索 |
m | 多行的: 锚点元字符 ^ $ 工作范围在每行的起始 |
5.1 忽略大小写(Case Insensitive)
修饰语 i 用于忽略大小写, ignoreCase 的缩写. 例如, 表达式 /The/gi 表示在全局搜索 The, 在后面的 i 将其条件修改为忽略大小写, 则变成搜索 the 和 The,g 表示全局搜索.
"/The/gi" => The fat cat sat on the mat.
练习
5.2 全局搜索 (Global search)
修饰符 g 常用于执行一个全局搜索匹配, global 的缩写. 默认情况下, 正则从左向右匹配, 只要匹配到了结果就会收工. g 修饰符会开启全局匹配模式, 即(不仅仅返回第一个匹配的, 而是返回全部). 例如, 表达式 /.(at)/g 表示搜索任意字符(除了换行) + at, 并返回全部结果.
"/.(at)/g" => The fat cat sat on the mat.
练习
5.3 多行修饰符 (Multiline)
多行修饰符 m 常用于执行一个多行匹配.
像之前介绍的 (^,$) 用于检查格式是否是在待检测字符串的开头或结尾. 但我们如果想要它在每行的开头和结尾生效, 我们需要用到多行修饰符 m.
例如, 表达式 /at(.)?$/gm 表示小写字符 a 后跟小写字符 t , 末尾可选除换行符外任意字符. 根据 m 修饰符, 现在表达式匹配每行的结尾.
- "/.at(.)?$/gm" => The fat
- cat sat
- on the mat.
练习
5.4 贪婪匹配与惰性匹配 (Greedy vs lazy matching)
正则表达式默认采用贪婪匹配模式, 在该模式下意味着会匹配尽可能长的子串. 我们可以使用 ? 将贪婪匹配模式转化为惰性匹配模式.
"/(.*?at)/" => The fat cat sat on the mat.
练习
参考
eedrin/horseshoe 的 regex 语法篇
ziishaned/learn-regex
来源: http://www.jianshu.com/p/69b72d6f739f