RegExp | 正则表达式

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个"规则字符串"，这个"规则字符串"用来表达对字符串的一种过滤逻辑。

给定一个正则表达式和另一个字符串，我们可以达到如下的目的：

• 给定的字符串是否符合正则表达式的过滤逻辑（称作"匹配"）；
• 可以通过正则表达式，从字符串中获取我们想要的特定部分。

正则表达式的特点是：

• 灵活性、逻辑性和功能性非常的强；
• 可以迅速地用极简单的方式达到字符串的复杂控制。
• 对于刚接触的人来说，比较晦涩难懂。

注意：正则表达式写好后，没有错对之分，返回结果只是 true 和 false。

• Symbols

  • . —  匹配除了换行之外的任意字符
  • ^ —  匹配字符串的首部
  • $ —  匹配字符串的末尾

• Number

  • * —  匹配前述的表达式零或多次
  • + —  匹配前述的表达式一或多次
  • ? —  匹配前述的表达式零或一次
  • a{3} - 匹配指定数目的 a
  • a{3,} - 匹配不少于 3 个的 a
  • a{3,6} - 匹配 3 到 6 个 a

• Character groups

  • \d —  匹配任意的数值
  • \w —  匹配任意的字符
  • [XYZ] —  数组中任一值匹配，多范围混搭的话，可以使用 [A-Z][xyz]+ 来匹配集合中的任一字符
  • [^a-z] — ^ 用于进行反选，这里即表示匹配非 a-z 字符的其他值；([^B]*) 表示该位置是除了 B 之外的任意值。

• Advanced

  • (x) —  捕获圆括号，匹配 x 并且记录捕获项
  • (x|y) - 匹配 x 或者 y
  • (?:x) —  非匹配圆括号，仅匹配而不记录
  • x(?=y) —  预测匹配，仅匹配那些 y 之前的 x

• Flags

  • g —  全局搜索
  • i —  大小写敏感搜索

结构与操作符

元字符

元字符是构造正则表达式的一种基本元素。

元字符 说明 . 匹配除换行符以外的任意字符 \w 匹配字母或数字或下划线或汉字 \s 匹配任意的空白符 \d 匹配数字 \b 匹配单词的开始或结束 ^ 匹配字符串的开始 $ 匹配字符串结束

正则提供了转义的方式，也就是要把这些元字符、限定符或者关键字转义成普通的字符，做法很简答，就是在要转义的字符前面加个斜杠，也就是\即可。

重复限定符

正则表达式中一些重复限定符，把重复部分用合适的限定符替代，下面我们来看一些限定符：

语法 说明

• 重复零次或更多次

• 重复一次或更多次 ? 重复零次或一次 {n} 重复 n 次 {n,} 重复 n 次或更多次 {n,m} 重复 n 到 m 次

分组与条件

正则表达式中用小括号 () 来做分组，也就是括号中的内容作为一个整体。

正则用符号 | 来表示或，也叫做分支条件，当满足正则里的分支条件的任何一种条件时，都会当成是匹配成功。

^(130|131|132|155|156|185|186|145|176)\d{8}$

数量与匹配模式

在正则表达式中有这么三种模式：贪婪模式、懒惰模式、独占模式。在关于数量的匹配中，有 + ? * {min,max} 四种两次，如果只是单独使用，那么它们就是贪婪模式。

贪婪模式

懒惰模式

如果在他们之后加多一个 ? 符号，那么原先的贪婪模式就会变成懒惰模式，即尽可能少地匹配。但是懒惰模式还是会发生回溯现象的。TODO 例如下面这个例子：

text = "abbc";

regex = "ab{1,3}?c";

正则表达式的第一个操作符 a 与 字符串第一个字符 a 匹配，匹配成。于是正则表达式的第二个操作符 b{1,3}? 和 字符串第二个字符 b 匹配，匹配成功。因为最小匹配原则，所以拿正则表达式第三个操作符 c 与字符串第三个字符 b 匹配，发现不匹配。于是回溯回去，拿正则表达式第二个操作符 b{1,3}? 和字符串第三个字符 b 匹配，匹配成功。于是再拿正则表达式第三个操作符 c 与字符串第四个字符 c 匹配，匹配成功。于是结束。

独占模式

如果在他们之后加多一个 + 符号，那么原先的贪婪模式就会变成独占模式，即尽可能多地匹配，但是不回溯。

算法引擎

实现正则表达式引擎的有两种方式：DFA 自动机（Deterministic Final Automata 确定型有穷自动机）和 NFA 自动机（Non deterministic Finite Automaton 不确定型有穷自动机）。

DFA 自动机的时间复杂度是线性的，更加稳定，但是功能有限。而 NFA 的时间复杂度比较不稳定，有时候很好，有时候不怎么好，好不好取决于你写的正则表达式。但是胜在 NFA 的功能更加强大，所以包括 Java、.NET、Perl、Python、Ruby、PHP 等语言都使用了 NFA 去实现其正则表达式。Java 正则表达式使用的引擎实现是 NFA 自动机，这种正则表达式引擎在进行字符匹配时会发生回溯（backtracking）。而一旦发生回溯，那其消耗的时间就会变得很长，有可能是几分钟，也有可能是几个小时，时间长短取决于回溯的次数和复杂度。

NFA

那 NFA 自动加到底是怎么进行匹配的呢？我们以下面的字符和表达式来举例说明。

text="Today is a nice day."

regex="day"

要记住一个很重要的点，即：NFA 是以正则表达式为基准去匹配的。也就是说，NFA 自动机会读取正则表达式的一个一个字符，然后拿去和目标字符串匹配，匹配成功就换正则表达式的下一个字符，否则继续和目标字符串的下一个字符比较。或许你们听不太懂，没事，接下来我们以上面的例子一步步解析。

首先，拿到正则表达式的第一个匹配符：d。于是那去和字符串的字符进行比较，字符串的第一个字符是 T，不匹配，换下一个。第二个是 o，也不匹配，再换下一个。第三个是 d，匹配了，那么就读取正则表达式的第二个字符：a。 读取到正则表达式的第二个匹配符：a。那着继续和字符串的第四个字符 a 比较，又匹配了。那么接着读取正则表达式的第三个字符：y。 读取到正则表达式的第三个匹配符：y。那着继续和字符串的第五个字符 y 比较，又匹配了。尝试读取正则表达式的下一个字符，发现没有了，那么匹配结束。 上面这个匹配过程就是 NFA 自动机的匹配过程，但实际上的匹配过程会比这个复杂非常多，但其原理是不变的。

NFA 自动机的回溯

了解了 NFA 是如何进行字符串匹配的，接下来我们就可以讲讲这篇文章的重点了：回溯。为了更好地解释回溯，我们同样以下面的例子来讲解。

text="abbc"

regex="ab{1,3}c"

上面的这个例子的目的比较简单，匹配以 a 开头，以 c 结尾，中间有 1-3 个 b 字符的字符串。NFA 对其解析的过程是这样子的：

• 首先，读取正则表达式第一个匹配符 a 和 字符串第一个字符 a 比较，匹配了。于是读取正则表达式第二个字符。
• 读取正则表达式第二个匹配符 b{1,3} 和字符串的第二个字符 b 比较，匹配了。但因为 b{1,3} 表示 1-3 个 b 字符串，以及 NFA 自动机的贪婪特性（也就是说要尽可能多地匹配），所以此时并不会再去读取下一个正则表达式的匹配符，而是依旧使用 b{1,3} 和字符串的第三个字符 b 比较，发现还是匹配。于是继续使用 b{1,3} 和字符串的第四个字符 c 比较，发现不匹配了。此时就会发生回溯。
• 发生回溯是怎么操作呢？发生回溯后，我们已经读取的字符串第四个字符 c 将被吐出去，指针回到第三个字符串的位置。之后，程序读取正则表达式的下一个操作符 c，读取当前指针的下一个字符 c 进行对比，发现匹配。于是读取下一个操作符，但这里已经结束了。

常用正则

VSCode 中匹配常用的中文汉字：

('[^\x00-\xff]+'|"[^\x00-\xff]+"|>[^\x00-\xff]+<|^\s*([^\x00-\xff]+)\s*$)

正则表达式是一种查找以及字符串替换操作。正则表达式在文本编辑器中广泛使用，比如正则表达式被用于：

• 检查文本中是否含有指定的特征词
• 找出文中匹配特征词的位置
• 从文本中提取信息，比如：字符串的子串
• 修改文本

与文本编辑器相似，几乎所有的高级编程语言都支持正则表达式。在这样的语境下，“文本”也就是一个字符串，可以执行的操作都是类似的。一些编程语言(比如 Perl，JavaScript)会检查正则表达式的语法。正则表达式只是一个字符串。没有长度限制，但是，这样的正则表达式长度往往较短。如下所示是一些正则表达式的例子：

• I had a \S+ day today
• [A-Za-z0-9\-_]{3,16}
• \d\d\d\d-\d\d-\d\d
• v(\d+)(\.\d+)*
• TotalMessages="(.*?)"
• <[^<>]>

这些字符串实际上都是微型计算机程序。正则表达式的语法，实际上是一种轻量级、简洁、适用于特定领域的编程语言。记住这一点，那么你就很容易理解下面的事情：

• 每一个正则表达式，都可以分解为一个指令序列，比如“先找到这样的字符，再找到那样的字符，再从中找到一个字符。。。”
• 每一个正则表达式都有输入(文本)和输出(匹配规则的输出，有时是修改后的文本)
• 正则表达式有可能出现语法错误——不是所有的字符串都是正则表达式
• 正则表达式语法很有个性，也可以说很恐怖
• 有时可以通过编译，使得正则表达式执行更快

在实现中，正则表达式还有其他的特点。本文将重点讨论正则表达式的核心语法，在几乎所有的正则表达式中都可以见到这些规则。特别提示：正则表达式与文件通配语法无关，比如 *.xml。最后推荐几个常用的正则表达式在线编辑工具:

• Debuggex：https://www.debuggex.com/
• PyRegex：http://www.pyregex.com/
• Regexper：http://www.regexper.com/

基础语法

字符

正则表达式中包含了一系列的字符，这些字符只能匹配它们本身。有一些被称为“元字符”的特殊字符，可以匹配一些特殊规则。如下所示的例子中，我用红色标出了元字符。大部分的字符，包括所有的字母和数字字符，是普通字符。也就意味着，它们只能匹配它们自己，如下所示的正则表达式：

cat

意味着，只能匹配一个字符串，以“c”开头，然后是字符“a”，紧跟着是字符“t”的字符串。到目前为止，正则表达式的功能类似于

• 常规的 Find 功能
• Java 中的 String.indexOf() 函数
• PHP 中的 strpos()函数
• 等等

注意：不做特殊说明，正则表达式中是区分大小写的。但是，几乎所有正则表达式的实现，都会提供一个 Flag 用来控制是否区分大小写。

点 . 匹配任意单个字符

我们第一个要讲解的元字符是“.”。这个符号意味着可以匹配任意一个字符。如下所示的正则表达式：

c.t

意味着匹配“以 c 开头,之后是任意一个字符，紧跟着是字母 t”的字符串。在一段文本中，这样的正则表达式可以用来找出 cat, cot, czt 这样的字符串，甚至可以找出 c.t 这样的组合，但是不能找到 ct 或者是 coot 这样的字符串。使用反斜杠“\”可以忽略元字符，使得元字符的功能与普通字符一样。所以，正则表达式

c\.t

表示“找到字母 c,然后是一个句号(“.”)，紧跟着字母 t”。反斜杠本身也是一个元字符，这意味着反斜杠本身也可以通过相似的方法变回到普通字符的用途。因此，正则表达式

c\\t

表示匹配“以字符 c 开头,然后是一个反斜杠，紧跟着是字母 t”的字符串。注意！在正则表达式的实现中，.是不能用于匹配换行符的。”换行符“的表示方法在不同实现中也不同。实际编程时，请参考相关文档。在本文中，我认为.是可以匹配任意字符的。实现环境通常会提供一个 Flag 标志位，来控制这一点。

单次分隔符

在单词和非单词之间有单词分隔符。记住，一个单词\w 是[0-9A-Za-z_]，而非单词字符是\W(大写)，表示[^0-9a-za-z_].

在文本的开头和结尾通常也有单词分隔符。

在输入文本 it’s a cat 中，实际有八个单词分隔符。如果我们在 cat 之后在上一个空格，那就有九个单词分隔符。.

\b表示匹配一个单词分隔符
\b\w\w\w\b表示匹配一个三字母单词
a\ba表示匹配两个a中间有一个单词分隔符。这个正则表达式永远不会有匹配的字符，无论输入怎样的文本。

单词分隔符本身并不是字符。它们的宽度为 0。下列正则表达式的作用不同

(\bcat)\b
(\bcat\b)
\b(cat)\b
\b(cat\b)

换行符

一篇文本中可以有一行或多行，行与行之间由换行符分隔，比如：

Line一行文字
Line break换行符
Line一行文字
Line break换行符
…
Line break换行符
Line一行文字

注意，所有的文本都是以一行结束的，而不是以换行符结束。但是，任意一行都可能为空，包括最后一行。

行的起始位置，是在换行符和下一行首字符之间的空间。考虑到单词分隔符，文本的起始位置也可以当做是首行位置。

最后一行是最后一行的尾字符和换行符之间的空间。考虑到单词分隔符，文本的结束也可以认为是行的结束。

那么新的格式表示如下:

Start-of-line, line, end-of-line
Line break
Start-of-line, line, end-of-line
Line break
…
Line break
Start-of-line, line, end-of-line

基于上述概念:

^表示匹配行的开始位置
$表示匹配行的结束位置
^&表示一个空行
^.*& 表示匹配全文内容，因为行的开始符号也是一个字符，"."会匹配这个符号。找到单独的一行，可以使用 ^.*?$
\^\$表示匹配字符串“^$”
[$]表示匹配一个$。但是，[^]不是合法的正则表达式。记住在方括号中，字符有不同的特殊含义。要想在方括号内匹配^，必须用[\^]

与字符分隔符一样，换行符也不是字符。它们宽度为 0.如下所示的正则表达式作用不同：

(^cat)$
(^cat$)
^(cat)$
^(cat$)

字符类

字符类是一组在方括号内的字符，表示可以匹配其中的任何一个字符。

• 正则表达式 c[aeiou]t，表示可以匹配的字符串是”以 c 开头，接着是 aeiou 中的任何一个字符，最后以 t 结尾”。在文本的实际应用中，这样的正则表达式可以匹配：cat,cet,cit,cot,cut 五种字符串。
• 正则表达式[0123456789]表示匹配任意一个整数。
• 正则表达式[a]表示匹配单字符 a。

包含忽略字符的例子

• a 表示匹配字符串[a]
• [[]ab]表示匹配的字符为”[“或者”]”或者”a”,或者”b”
• [\[]]表示匹配的字符为”\”或者 “[”或者”]”

在字符类中，字符的重复和出现顺序并不重要。[dabaaabcc]与[abc]是相同的。重要提示：字符类中和字符类外的规则有时不同，一些字符在字符类中是元字符，在字符类外是普通字符。一些字符正好相反。还有一些字符在字符类中和字符类外都是元字符，这要视情况而定！比如，.表示匹配任意一个字符，而[.]表示匹配一个全角句号。这不是一回事！

字符类的范围

在字符集中，你可以通过使用短横线来表示匹配字母或数字的范围。

• [b-f]与[b,c,d,e,f]相同，都是匹配一个字符”b”或”c”或”d”或”e”或”f”
• [A-Z]与[ABCDEFGHIJKLMNOPQRSTUVWXYZ]相同，都是匹配任意一个大写字母。
• [1-9]与[123456789]相同，都是匹配任意一个非零数字。

字符类可以多个混用，也可以与单个字符混合使用:

• [0-9.,]表明匹配一个数字，或者一个全角句号，或者一个逗号
• [0-9a-fA-F]意味着匹配一个十六进制数
• [a-zA-Z0-9-]意味着匹配一个字母、数字或者一个短横线

字符类的反义

你可以在字符类的起始位放一个反义符。

• [^a]表示匹配任何不是“a”的字符
• [^a-za-z0-9]表示匹配任何不是字母也不是数字的字符
• [^abc]匹配一个为“^”或者 a 或者 b 或者 c 的字符
• [^^]表示匹配任何不为“^”的字符

譬如[^c]ei就表示，在 e 之前有 i，但是没有 c。

字符类的转义

• \d 这个正则表达式与[0-9]作用相同，都是匹配任何一个数字。(要匹配\d,应该使用正则表达式\d)
• \w 与[0-9A-Za-z]相同，都表示匹配一个数字或字母字符
• \s 意味着匹配一个空字符(空格，制表符，回车或者换行)另外
• \D 与[^0-9]相同，表示匹配一个非数字字符。
• \W 与[^0-9a-za-z]相同，表示匹配一个非数字同时不是字母的字符。
• \S 表示匹配一个非空字符。

这些是你必须掌握的字符。你可能已经注意到了，一个全角句号“.”也是一个字符类，可以匹配任意一个字符。很多正则表达式的实现中，提供了更多的字符类，或者是标志位在 ASCII 码的基础上，扩展现有的字符类。特别提示：统一字符集中包含除了 0 至 9 之外的更多数字字符，同样的，也包含更多的空字符和字母字符。实际使用正则表达式时，请仔细查看相关文档。

次数/重复

在字符或字符集之后，你可以使用{ }大括号来表示重复

• 正则表达式 a{1}与 a 意思相同，都表示匹配字母 a

• a{3}表示匹配字符串“aaa”

• a{0}表示匹配空字符串。从这个正则表达式本身来看，它毫无意义。如果你对任何文本执行这样的正则表达式，你可以定位到搜索的起始位置，即使文本为空。

• a{2}表示匹配字符串“a{2}” 在字符类中，大括号没有特殊含义。[{}]表示匹配一个左边的大括号，或者一个右边的大括号。简化下面的正则表达式

• z.......z

• \d\d\d\d-\d\d-\d\d

• [aeiou][aeiou][aeiou][aeiou][aeiou][aeiou]

• [bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz]

答案为:

• z.{7}z
• \d{4}-\d{2}-\d{2}
• [aeiou]{6}
• [bcdfghjklmnpqrstvwxyz]{10}

注意：重复字符是没有记忆性的，比如[abc]{2}表示先匹配”a 或者 b 或者 c”，再匹配”a 或者 b 或者 c”，与匹配”aa 或者 ab 或者 ac 或者 ba 或者 bb 或者 bc 或者 ca 或者 cb 或者 cc“一样。[abc]{2}并不能表示匹配”aa 或者 bb 或者 cc“

指定重复次数范围

重复次数是可以指定范围的

• x{4,4}与 x{4}相同
• colou{0,1}r 表示匹配 colour 或者 color
• a{3,5}表示匹配 aaaaa 或者 aaaa 或者 aaa

注意这样的正则表达式会优先匹配最长字符串，比如输入 I had an aaaaawful day``会匹配单词aaaaawful中的aaaaa，而不会匹配其中的aaa

重复次数是可以有范围的，但是有时候这样的方法也不能找到最佳答案。如果你的输入文本是 I had an aaawful daaaaay 那么在第一次匹配时，只能找到 aaawful，只有再次执行匹配时才能找到 daaaaay 中的 aaaaa.

重复次数的范围可以是开区间

• a{1，}表示匹配一个或一个以上的连续字符 a。依然是匹配最长字符串。当找到第一个 a 之后，正则表达式会尝试匹配尽量多个的连续字母 a。
• .{0,}表示匹配任意内容。无论你输入的文本是什么，即使是一个空字符串，这个正则表达式都会成功匹配全文并返回结果。

重复的转义字符

-与{0,1}相同，比如，colou?r 表示匹配 colour 或者 color

• *与{0,}相同。比如，.*表示匹配任意内容
• +与{1，}相同。比如,\w+表示匹配一个词。其中”一个词”表示由一个或一个以上的字符组成的字符串，比如_var 或者 AccountName1.

这些是你必须知道的常用转义字符，除此之外还有:

• ?*+ 表示匹配字符串”?*+”
• [?*+]表示匹配一个问号，或者一个*号，或者一个加号

匹配策略

非贪婪匹配

正则表达式 “.*” 表示匹配双引号，之后是任意内容，之后再匹配一个双引号。注意，其中匹配任意内容也可以是双引号。通常情况下，这并不是很有用。通过在句尾加上一个问号，可以使得字符串重复不再匹配最长字符。

• \d{4,5}?表示匹配\d\d\d\d 或者\d\d\d\d\d。也就是和\d{4}一样
• colou??r 与 colou{0,1}r 相同，表示找到 color 或者 colour。这与 colou?r 一样。
• “.*?”表示先匹配一个双引号，然后匹配最少的字符，然后是一个双引号，与上面两个例子不同，这很有用。

分组匹配

你可以使用括号表示分组:

通过使用 Mon|Tues|Wednes|Thurs|Fri|Satur|Sun)day 匹配一周中的某一天
(\w*)ility  与 \w*ility 相同。都是匹配一个由”ility”结尾的单词。稍后我们会讲解，为何第一种方法更加有用。
[()]表示匹配任意一个左括号或者一个右括号

分组可以包括空字符串：

(red|blue)表示匹配red或者blue或者是一个空字符串
abc()def与abcdef相同

你也可以在分组的基础上使用重复：

(red|blue)？与(red|blue|)相同
\w+(\s+\w+)表示匹配一个或多个由空格分隔的单词

常用正则表达式

图片

/http[s]?:\/\/(?:[a-z0-9\-]+\.)+[a-z]{2,6}(?:[^/#?]+)+\.(?:jpg|gif|png)/ig

正则之基本入门