正则表达式字符匹配
正则表达式是匹配模式,要么匹配字符,要么匹配位置
本文所用图示化工具: Regulex
横向模糊指的是,一个正则可匹配的字符串的长度不是固定的,可以是多种情况的
其实现的方式是使用量词。譬如 {m,n} ,表示连续出现最少 m 次,最多 n 次
纵向模糊指的是,一个正则匹配的字符串,具体到某一位字符时,它可以不是某个确定的字符,可以有多种
可能
其实现的方式是使用字符组。譬如 [abc] ,表示该字符是可以字符 a 、 b 、 c 中的任何一个
需要强调的是,虽叫字符组(字符类),但只是其中一个字符
例如 [ abc] ,表示匹配一个字符,它可以是 a 、 b 、 c 之一
如果字符组里的字符特别多的话,怎么办?可以使用范围表示法。
比如 [123456abcdefGHIJKLM] ,可以写成 [ 1-6a-fG-M] 。用连字符 - 来省略和简写
因为连字符有特殊用途,那么要匹配 a 、 - 、 z 这三者中任意一个字符,该怎么做呢?
不能写成 [a-z] ,因为其表示小写字符中的任何一个字符
可以写成如下的方式: [-az] 或 [az-] 或 [a\-z]
即要么放在开头,要么放在结尾,要么转义。总之不会让引擎认为是范围表示法就行了
纵向模糊匹配,还有一种情形就是,某位字符可以是任何东西,但就不能是 a 、 b 、 c
此时就是排除字符组(反义字符组)的概念。例如 [^abc] ,表示是一个除 a 、 b 、 c 之外的任意一个字符。字符组的第一位放 ^ (脱字符),表示求反的概念。
当然,也有相应的范围表示法
如果要匹配任意字符怎么办?可以使用 [\d\D] 、 [\w\W] 、 [\s\S] 和 [^] 中任何的一个
量词也称重复。掌握 {m,n} 的准确含义后,只需要记住一些简写形式
其中正则 /\d{2,5}/ ,表示数字连续出现 2 到 5 次。会匹配 2 位、 3 位、 4 位、 5 位连续数字。
但是其是贪婪的,它会尽可能多的匹配。你能给我 6 个,我就要 5 个。你能给我 3 个,我就要 3 个
反正只要在能力范围内,越多越好
我们知道有时贪婪不是一件好事(请看文章最后一个例子)。而惰性匹配,就是尽可能少的匹配:
其中 /\d{2,5}?/ 表示,虽然 2 到 5 次都行,当 2 个就够的时候,就不再往下尝试了
通过在量词后面加个问号就能实现惰性匹配,因此所有惰性匹配情形如下:
一个模式可以实现横向和纵向模糊匹配。而多选分支可以支持多个子模式任选其一
具体形式如下: (p1|p2|p3) ,其中 p1 、 p2 和 p3 是子模式,用 | (管道符)分隔,表示其中任何之一
例如要匹配字符串 good 和 nice 可以使用 /good|nice/
但有个事实我们应该注意,比如我用 /good|goodbye/ ,去匹配 goodbye 字符串时,结果是 good :
而把正则改成 /goodbye|good/ ,结果是:
也就是说,分支结构也是惰性的,即当前面的匹配上了,后面的就不再尝试了
匹配字符,无非就是字符组、量词和分支结构的组合使用罢了。
下面找几个例子演练一下(其中,每个正则并不是只有唯一写法):
要求匹配:
分析:
表示一个 16 进制字符,可以用字符组 [0-9a-fA-F]
其中字符可以出现 3 或 6 次,需要是用量词和分支结构
使用分支结构时,需要注意顺序
正则如下:
以 24 小时制为例
要求匹配:
分析:
共 4 位数字,第一位数字可以为 [0-2]
当第 1 位为 2 时,第 2 位可以为 [0-3] ,其他情况时,第 2 位为 [0-9]
第 3 位数字为 [0-5] ,第 4 位为 [0-9]
正则如下:
如果也要求匹配 7:9 ,也就是说时分前面的 0 可以省略
此时正则变成:
比如 yyyy-mm-dd 格式为例
要求匹配:
分析:
年,四位数字即可,可用 [0-9]{4}
月,共 12 个月,分两种情况 01 、 02 、…、 09 和 10 、 11 、 12 ,可用 (0[1-9]|1[0-2])
日,最大 31 天,可用 (0[1-9]|[12][0-9]|3[01])
正则如下:
要求匹配:
分析:
整体模式是:
其中匹配 F:\ ,需要使用 [a-zA-Z]:\\ ,其中盘符不区分大小写,注意 \ 字符需要转义
文件名或者文件夹名,不能包含一些特殊字符,此时我们需要排除字符组 [^\\:*<>|"?\r\n/] 来表示合法
字符
另外它们的名字不能为空名,至少有一个字符,也就是要使用量词 + 。因此匹配 文件夹 \ ,可用
[^\\:*<>|"?\r\n/]+\\
另外 文件夹```,可以出现任意次。也就是 ([^\\:*<>|"?\r\n/]+\\)* 。其中括号表示其内部正则是一个整体。具体详细请参考第三章
路径的最后一部分可以是 文件夹,没有 \ ,因此需要添加 ([^\\:*<>|"?\r\n/]+)?
最后拼接成了一个看起来比较复杂的正则:
其中,在 JavaScript 中字符串要表示字符 \ 时,也需要转义
要求从
提取出 id="container"
可能最开始想到的正则是:
因为 . 是通配符,本身就匹配双引号的,而量词 * 又是贪婪的,当遇到 container 后面双引号时,是不会停下来,会继续匹配,直到遇到最后一个双引号为止
解决之道,可以使用惰性匹配:
当然,这样也会有个问题。效率比较低,因为其匹配原理会涉及到“回溯”这个概念(这里也只是顺便提一
下,后面会详细说明)。可以优化如下: