正则表达式必知必会（上）

正则表达式

0. 介绍

《正则表达式必知必会》这本书非常简洁明了的介绍了正则表达式常见的应用场景，按部就班的让读者掌握正则表达式这个强大的工具。
本文在于简化书中的内容，抽取核心知识点，在保留书中举例学习的特色上进行整理总结。
正则表达式必知必会（上）希望通过下面的3个章节、10个例子让读者朋友们去理解正则表达式，以便愉快的使用这个强大的工具。本文阅读大概需要10分钟，如果你觉得正则表达式对你不可或缺请耐心读完它。

定义：正则表达式是一些用来匹配和处理文本的字符串，正则表达式是由正则表达式语言创建的。可以解决如下场景：

1. 将文件中 car 的单词找出来并替换，但包含 car 字符串的其他单词不在其中（如 scar、carry 等）。
2. 将数据库检索出来的 URL 加入 <a> 标签，使其可点击。
3. 检查用户提交的表单中的邮件地址是否合法。
   以上的场景包含的两种情况也是正则表达式的两种基本用途，它们分别是搜索：查找特定的信息，替换：查找并编辑特定的信息。

关于正则表达式的几个事实：

1. 在使用正则表达式的时候，同一个问题会有多种解决方案，有的比较简单，有的比较快速，有的兼容性更好，有的功能更齐全。
2. 掌握正则表达式的关键就是实践，实践，再实践。

1. 匹配纯文本

例1：

1.1. 有多少个匹配结果

例1中匹配 my，找到了两个匹配结果。绝大数正则表达式引擎默认只返回第一个匹配结果，但可以通过特定标志匹配所有匹配结果，比如 JavaScript 中可以通过 g 标记返回一个包含所有匹配结果的数组。

1.2 字母大小写问题

另外正则表达式是区分字母大小写的，在 JavaScript 中可以通过 i 标记强制执行一次不区分字母大小写搜索。

2. 元字符

2.1 转义特殊字符

元字符是一些在正则表达式里有着特殊含义的字符。英文句号 . 是一个元字符，匹配任意一个单字符。左方括号 [ 也是一个元字符，标志一个字符集合的开始。因为元字符在正则表达式有特殊的含义，所以这些字符不能匹配它们本身。比如不能用 [ 匹配 [ 本身，. 匹配 . 本身。

例2：

例2中原本需要匹配 myArray[0]，但是没有匹配结果。因为 [0] 代表一个字符区间，只能匹配到字符 myArray0。修改如下即可完成匹配 myArray\[0\]。
所以如果想匹配元字符本身需要使用 \ 转义元字符对它们进行转义，以便让正则表达式知道 \. 仅仅匹配 . 本身，而不需要将 . 当成一个元字符匹配任意一个字符。

2.2 匹配空白字符

例3：

例3 \r\n 匹配一个 “回车+换行”组合，Windows 使用这个组合作为文本行结束标签（Unix/Linux/Mac 使用 \n）。使用正则 \r\n\r\n 匹配两个连续的行尾符号，所以最终匹配出两条记录之间的空行。

. 和 [ 是元字符，但前提是没有对它们进行转移。f 和 n 也是元字符，前提是需要对它们进行转移。如果没有对r 和 n 进行转移，它们只能匹配本身。

2.3 匹配特定的字符类别

• . 用于匹配任意单个字符
• [] 匹配多个字符集合。[0123456789] 匹配任意一个数字，缩写为 [0-9]。[abcdefghijklmnopqrstuvwxyz] 可以匹配任意字母，缩写为 [a-z]。
• ^ 取非匹配。字符集合取非：[^0-9] 匹配一个除数字除数字外的其他字符。[^abc] 匹配任意一个字符不等于 a, b 或 c。^ 取非用于给定字符集合所有字符或字符区间，而不仅是紧跟 ^ 后面的那个字符。

2.3.1 匹配数字（与非数字）

例4：

在例4中，\[ 匹配 [，\d 匹配任意单个数字字符，\]. 匹配 ]，所以 myArray\[\d\] 匹配出 myArray[0]。 myArray\[\d\] 是 myArray\[[0-9]\] 的缩写。同时还可以匹配 myArray[1], myArray[2], myArray[9] 等。

2.3.2 匹配字母和数字（与非字母和数字）

例5：

在例5中，纯数字的记录行是美国的邮政编码，数字字母混合的是加拿大的邮政编码。为什么只匹配出加拿大的邮政编码呢，这里读者可以自己思考一下。掌握正则表达式的要点是实践和举一反三。

2.3.3 使用 POSIX 字符类

例6：

在例6中，[[]] 正则等同与使用6个字符集合的正则 [0-9A-Fz-f] ，注意这里要用 [[ 开头和]] 结束。注意 POSIX 字符类必须扩在 [: 和 :] 之间（不是 ），外层的 [ 和 ] 字符用来定义一个字符集合，内层 [ 和 ]是 POSIX 字符类本身的组成部分。

重复匹配

前面介绍了如何使用各种元字符、字符集合和字符类去匹配单个字符，本章介绍如何匹配多个连续重复出现的字符或字符集合。

有多少个匹配

电子邮件地址的基本格式如下图所示：

使用前面章节介绍的正则 \w@\w.\w，\w 可以匹配所有字母和数字字符（以及下划线字符_）；@ 字符不需要被转移，但 . 字符是元字符需要转移。这个正则只能匹配 a@b.c 格式的电子邮件地址，因为 \w 只能匹配单个字符。

匹配一个或多个字符

可以使用限定符 + 进行某个指定字符的多次重复匹配。+ 匹配一个或多个字符（至少一个）。a 匹配 a 本身，a+ 匹配一个或多个连续出现的 a。[0-9] 匹配任意单个数字，[0-9]+ 匹配一个或多个连续的数字。

对一个字符集合加限定符后缀需要把限定符放到集合外面。如 [0-9]+ 而不是 [0-9+]，后者之匹配数字0到9和+字符构成的字符集合。

匹配零个或多个字符

* 同样也是一个限定符，表示匹配零个或任意多个字符（或字符集合）。

例7：

例7中只匹配到了5个电子邮件，其中有两个不够完整。因为 @ 后面有一个 . 字符分开的情况（有些邮件地址会有多层域名/主机名），@ 前面也有会若干个 . 字符。
对于 ben.bforta.ben.bforta 这种字符可以使用字符集合 [\w.]+ 去匹配，\w 匹配任意字母和数字，. 匹配 . ，限定符 + 匹配符合字符集合中连续重复的匹配。
所以对于 ben.bforta.ben2.bforta2@urgent.ben.forta.com 这种邮件格式的地址，最终匹配邮件地址的正则如下：\w+[\w.]*@[\w.]+\.\w+。对这个正则分析如下：\w+ 匹配 ben，[\w.]* 匹配 bforta.ben2.bforta2（可以包含多个或者零个字母数字和 . 字符），@ 匹配 @，[\w.]+ urgent.ben.forta（注1），\. 匹配 . ，\w+ 匹配 com。

注一：这里可能有同学有些疑惑，为什么 @ 后面的那个 [\w.]+ 不匹配 urgent.ben.forta.com 呢。简单说可以理解成正则不是完全的从左向右执行，而是根据上下文去智能的匹配。正则表达式发现 [\w.]+ 后面还有一个 \. 和一个\w+ ，所以最后一个 . 字符给了 . 去匹配，com 给了 \w+去匹配。

可能这个正则对于初学者有些难度，知道大致的思想就可以了，随着后续的多摸索和逐渐的深入就会熟练起来。

匹配零个或一个字符

另一个非常有用的字符是 ? 。? 只能匹配一个字符（或字符集合）的零次或一次出现。如果需要在一段文本中匹配某个特定的字符（或字符集合）而该字符可能出现，也能不出现。可以把 ? 理解为可选项。

例8：

这个模式的开头部分是 https? 。? 在这里的意思前面的字符 s 是要么出现一次，要么不出现。所以 https?:// 可以匹配 http:// 也可以匹配 https://。

例9：

[\r]?\n[\r]?\n，这个表达式的意思是前面的换行字符可以出现也可以不出现，满足Windows 的行尾符号 \r\n\r\n 和 Unix/Linux/Mac 的行尾符号 \n\n。

\r? 和 [\r]? 在这里是一样的，后者这种写法增加了可读性。另外注意 [\r?] 这种写法是错误的，? 应该放在 [\r] 字符集合的外面。

匹配指定重复次数

前面介绍的 +、* 和 ? 无法匹配指定的字符个数。可以使用 {} 来匹配指定的字符个数，这里可以理解成 Python/Golang 的数组。想为重复匹配次数设为具体精确的值把数字写在 {} 之间即可，比如过 {3}意味模式里的前一个字符（或字符集合）必须在原始文本中连续重复出现3次才算一个匹配。

例10:

[:xdigit]匹配一个十六进制数字，{6} 要求这个 POSIX 字符类必须连续出现6次。类似地，使用模式 [09AFaf]{6} 也可以解决这个问题。

本作品采用《CC 协议》，转载必须注明作者和本文链接