正则表达式从小白到入门

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?

为什么需要正则表达式 - 王垠

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 30 分钟入门教程 - DeerChao

正则表达式 - 教程

Python RegEx

正则表达式在线工具

regexr

regex101

正则表达式测试工具(在线)

正则表达式在线测试

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:

  1. 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
  2. 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。
  3. 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 harttlharttle
  4. 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 harttleharh(a|u)rttle 可以匹配 harttlehurttle

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”`(. \n)`“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”`( ) “来组合一个模式的各个部分是很有用。例如” industr(?:y ies) “就是一个比” industry industries`“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,”`Windows(?=95 98 NT 2000) “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”`Windows(?!95 98 NT 2000) “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,”`(?<=95 98 NT 2000)Windows “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”`(?<!95 98 NT 2000)Windows “能匹配” 3.1Windows “中的” Windows “,但不能匹配” 2000Windows “中的” Windows`“。
`x y` 匹配 x 或 y。例如,”`z food “能匹配” z “或” food “。” (z f)ood “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\cL
\n 匹配一个换行符。等价于 \x0a\cJ
\r 匹配一个回车符。等价于 \x0d\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\cI
\v 匹配一个垂直制表符。等价于 \x0b\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(©)。
我来评几句
登录后评论

已发表评论数()

相关站点

+订阅
热门文章