快速回忆正则表达式

这不是入门级文章，但如果你对正则表达式有了解，或使用过，则能帮助你快速回忆。阅读此文需要你之前使用过正则表达式或者有些了解，因为我没有写很多的例子。总结正则表达式，只是因为个人在几年的积累之后，想通俗简单的概述正则表达式中各种符号和用法。网上有很多关于正则表达式，但总感觉专业术语太多，读起来拗口或绕弯子。最后两小节来自正则表达式30分钟入门教程，有部分修缮。

正则表达式字符串由两种基本字符组成：原义文本字符和元字符。所谓元字符就是正则表达式中具有特殊意义的专用字符，元字符可能是一个字符，也可能是多个字符组成的一个基本单元。

元字符

一个元字符可能代表的是一个数字、字母、位置或数量。

代表字符

代码	说明
.	匹配除换行符以外的任意字符
\w	匹配字母或数字或下划线或汉字
\s	匹配任意的空白符
\d	匹配数字
\S	与\s相反
\D	与\d相反
\W	与\w相反

 

代表数量

 

代码	说明
*	重复零次或更多次
+	重复一次或更多次
?	重复零次或一次
{n}	重复n次
{n,}	重复n次或更多次
{n,m}	重复n到m次

 

代表位置

代码	说明
\b	匹配单词的开始或结束
\B	不是单词开头或结束的开始
^	匹配字符串的开始
$	匹配字符串的结束

 

转义字符

既然元字符在正则表达式中有特殊意义，如果现在要把它们当成一般原义文本字符，怎么办？在元字符前添加反斜杠\，表示当前元字符已经失去了正则表达式中的特殊意义，变成了一个原义文本字符。

预定义字符集

元字符匹配范围太广，如果只是想匹配某小范围内的字符，该怎么办？

很简单，使用方括号列出来即可。如[aeiou]或[.?!]，表示只能匹配方括号中出现的字符。

需要注意的是：在这个方括号中，代斜杠的元字符依然是元字符，但那些没有斜杠前缀的则都不再是元字符，但多了一个元字符，就是连字符-。

 

如果连字符在两个字符之间，那么就表示范围，连字符本身不算，如[0-9], [a-z]等； 如果连字符后面没有字符，则表示连字符也是预定义的字符集的字符之一，如[*%-]；

 

在预定义字符集中，可以使用转义字符。

 

 

反义（antonymy）

有时只需要查找不属于某个简单定义的字符集的字符，这就是反义。

代码	说明
\W	匹配任意不是字母，数字，下划线，汉字的字符
\S	匹配任意不是空白符的字符
\D	匹配任意非数字的字符
\B	匹配不是单词开头或结束的位置
[^x]	匹配除了x以外的任意字符
[^aeiou]	匹配除了aeiou这几个字母以外的任意字符

 

或 | 分支

 

 

这相当于或语句，具体方法是用垂直线|把不同的规则分隔开。如0\d{2}-\d{8}|0\d{3}-\d{7}这个表达式能匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号(如010-12345678)，一种是4位区号，7位本地号(0376-2233445)。

分组（group）

所谓分组，其实就是把小括号（）中正则表达式作为一个小的匹配单元。

分组的作用有两个：

 

默认情况下，正则表达式会解析器给每一个小组分配一个组号，通过这种方式，后面的正则表达式就可以通过组号引用这个小组匹配的内容。小组后可以跟代表数量的元字符，简化正则表达式书写；比如，(\d{1,3}\.){3}\d{1,3}是一个简单的IP地址匹配表达式。

 

小组后跟代表数量的元字符有一个问题需要注意：感觉应该是生成了若干个小组，但其实就是一个分组，因为组号是解析器解析的时候给的，代表小组的字符串在整个正则表达式字符串中只出现了一次，所以只分配了一个唯一的组号。因此，正则表达式执行完后，这个组匹配的内容是最后一次匹配的内容。

比如：

/(\d{1,3}\.){3}\d{1,3}/g.exec("201.202.203.204");

结果：["201.202.203.204", "203."]

后面的正则表达式通过组号引用前面分组匹配的内容，这个就叫后向引用。组号的规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2，依此类推。引用的时候记得在组号前加上斜杠。

比如：

/\b(\w+)\b\s+\1\b/.test("hellohello"); // true

/\b(\w+)\b\s+\1\b/.test("hellohell"); // false

 

分组的语法：

代码/语法	说明
(exp)	匹配exp,并捕获文本到自动命名的组里
(?exp)	匹配exp,并捕获文本到名称为name的组里，也可以写成(?'name'exp)
(?:exp)	匹配exp,不捕获匹配的文本，也不给此分组分配组号

 

零宽断言

 

零宽断言像\b、^、$一样用于指定一个位置，但这个位置应该满足一定的条件，这个条件就被称之为断言。因为这个断言不像分组一样有组号，不消耗匹配的字符串，所以称之为零宽断言。

代码/语法	说明
(?=exp)	断言这个位置的后面，一定有匹配exp的内容；
(?<=exp)	断言这个位置的前面，一定有匹配exp的内容；
(?!exp)	断言这个位置的后面，一定没有匹配exp的内容
(?	断言这个位置的前面，一定没有匹配exp的内容

注释

注释用(?#comment)表示。

贪婪与懒惰（greedy and idle）

一段固定的正则表达式，它所能匹配的可能是整个字符串，也可能只是整个字符串的一部分。假如出现一段正则表达式既能匹配整个字符串，也能只匹配部分该如何处理？

/h.*o/.exec("hello ho"); // ["hello ho"]

/h.*?o/.exec("helloho"); // ["hello"]

以上这个例子中，匹配hello使用的是懒惰匹配，而没有问号限定的则是使用的贪婪匹配。

 

所谓贪婪匹配就是尽可能多的重复，以匹配尽可能多的字符。反之，懒惰匹配就是匹配尽可能少的字符。默认是贪婪算法，只有在表示数量的元字符后使用了懒惰限定符（也就是问号）才表示这个地方使用懒惰算法。

懒惰限定符
语法	说明
*?	重复任意次，但尽可能少重复
+?	重复1次或更多次，但尽可能少重复
??	重复0次或1次，但尽可能少重复
{n,m}?	重复n到m次，但尽可能少重复
{n,}?	重复n次以上，但尽可能少重复

 

平衡组(balance group)/递归匹配(recursive match)

 

前面讲的所有匹配都是线性的，对于匹配像( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构，则上面的一切方法都没用。因为你不可能知道括号什么时候出现，而且如果左括号和右括号出现的次数不相等怎么办？如何匹配到最长的，配对的括号之间的内容？

这里需要用到以下的语法构造：

• (?'group'exp) 把捕获的内容命名为group,并压入堆栈(Stack) (?'-group'exp) 从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败 (?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话，继续匹配yes部分的表达式，否则继续匹配no部分 (?!) 零宽负向先行断言，由于没有exp，试图匹配总是失败

  为了避免(和\(把你的大脑彻底搞糊涂，我们还是用尖括号代替圆括号吧。现在我们的问题变成了如何把xx aa> yy这样的字符串里，最长的配对的尖括号内的内容捕获出来？

  < #最外层的左括号

  [^<>]* #最外层的左括号后面的不是括号的内容

  (

  (

  (?'Open'<) #碰到了左括号，在黑板上写一个"Open"

  [^<>]* #匹配左括号后面的不是括号的内容

  )+

  (

  (?'-Open'>) #碰到了右括号，擦掉一个"Open"

  [^<>]* #匹配右括号后面不是括号的内容

  )+

  )*

  (?(Open)(?!)) #在遇到最外层的右括号前面，判断黑板上还有没有没擦掉的"Open"；如果还有，则匹配失败

   

  > #最外层的右括号

  更多

  常用转义字符及其他部分元字符
  代码/语法	说明
  \a	报警字符(打印它的效果是电脑嘀一声)
  \b	通常是单词分界位置，但如果在字符类里使用代表退格
  \t	制表符，Tab
  \r	回车
  \v	竖向制表符
  \f	换页符
  \n	换行符
  \e	Escape
  \0nn	ASCII代码中八进制代码为nn的字符
  \xnn	ASCII代码中十六进制代码为nn的字符
  \unnnn	Unicode代码中十六进制代码为nnnn的字符
  \cN	ASCII控制字符。比如\cC代表Ctrl+C
  \A	字符串开头(类似^，但不受处理多行选项的影响)
  \Z	字符串结尾或行尾(不受处理多行选项的影响)
  \z	字符串结尾(类似$，但不受处理多行选项的影响)
  \G	当前搜索的开头
  \p{name}	Unicode中命名为name的字符类，例如\p{IsGreek}