什么是正则表达? 正则表达式其实就是一种pattern、一种模式、一种格式、一种规则,它主要是用在文本字符串处理的时候,想要在一堆文本中找到满足某种格式、规则的字符串。 它起源于上个20世纪50年代科学家在数学领域做的一些研究工作,后来才被引入到计算机领域中。从它的命名我们可以知道,它是一种用来描述规则的表达式。 比如,你要写一个应用, 想设定一个用户命名的规则, 让用户名包含字符,数字,下划线和连字符,以及限制字符的个数,好让名字看起来没那么丑。那么,以下正则表达式来验证一个用户名: 以上的正则表达式可以接受 johndoe, jo-hndoe, john12_as. 但不匹配Jo, 因为它包含了大写的字母而且太短了。 那么,要想学正则表达试,初学者应该从哪些方面入手? 这里强烈安利的几个学习教程和资源: 1.正则表达式30分钟入门教程 http:///tutorials/regex/regex.htm 推荐理由:特别适合想要快速入门的同学,结合实例可以让你理解基本的原理和语法。 2.高效入门正则表达式 https://github.com/ziishaned/learn-regex/blob/master/translations/README-cn.md 推荐理由:Github上一篇简单的正则表达式教程,提供了十几种语言(包括中文),这篇教程覆盖到了你在实际应用中99%的场景。 3.regex101网站——能可视化展示正则匹配结果 https:// 4.regexper网站——能够直观展示正则表达式的状态机图 https:// 正则的进阶——从底层工作机制来理解正则表达式 很多同学在入门某个语言或工具时,总是习惯先从实例上手学习,往往忽略了对语言最底层的一些原理,这里引用@小胡子哥的“进阶正则表达式”一文,来帮助你更好的熟悉和运用正则表达式。 注:此次引用,在原文基础上做了删减,想看完整内容,请转至, https://www.cnblogs.com/hustskyking/p/how-regular-expressions-work.html 正则表达式的工作机制 画了一个草图,简单的说明了下正则表达式的工作原理。 | 编译 | +--------+ | ↓ +----------------+ | 设置开始位置 |←---------+ +----------------+ ↑ | | ↓ 其 | +----------------+ 他 | | 匹配 & 回溯 | 路 | +----------------+ 径 | | | ↓ | +----------------+ | | 成功 or 失败 |---------→+ +----------------+ 你写的任何一个正则直接量或者 RegExp 都会被浏览器编译为一个原生代码程序。第一次匹配是从头个字符开始,匹配成功时,他会查看是否还有其他的路径没有匹配到,如果有的话,回退到上一次成功匹配的位置,然后重复第二步操作,不过此时开始匹配的位置(lastIndex)是上次成功位置加 1.这样说有点难以理解,下面写了一个 demo,这个 demo 就是实现一个正则表达式的解析引擎,因为逻辑和效果的表现都太复杂了,所以只做了一个简单的演示: Reg: /H(i|ello), barret/g Str: Lalala. Hi, barret. Hello, John 如果上面的 demo 跑不起来,请戳这里: http://qianduannotes./demo/regexp/index.html 如果要深入了解正则表达式的内部原理,必须先理解匹配过程的一个基础环节——回溯。他是驱动正则的一个基本动力,也是性能消耗、计算消耗的根源。 回溯 正则表达式中出现最多的是分支和量词。上面的 demo 中可以很清楚的看到 hi 和 hello 这两个分支,当匹配到第一个字符 h 之后,进入 (i | ello) 的分支选择,首先是进入 i 分支,当 i 分支匹配完了之后,再回到分支选择的位置,重新选择分支。简单点说,分支就是 | 操作符带来的多项选择问题,而量词指的是诸如 *,+?,{m,n} 之类的符号,正则表达式必须决定何时尝试匹配更多的字符。下面结合回溯详细说说分支和量词。 1.分支 继续分析上面那个案例。 'Lalala. Hi, barret. Hello, John'.match(/H(i|ello), barret/g),首先会查找 H 字符,在第九位找到 H 之后,正则子表达式提供了两个选择 (i|ello),程序会先拿到最左边的那个分支,进入分支后,在第十位匹配到了 i,接着匹配下一个字符,下一个字符是逗号,接着刚才的位置又匹配到了这个逗号,然后再匹配下一个,依次类推,直到完整匹配到整个正则的内容,此时程序会在 Hi,barret后面做一个标记,表示在这里进行了一次成功的匹配。但程序到此并没有结束,因为后面加了一个全局参数,依然使用这个分支往后匹配,很显然,到了 Hello 的时候,Hi 分支匹配不了了,于是程序会回溯到刚才我们做标记的位置,并进入第二个分支,从做标记的位置重新开始匹配,依次循环。 只要正则表达式没有尝试完所有的可选项,他就会回溯到最近的决策点(也就是上次匹配成功的位置)。 2.量词 量词这个概念特别简单,只是在匹配过程中有贪婪匹配和懒惰匹配两种模式,结合回溯的概念理解稍微复杂。还是用几个例子来说明。 1)贪婪 str = 'AB1111BA111BA'; 首先是匹配AB,遇到了 [sS]+,这是贪婪模式的匹配,他会一口吞掉后面所有的字符,也就是如果 reg 的内容为 AB[sS]+,那后面的就不用看了,直接全部匹配。而往后看,正则后面还有B字符,所以他会先回溯到倒数第一个字符,匹配看是否为 B,显然倒数第一个字符不是B,于是他又接着回溯,找到了B字母,找到之后就不继续回溯了,而是往后继续匹配,此刻匹配的是字符A,程序发现紧跟B后的字母确实是A,那此时匹配就结束了。如果没有看明白,可以再读读下面这个图: REG: /AB[sS]+BA/ MATCH: A 匹配第一个字符 AB 匹配第二个字符 AB1111BA111BA [sS]+ 贪婪吞并所有字符 AB1111BA111BA 回溯,匹配字符B AB1111BA111B 找到字符B,继续匹配A AB1111BA111BA 找到字符A,匹配完成,停止匹配 2) 懒惰(非贪婪) str = 'AB1111BA111BA'; 与上面不同的是,reg 中多了一个 ? 号,此时的匹配模式为懒惰模式,也叫做非贪婪匹配。此时的匹配流程是,先匹配AB,遇到[sS]+?,程序尝试跳过并开始匹配后面的字符B,往后查看的时候,发现是数字1,不是要匹配的内容,继续往后匹配,知道遇到字符B,然后匹配A,发现紧接着B后面就有一个A,于是宣布匹配完成,停止程序。 REG: /AB[sS]+BA/ MATCH: A 匹配第一个字符 AB 匹配第二个字符 AB [sS]+? 非贪婪跳过并开始匹配B AB1 不是B,回溯,继续匹配 AB11 不是B,回溯,继续匹配 AB111 不是B,回溯,继续匹配 AB1111 不是B,回溯,继续匹配 AB1111B 找到字符B,继续匹配A AB1111BA 找到字符A,匹配完成,停止匹配 如果匹配的内容是 AB1111BA,那贪婪和非贪婪方式的正则是等价的,但是内部的匹配原理还是有区别的。为了高效运用正则,必须搞清楚使用正则时会遇到那些性能消耗问题。 逗比的程序 //去测试下这句代码 我们来分析下上面这段代码,上面使用的都是贪婪模式,那么他会这样做: REG: (T+T+)+K MATCH: ①第一个T+匹配前7个T,第二个T+匹配最后一个T,没找到K,宣布失败,回溯到最开始位置 ②第一个T+匹配前6个T,第二个T+匹配最后两个T,没找到K,宣布失败,回溯到最开始位置 ③... ... 接着还会考虑(T+T+)+后面的 + 号,接着另一轮的尝试。 ⑦... ... 这段程序并不会智能的去检测字符串中是否存在 K。如果匹配失败,他会选择其他的匹配方式(路径)去匹配,从而造成疯狂的回溯和重新匹配,结果可想而知。这是回溯失控的典型例子。 前瞻和反向引用 1.前瞻和引用 前瞻有两种。一种是负向前瞻,JS中使用 (?!xxx) 来表示,他的作用是对后面要匹配的内容做一个预判断,如果后面的内容是xxx,则此段内容匹配失败,跳过去重新开始匹配。另一种是正向前瞻,(?=xxx),匹配方式和上面相反,还有一个长的类似的是 (?:xxx),这个是匹配xxx,他是非捕获性分组匹配,即匹配的内容不会创建反向引用。具体内容可以去文章开头提到的文档中查看。 反向引用,这个在 replace 中用的比较多,在 replace 中: 而在正则表达中,主要就是 , 之类的数字引用。前瞻和反向引用使用恰当可以大大的减少正则对资源的消耗。举个例子来简单说明下这几个东西:
有人会立马想到使用负向前瞻,即: //过滤js文件 但是你自己去测试下,拿到的结果是什么。匹配非js和非css文件可以拿到正确的文件名,但是我们期望这个表达式对js和css文件的匹配结果是null,上面的表达式却做不到。问题是什么,因为(?!xxx)和(?=xxx)都会消耗字符,在做预判断的时候把 .js 和 .css 给消耗了,所以这里我们必须使用非捕获模式。 /(?:(?!.+.js$|.+.css$).)*/.exec('test.wow.html'); /(?:(?!.+.js$|.+.css$).)*/.exec('test.wow.js'); 我们来分析下这个正则: (?:(?!.+.js$|.+.css$).)* 最后一个星号是贪婪匹配,直接吞掉全部字符。 这里讲的算是有点复杂了,不过在稍复杂的正则中,这些都是很基础的东西了,想在这方面提高的童鞋可以多研究下。 2.原子组 JavaScript的正则算是比较弱的,他没有分组命名、递归、原子组等功能特别强的匹配模式,不过我们可以利用一些组合方式达到自己的目的。上面的例子中,我们实际上用正则实现了一个或和与的功能,上面的例子体现的还不是特别明显,再写个例子来展示下: str1 = '我(wo)叫(jiao)李(li)靖(jing)'; str2 = '李(li)靖(jing)我(wo)叫(jiao)'; reg = /(?=.*?我)(?=.*?叫)(?=.*?李)(?=.*?靖)/; console.log(reg.test(str1)); //true console.log(reg.test(str2)); //true 不管怎么打乱顺序,只要string中包含“我”,“是”,“李”,“靖”这四个字,结果都是true。 类似(?=xxx),就相当于一个原子组,原子组的作用就是消除回溯,只要是这种模式匹配过的地方,回溯时都不会到这里和他之前的地方。上面的程序 'TTTTTTTT'.match(/(T+T+)+K/);可以通过原子组的方式处理: 'TTTTTTTT'.match(/(?=(T+T+))+K/); 如此便能彻底消除回溯失控问题。 - 完 -
[美] 本·福塔(Ben Forta)著 门佳 杨涛 等 (译) |
|