前言
正则表达式(Regular Expression,RegExp,regex)使用单个字符串来描述和匹配一系列符合某种句法规则的字符串。此概念来自形式化语言理论,最初由贝尔实验室实现。正则表达式最初在 Perl 中实现,它的推广得益于 UNIX 软件的流行,尤其是 SED,GREP 等。 现在许多编程语言都内置了正则表达式引擎,如 PERL、Python、JavaScript、Java、C++ 等。很多文本编辑器也支持正则表达式来进行检索和替换,如 Vim、Sublime Text、Visual Studio Code 等。正则表达式相关的学习文章网上也是一大推,本文主要记录正则表达式的入门教程和常用公式工具,方便大家活学活用。
正则表达式从小白到入门
更新历史
2019年09月12日 - 初稿
阅读原文 - https://wsgzao.github.io/post/regex/
扩展阅读
正则表达式 30 分钟入门教程 - https://deerchao.net/tutorials/regex/regex.htm
为什么要正则表达式?
学习 Unix 最开头,大家都学过正则表达式 (regexp)。可是有没有人考虑过我们为什么需要正则表达式?
正则表达式本来的初衷是用来从无结构的字符串中提取信息,殊不知这正好是 Unix 的缺陷所在。Unix 用无结构的字符串来表示数据,导致了诸多复杂的基于 regexp 的软件的诞生。sed, AWK, Perl, … 都是为了同样的目的来到这个世界上的。如果不是因为 Unix 用字符串来表示数据,我们就会拥有按数据结构类型的直接存储,而不需要折腾 regexp。正则表达式有它自己的价值(针对自然语言),但是我们其实不需要把它应用到程序语言和操作系统里面。
正则表达式本身用一个字符串来表示,这带来另外一些问题。因为正则表达式的本质不是字符串,而是一个数据结构。学过计算理论的人可能知道这个数据结构叫做 NFA(nondeterministic finite automaton,非确定性有限自动机)。所有的数据结构应该由程序语言本身来表示,就像用 Java 构造一个对象用new ClassA("a")
一样。但是正则表达式强迫你把这个简单的构造函数调用写成一个字符串。所以在这个比方之下,你得写成 new ClassA(\"a\")
。这样当你想要组合这些表达式的时候就发现,正则表达式几乎都是不可组合 (compose) 的。你几乎不可能不能把两个 regexp 的变量 A 和 B 安全拼接成一个,比如用 Java 的字符串拼接 A+B。因为你不知道这两个字符串拼在一起之后,那些稀奇古怪的符号会出现什么交叉反应,使得最后的识别的东西根本不是你想要的。
在正则表达式中,由于正则表达式本身的构造函数与数据本身合并到一起,我们不得不对某些 “特殊字符” 进行 escape。这些特殊字符,其实是用来描述 NFA 的记号,它们属于更高一层的语言。可是在正则表达式里,它们与 NFA 节点里的字符混为一谈。比如很简单的一个 block comment 的正则表达式,却要写成这个样子:
/\\\\\*(\[^\\\\\*\]|\[^/\])\*\\\\\*/
显然这样的表达式很容易出错。 如果我们用程序语言的表达式来构造这个表达式,它应该是这样:
(@... "/\*" (@\*(@!"\*/")) "\*/")
在这个我自己设计的 Scheme 表达式里,以 @
开头的标识符都是构造函数。其中 @...
是构造 sequence,@*
是构造一个 zero-or-more 的匹配,@!
构造一个否定匹配。这个表达式是说:“以 / *
开头,接着零个或者多个不是 * /
的字符,最后接着一个 * /
。这样一来清晰明了,什么表达式在什么 “层次” 都很清楚,不需要什么反斜杠 escape,而且这样的表达式可以 compose。比如:
(define reg1 (@... "/\*" (@\*(@!"\*/")) "\*/"))
(define reg2 (@+ "foo"))
(define reg3 (@= "b"))
定义这三个表达式之后,我们之后可以用像 (@... reg1 (@or reg2 reg3))
这样的表达式来连接 3 个不同的表达式,构造出更大的表达式。这样的构造可以无限的扩展。从这里以及以往的经验,我总结出一个普遍适用的程序设计的教训:尽量不要把多个层次的语言 “压缩” 到一层。我们也看到正则表达式与 “Unix 哲学” 有很大关系。我没有考古,所以不知道孰先孰后,但是它们肯定有直接的因果关系。两者都是 Unix 复杂性的来源。
再来看取自 12306 网站的一段代码
// http://www.12306.cn/mormhweb/js/adKyfw.min.js
d = d.replace("'", "");
d = d.replace("%", "");
d = d.replace("#", "");
d = d.replace("&", "");
d = d.replace("*", "");
d = d.replace("(", "");
d = d.replace(")", "");
d = d.replace("@", "");
d = d.replace("`", "");
d = d.replace("/", "");
d = d.replace("\\", "");
d = d.replace(",", "");
d = d.replace(".", "");
d = d.replace("=", "");
d = d.replace("<", "");
d = d.replace(">", "");
上述代码是在过滤掉不合法的搜索字符(姑且不论客户端过滤是否安全), 我们可以用一行正则替换来实现相同的功能:
d = d.replace(/'%#\&\*\(\)@`\/\\,\.=<>/g, '');
正则表达式入门教程推荐
感谢作者deerchao从2006年开始更新至今,谢谢
正则表达式在线工具
正则表达式基本语法
定义正则表达式的方式在不同的工具中可能有所差别,但正则表达式内容的语法是一致的。 正则表达式有三类语法结构:
- 串接(与操作)。相邻的字符默认为串接关系。例如
harttle
只能匹配harttle
, 不可匹配hart
。 - 选择(或操作,
|
)。例如:harttle|serene
可以匹配harttle
或者serene
。 选择的优先级级低于串接,因此很多情况下都可以省略括号。 - 数量(限定符)。最常见的数量限定符包括
+
,?
,*
,分别表示左侧的字符出现一次或更多,不出现或出现一次,不出现或出现任意次。例如harttle?
可以匹配harttl
和harttle
。 - 组合(括号,
()
)。组合用来定义操作符的作用范围和优先级。例如har(ttle)?
可以匹配harttle
和har
,h(a|u)rttle
可以匹配harttle
和hurttle
。
常用正则表达式
字符 | 描述 |
---|---|
\\ |
将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。例如,”n “匹配字符”n “。”\n “匹配一个换行符。序列”\ “匹配”\ “而” ( “则匹配”( “。 |
^ |
匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性,^ 也匹配”\n “或”\r “之后的位置。 |
$ |
匹配输入字符串的结束位置。如果设置了 RegExp 对象的 Multiline 属性,$ 也匹配”\n “或”\r “之前的位置。 |
* |
匹配前面的子表达式零次或多次。例如,zo 能匹配”z “、”zo “以及”zoo “。等价于 {0,}。 |
+ |
匹配前面的子表达式一次或多次。例如,”zo+ “能匹配”zo “以及”zoo “,但不能匹配”z “。+ 等价于 {1,}。 |
? |
匹配前面的子表达式零次或一次。例如,”do(es)? “可以匹配”do “或”does “中的”do “。? 等价于 {0,1}。 |
{n} |
n 是一个非负整数。匹配确定的 n 次。例如,”o{2} “不能匹配”Bob “中的”o “,但是能匹配”food “中的两个 o。 |
{n,} |
n 是一个非负整数。至少匹配 n 次。例如,”o{2,} “不能匹配”Bob “中的”o “,但能匹配”foooood “中的所有 o。”o{1,} “等价于” o+ “。”o{0,} “则等价于”o “。 |
{n,m} |
m 和 n 均为非负整数,其中 n<=m。最少匹配 n 次且最多匹配 m 次。例如,”o{1,3} “将匹配”fooooood “中的前三个 o。”o{0,1} “等价于”o? “。请注意在逗号和两个数之间不能有空格。 |
? |
当该字符紧跟在任何一个其他限制符(*,+,?,{n},{n,},{n,m})后面时,匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串,而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如,对于字符串”oooo “,”o+? “将匹配单个”o “,而” o+ “将匹配所有”o “。 |
. |
匹配除”\n “之外的任何单个字符。要匹配包括”\n “在内的任何字符,请使用像” <code>(.|\n) </code>“的模式。 |
(pattern) |
匹配 pattern 并获取这一匹配的子字符串。该子字符串用于向后引用。所获取的匹配可以从产生的 Matches 集合得到,在 VBScript 中使用 SubMatches 集合,在 JScript 中则使用 $0...$9 属性。要匹配圆括号字符,请使用”( “或”) “。 |
(?:pattern) |
匹配 pattern 但不获取匹配的子字符串,也就是说这是一个非获取匹配,不存储匹配的子字符串用于向后引用。这在使用或字符”<code>(|)</code>“来组合一个模式的各个部分是很有用。例如”<code>industr(?:y|ies)</code>“就是一个比”<code>industry|industries</code>“更简略的表达式。 |
(?=pattern) |
正向肯定预查,在任何匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如,”<code>Windows(?=95|98|NT|2000)</code>“能匹配”Windows2000 “中的”Windows “,但不能匹配” Windows3.1 “中的”Windows “。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始。 |
(?!pattern) |
正向否定预查,在任何不匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如”<code>Windows(?!95|98|NT|2000)</code>“能匹配”Windows3.1 “中的”Windows “,但不能匹配” Windows2000 “中的”Windows “。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始 |
(?<=pattern) |
反向肯定预查,与正向肯定预查类似,只是方向相反。例如,”<code>(?<=95|98|NT|2000)Windows</code>“能匹配”2000Windows “中的”Windows “,但不能匹配”3.1Windows “中的” Windows “。 |
(?<!pattern) |
反向否定预查,与正向否定预查类似,只是方向相反。例如”<code>(?<!95|98|NT|2000)Windows</code>“能匹配”3.1Windows “中的”Windows “,但不能匹配”2000Windows “中的” Windows “。 |
<code>x|y</code> | 匹配 x 或 y。例如,”<code>z|food</code>“能匹配”z “或”food “。”<code>(z|f)ood</code>“则匹配”zood “或” food “。 |
[xyz] |
字符集合(character class)。匹配所包含的任意一个字符。例如,”[abc] “可以匹配”plain “中的”a “。特殊字符仅有反斜线 \\ 保持特殊含义,用于转义字符。其它特殊字符如星号、加号、各种括号等均作为普通字符。脱字符 ^ 如果出现在首位则表示负值字符集合;如果出现在字符串中间就仅作为普通字符。连字符 - 如果出现在字符串中间表示字符范围描述;如果如果出现在首位则仅作为普通字符。 |
[^xyz] |
排除型(negate)字符集合。匹配未列出的任意字符。例如,”[^abc] “可以匹配”plain “中的”plin “。 |
[a-z] |
字符范围。匹配指定范围内的任意字符。例如,”[a-z] “可以匹配”a “到”z “范围内的任意小写字母字符。 |
[^a-z] |
排除型的字符范围。匹配任何不在指定范围内的任意字符。例如,”[^a-z] “可以匹配任何不在”a “到”z “范围内的任意字符。 |
\b |
匹配一个单词边界,也就是指单词和空格间的位置。例如,”er\b “可以匹配”never “中的”er “,但不能匹配”verb “中的”er “。 |
\B |
匹配非单词边界。”er\B “能匹配”verb “中的”er “,但不能匹配”never “中的”er “。 |
\cx |
匹配由 x 指明的控制字符。例如,\cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则,将 c 视为一个原义的”c “字符。 |
\d |
匹配一个数字字符。等价于 [0-9] 。 |
\D |
匹配一个非数字字符。等价于 [^0-9] 。 |
\f |
匹配一个换页符。等价于 \x0c 和 \cL 。 |
\n |
匹配一个换行符。等价于 \x0a 和 \cJ 。 |
\r |
匹配一个回车符。等价于 \x0d 和 \cM 。 |
\s |
匹配任何空白字符,包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v] 。 |
\S |
匹配任何非空白字符。等价于 [^ \f\n\r\t\v] 。 |
\t |
匹配一个制表符。等价于 \x09 和 \cI 。 |
\v |
匹配一个垂直制表符。等价于 \x0b 和 \cK 。 |
\w |
匹配包括下划线的任何单词字符。等价于”[A-Za-z0-9] “。 |
\W |
匹配任何非单词字符。等价于”[^A-Za-z0-9] “。 |
\xn |
匹配 n,其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如,”\x41 “匹配”A “。”\x041 “则等价于”\x04&1 “。正则表达式中可以使用 ASCII 编码。. |
\num |
向后引用(back-reference)一个子字符串(substring),该子字符串与正则表达式的第 num 个用括号围起来的子表达式(subexpression)匹配。其中 num 是从 1 开始的正整数,其上限可能是 99。例如:”(.)\1 “匹配两个连续的相同字符。 |
\n |
标识一个八进制转义值或一个向后引用。如果 \n 之前至少 n 个获取的子表达式,则 n 为向后引用。否则,如果 n 为八进制数字(0-7),则 n 为一个八进制转义值。 |
\nm |
标识一个八进制转义值或一个向后引用。如果 \nm 之前至少有 nm 个获得子表达式,则 nm 为向后引用。如果 \nm 之前至少有 n 个获取,则 n 为一个后跟文字 m 的向后引用。如果前面的条件都不满足,若 n 和 m 均为八进制数字(0-7),则 \nm 将匹配八进制转义值 nm。 |
\nml |
如果 n 为八进制数字(0-3),且 m 和 l 均为八进制数字(0-7),则匹配八进制转义值 nml。 |
\un |
匹配 n,其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如,\u00A9 匹配版权符号(©)。 |
网友评论