正则表达式简单使用记录
正则表达式是用来查找符合某些复杂规则字符串的工具,它是记录文本规则的代码
常用元字符(.\w\s\d\b^$):
\b代表单词的开头或结尾,也就是单词的分界处，\bhi\b可以找到文本中的单词hi
.匹配除了换行符以外的任意字符
*代表它前面的内容可以是连续重复使用任意次
\bhi\b.*\bhello\b可以找到单词hi和一行中的单词hello
\d匹配任意一位数字
1\d{2}-\d{8}可以匹配以1开头的后面是两位数字,两位数字后是"-"然后是8位数字,例如:106-12345678
\s匹配空白字符,包括空格,制表符,换行符,中文全角空格等
\w匹配字母或数字或下划线或汉字
^匹配字符串的开始
$匹配字符串的结束
简单举例:
比如一个网站如果要求你填写的QQ号必须为5位到12位数字时,可以使用:^\d{5,12}$
有些正则表达式处理工具还有一个处理多行的选项.如果选中了这个选项,^和$的意义就变成了匹配行的开始处和结束处.
字符转义:
由于元字符在正则表达式中代表特殊意义,所以,如果要找元字符本身,就要转义,例如:
baidu\.com匹配baidu.com
重复次数:
*表示重复零次或多次
+表示重复一次或多次
?表示重复零次或一次
{n}表示重复n次
{n,}重复n次或n多次
{n,m}重复n到m次,包括n和m
多个字符查找:
[agloves]表示如果有agloves中的任意一个字符,就匹配该字符,注意,它只匹配一个.
同样[.?!]表示如果有.?!任意一个,就匹配该元素
[0-9]和\d含义完全一致,它代表的是一个字符范围,同样,[a-z]代表小写的abcd……xyz,而[a-zA-Z0-9]也完全等同与\w(只考虑英文)
分支条件:
多个表达式,中间用|分割
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).
\d{5}-\d{4}|\d{5}这个表达式用于匹配美国的邮政编码.美国邮编的规则是5位数字,或者用连字号间隔的9位数字.之所以要给出这个例子是因为它能说明一个问题:使用分枝条件时,要注意各个条件的顺序.如果你把它改成\d{5}|\d{5}-\d{4}的话,那么就只会匹配5位的邮编(以及9位邮编的前5位).原因是匹配分枝条件时,将会从左到右地测试每个条件,如果满足了某个分枝的话,就不会去再管其它的条件了.
分组:
可以用小括号指定子表达式,(\d{1,3}\.){3}\d{1,3}可以匹配形如:111.222.333.444之类,这个还是比较好理解的,但是要灵活运用就比较难了.
反义:
元字符的大写形式和小写形式表示的意思是反过来的
常用的反义代码:
代码/语法 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
例如:<a[^>]+>匹配用尖括号括起来的以a开头的字符串.因为<不是元字符,所以不用对它进行转义,把[^>]+看作是一部分这样就一目了然.
后向引用:
这里有些难理解,
以\b(\w+)\b\s\1\b为例:
首先是一个正常的单词\b(\w+)\b,文章前面解释了小括号的作用------分组,然后接一个空白字符或者制表符或者换行符,紧接着跟一个\1,这个\1的意思是重复前面的分组,和分组中的内容完全相符,然后跟一个单词分隔符.它可以匹配像go go up up之类内容
特殊说明:分组0对应整个正则表达式
实际上组号分配过程是要从左向右扫描两遍的:第一遍只给未命名组分配,第二遍只给命名组分配－－因此所有命名组的组号都大于未命名的组号
所以(exp)代表匹配exp,并捕获文本到自动命名的组里
零宽断言:
比较难,还不太会用
(?=exp)又叫零宽度正预测先行断言,比如\b\w+(?=ing\b),匹配以ing结尾的单词的前面部分(除了ing以外的部分)
(?<=exp)又叫零宽度正回顾后发断言,比如(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re以外的部分)
贪婪和懒惰:
当正则表达式中包含能接受重复的限定符时,通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符.以这个表达式为例:a.*b,它将会匹配最长的以a开始,以b结束的字符串.如果用它来搜索aabab的话,它会匹配整个字符串aabab.这被称为贪婪匹配.
有时,我们更需要懒惰匹配,也就是匹配尽可能少的字符.前面给出的限定符都可以被转化为懒惰匹配模式,只要在它后面加上一个问号?.这样.*?就意味着匹配任意数量的重复,但是在能使整个匹配成功的前提下使用最少的重复.现在看看懒惰版的例子吧:
a.*?b匹配最短的,以a开始,以b结束的字符串.如果把它应用于aabab的话,它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）.
为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）?简单地说,因为正则表达式有另一条规则,比懒惰／贪婪规则的优先级更高:最先开始的匹配拥有最高的优先权.
懒惰限定符:
代码/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
总结
以上这些情况可以满足正则一些最基础的使用场景,但是如果做到熟练掌握,还是要多读多写正则表达式.
正则表达式平衡组还没有学会,暂时没写
深入
是不是对正则表达式感到神奇,想要知道为什么是这样,好吧,给几个关键词:
- DFA Deterministic finite automaton 确定型有穷自动机
- NFA Non-deterministic finite automaton 非确定型有穷自动机
- 编译原理DFA和NFA
一些工具
在线测试:
Online regex tester and debugger: PHP, PCRE, Python, Golang and JavaScript
常用正则:
阅读:
正则表达式30分钟入门(比较经典,推荐!)
