【十分钟学会】正则表达式字符匹配攻略

Love The Way You Lie 2022-05-31 14:22 152阅读 0赞

> 阅读建议：看一下正则表达式基础，有一定的基本概念，效果最佳。
> 
> 推荐的基础网址为：[正则表达式教程][Link 1]

**正则表达式是匹配模式，要么匹配字符，要么匹配位置。**请记住这句话。

然而关于正则如何匹配字符的学习，大部分人都觉得这块比较杂乱。

毕竟元字符太多了，看起来没有系统性，不好记。本文就解决这个问题。

内容包括：

1. 两种模糊匹配
    
    2. 字符组
    
    3. 量词
    
    4. 分支结构
    
    5. 案例分析

### 1. 两种模糊匹配 ###

如果正则只有精确匹配是没多大意义的，比如/hello/，也只能匹配字符串中的”hello”这个子串。

var regex = /hello/;
    console.log( regex.test("hello") ); // true

正则表达式之所以强大，是因为其能实现模糊匹配。

而模糊匹配，有两个方向上的“模糊”：横向模糊和纵向模糊。

#### 1.1 横向模糊匹配 ####

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。表示譬如\{m,n\}，表示连续出现最少m次，最多n次。

比如/ab\{2,5\}c/表示匹配这样一个字符串：第一个字符是“a”，接下来是2到5个字符“b”，最后是字符“c”。测试如下：

var regex = /ab{2,5}c/g;
    var string = "abc abbc abbbc abbbbc abbbbbc abbbbbbc";
    console.log( string.match(regex) ); // ["abbc", "abbbc", "abbbbc", "abbbbbc"]

注意：案例中用的正则是/ab\{2,5\}c/g，后面多了g，它是正则的一个修饰符。表示全局匹配，即在目标字符串中按顺序找到满足匹配模式的所有子串，强调的是“所有”，而不只是“第一个”。g是单词global的首字母。

#### 1.2 纵向模糊匹配 ####

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。

比如/a\[123\]b/可以匹配如下三种字符串：”a1b”、”a2b”、”a3b”。测试如下：

var regex = /a[123]b/g;
    var string = "a0b a1b a2b a3b a4b";
    console.log( string.match(regex) ); // ["a1b", "a2b", "a3b"]

以上就是本文讲的主体内容，只要掌握横向和纵向模糊匹配，就能解决很大部分正则匹配问题。

接下来的内容就是展开说了，如果对此都比较熟悉的话，可以跳到最后，直接看案例那节。

### 2. 字符组 ###

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。

#### 2.1 范围表示法 ####

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。

#### 2.2 排除字符组 ####

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。

#### 2.3 常见的简写形式 ####

有了字符组的概念后，一些常见的符号我们也就理解了。因为它们都是系统自带的简写形式。

> \\d 就是\[0-9\]。表示是一位数字。记忆方式：其英文是digit（数字）。
> 
> \\D 就是\[^0-9\]。表示除数字外的任意字符。
> 
> \\w 就是\[0-9a-zA-Z\_\]。表示数字、大小写字母和下划线。记忆方式：w是word的简写，也称单词字符。
> 
> \\W 就是\[^0-9a-zA-Z\_\]。非单词字符。
> 
> \\s 就是\[ \\t\\v\\n\\r\\f\]。表示空白符，包括空格、水平制表符、垂直制表符、换行符、回车符、换页符。记忆方式：s是space character的首字母。
> 
> \\S 就是\[^ \\t\\v\\n\\r\\f\]。 非空白符。
> 
> . 就是\[^ \\n\\r\\u2028\\u2029\]。通配符，表示几乎任意字符。换行符、回车符、行分隔符和段分隔符除外。记忆方式：想想省略号…中的每个点，都可以理解成占位符，表示任何类似的东西。

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。

### 3. 量词 ###

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。

#### 3.1 简写形式 ####

> \{m,\} 表示至少出现m次。
> 
> \{m\} 等价于\{m,m\}，表示出现m次。
> 
> ? 等价于\{0,1\}，表示出现或者不出现。记忆方式：问号的意思表示，有吗？
> 
> \+ 等价于\{1,\}，表示出现至少一次。记忆方式：加号是追加的意思，得先有一个，然后才考虑追加。
> 
> \* 等价于\{0,\}，表示出现任意次，有可能不出现。记忆方式：看看天上的星星，可能一颗没有，可能零散有几颗，可能数也数不过来。

#### 3.2 贪婪匹配和惰性匹配 ####

看如下的例子：

var regex = /\d{2,5}/g;
    var string = "123 1234 12345 123456";
    console.log( string.match(regex) ); // ["123", "1234", "12345", "12345"]

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3要个。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：

var regex = /\d{2,5}?/g;
    var string = "123 1234 12345 123456";
    console.log( string.match(regex) ); // ["12", "12", "34", "12", "34", "12", "34", "56"]

其中/\\d\{2,5\}?/表示，虽然2到5次都行，当2个就够的时候，就不在往下尝试了。

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：

> \{m,n\}?  
> \{m,\}?  
> ??  
> \+?  
> \*?  
> 对惰性匹配的记忆方式是：量词后面加个问号，问一问你知足了吗，你很贪婪吗？

### 4. 多选分支 ###

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”good”和”nice”可以使用/good|nice/。测试如下：

var regex = /good|nice/g;
    var string = "good idea, nice try.";
    console.log( string.match(regex) ); // ["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”：

var regex = /good|goodbye/g;
    var string = "goodbye";
    console.log( string.match(regex) ); // ["good"]

而把正则改成/goodbye|good/，结果是

var regex = /goodbye|good/g;
    var string = "goodbye";
    console.log( string.match(regex) ); // ["goodbye"]

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。

### 5. 案例分析 ###

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）：

#### 5.1 匹配16进制颜色值 ####

要求匹配：

> \#ffbbad
> 
> \#Fc01DF
> 
> \#FFF
> 
> \#ffE

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：

var regex = /#([0-9a-fA-F]{6}|[0-9a-fA-F]{3})/g;
    var string = "#ffbbad #Fc01DF #FFF #ffE";
    console.log( string.match(regex) ); // ["#ffbbad", "#Fc01DF", "#FFF", "#ffE"]

#### 5.2 匹配时间 ####

以24小时制为例。

要求匹配：

> 23:59
> 
> 02:07

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：

var regex = /^([01][0-9]|[2][0-3]):[0-5][0-9]$/;
    console.log( regex.test("23:59") ); // true
    console.log( regex.test("02:07") ); // true

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：

var regex = /^(0?[0-9]|1[0-9]|[2][0-3]):(0?[0-9]|[1-5][0-9])$/;
    console.log( regex.test("23:59") ); // true
    console.log( regex.test("02:07") ); // true
    console.log( regex.test("7:9") ); // true

#### 5.3 匹配日期 ####

比如yyyy-mm-dd格式为例。

要求匹配：

> 2017-06-10

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：

var regex = /^[0-9]{4}-(0[1-9]|1[0-2])-(0[1-9]|[12][0-9]|3[01])$/;
    console.log( regex.test("2017-06-10") ); // true

#### 5.4 window操作系统文件路径 ####

要求匹配：

F:\study\javascript\regex\regular expression.pdf
    
    F:\study\javascript\regex\ 
    F:\study\javascript
    
    F:\

分析：

整体模式是: 盘符:\\文件夹\\文件夹\\文件夹\\

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(\[^\\:*<>|”?\\r\\n/\]+\\)*。其中括号提供子表达式。

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：

var regex = /^[a-zA-Z]:\$[^\\:*<>|"?\r\n/]+\$*([^\\:*<>|"?\r\n/]+)?$/; console.log( regex.test("F:\\study\\javascript\\regex\\regular expression.pdf") ); // true console.log( regex.test("F:\\study\\javascript\\regex\\") ); // true console.log( regex.test("F:\\study\\javascript") ); // true console.log( regex.test("F:\\") ); // true

其中，JS中字符串表示“\\”时，也要转义。

#### 5.5 匹配id ####

要求从

提取出id=”container”。

可能最开始想到的正则是：

var regex = /id=".*"/
    var string = '<div id="container" class="main"></div>';
    console.log(string.match(regex)[0]); // id="container" class="main"

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，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：

var regex = /id=".*?"/
    var string = '<div id="container" class="main"></div>';
    console.log(string.match(regex)[0]); // id="container"

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，后续文章会说明）。可以优化如下：

var regex = /id="[^"]*"/ var string = '<div id="container" class="main"></div>'; console.log(string.match(regex)[0]); // id="container"

【完】

[Link 1]: http://www.runoob.com/regexp/regexp-tutorial.html