内容字号:默认大号超大号

段落设置:段首缩进取消段首缩进

字体设置:切换到微软雅黑切换到宋体

正则表达式简明指南

2018-03-12 12:19 出处:清屏网 人气: 评论(0

公司使用的markdown解析类库一直有一些解析上的问题,最近给fix了。而markdown解析主要是对正则表达式的使用。中间恶补了一下相关知识,在此梳理一下。

什么是正则表达式

正则表达式就是用一个“字符串”来描述一个特征,然后去验证另一个“字符串”是否符合这个特征。简单的一个例子:用字符串”a”来验证字符串s是否是”a”,形如s.match(“a”)。概括来说有以下作用:

  • 验证字符串是否符合指定特征,比如验证是否是合法的邮件地址。
  • 查找字符串,从一个长的文本中查找符合指定特征的字符串,比查找固定字符串更加灵活。
  • 替换字符串,比普通的基于字符串的替换更灵活。

基本规则

普通字符

字母、数字、汉字、下划线、以及后续没有特殊定义的标点符号,都是”普通字符”。表达式中的普通字符,在匹配一个字符串的时候,匹配与之相同的一个字符。如:表达式 “a”,在匹配字符串 “abcde” 时,匹配到的内容是:”a”。

转义字符

一些不便书写的字符,采用在前面加 “\” 的方法。常见的如:

  • \r: 回车
  • n: 换行符
  • \t: 制表符
  • \: “\” 本身

此外,还有其他再正则中有特殊用处的标点符号,在前面加 “"后,代表该符号本身。如:^, $。如果要想匹配字符串中 ”^“ 和 ”$“ 字符,需要写成 ”\^“ 和 ”\$\“。如

  • \^: 匹配^符号本身
  • \$: 匹配$符号本身
  • .: 匹配小数点.本身

其匹配规则和普通字符串是一样的,如”^“匹配”a bc “中的”^“。

‘多种字符’匹配

  • \d:任意一个数字,0~9 中的任意一个
  • \w:任意一个字母或数字或下划线,也就是 A~Z,a~z,0~9,_ 中任意一个
  • \s:包括空格、制表符、换页符等空白字符的其中任意一个
  • .:小数点可以匹配除了换行符(\n)以外的任意一个字符

如:表达式 “\dtest\d”,在匹配”1test2” 时,匹配成功。

除了正则自带的’多种字符’匹配外,还可以通过中括号[]来自定义。

  • 使用方括号[ ]包含一系列字符,能够匹配其中任意一个字符。
  • 用 [^ ]含一系列字符,则能够匹配其中字符之外的任意一个字符。

如:[123]匹配 “1” 或 “2” 或 “3”;[^abc]匹配 “a”,“b”,“c” 之外的任意一个字符

这里需要注意的是,在使用“[]”或时,只有会改变字符组含义的才需要转义,

  • 反斜线必须转义
  • 方括号必须转义
  • 「^」在首和「-」在中必须转义

其他情况即使是特殊字符也不需要转义,如:

  • [aeiou]
  • [$.*+?{}()|]
  • [abc 123 -]

匹配次数

“次数修饰”放在”被修饰的正则表达式”后边,可以匹配多次。如:

  • {n}: 表达式重复n次,比如: “\d{2}” 相当于 “\d\d”。
  • {m,n}:表达式至少重复m次,最多重复n次,比如: “a{1,3}”可以匹配 “a”或”aa”或”aaa”。
  • {m,}: 表达式至少重复m次,比如: “\d{2,}”可以匹配 “12”,“123”,“12345678”。
  • ?: 匹配表达式0次或者1次,相当于 {0,1},比如: “a[b]?”可以匹配”a”,“ab”。
  • +: 表达式至少出现1次,相当于 {1,},比如: “a+”可以匹配”a”,“aa”,“aaa”。
  • *: 表达式不出现或出现任意次,相当于 {0,},比如:”ab*“可以匹配 “a”、”ab”、”abb”。

特殊符号

  • ^: 与字符串开始的地方匹配,不匹配任何字符,这里如果使用(?m)模式,则匹配每一行的开始。如:”^aaa”无法匹配 “xxxaaaxxx”,可以匹配”aaaxxx”。
  • $: 与字符串结束的地方匹配,不匹配任何字符,这里如果使用(?m)模式,则匹配每一行的结束。如:”aaa$“无法匹配”xxxaaaxxx”, 可以匹配”xxxaaa”。
  • \b:匹配一个单词边界,也就是单词和空格之间的位置,不匹配任何字符。它与 “^”、”$“ 类似,本身不匹配任何字符,但是它要求它在匹配结果中所处位置的左右两边,其中一边是 ”\w” 范围,另一边是 非”\w” 的范围。。如:”.\b.“匹配”@@abc”的”@a”。

此外,还有一些符号可以影响表达式内部的子表达式之间的关系:

  • |: 左右两边表达式之间”或”关系,匹配左边或者右边。
  • (): 在被修饰匹配次数的时候,括号中的表达式可以作为整体被修饰;取匹配结果的时候,括号中的表达式匹配到的内容可以被单独得到。如:”(a\s*)“匹配”hi, ab ab ab”中的”ab ab ab”。

高级规则

贪婪与非贪婪匹配

在使用修饰匹配次数的特殊符号时,有几种表示方法可以使同一个表达式能够匹配不同的次数,比如:”{m,n}“, ”{m,}“, ”?“, ” “, ”+“,具体匹配的次数随被匹配的字符串而定。这种重复匹配不定次数的表达式在匹配过程中,总是尽可能多的匹配。比如,文本 “axxxaxxxa”,”(a)(\w+)“,其中”\w+“会匹配”xxxaxxxa”,”(a)(\w+)(a)“则会匹配”xxxaxxx”。由此可见,”\w+“ 在匹配的时候,总是尽可能多的匹配符合它规则的字符。虽然第二个举例中,它没有匹配最后一个 “a”,但那也是为了让整个表达式能够匹配成功。同样的,带 ” “ 和 ”{m,n}“ 的表达式都是尽可能地多匹配,带 ”?“ 的表达式在可匹配可不匹配的时候,也是尽可能的 匹配 。这种匹配原则就叫作”贪婪”模式。

非贪婪模式则是指的 在修饰匹配次数的特殊符号后再加上一个 “?” 号 ,可以使匹配次数不定的表达式尽可能少的匹配,使可匹配可不匹配的表达式,尽可能的 不匹配 。这种匹配原则也叫作 “勉强” 模式。如果少匹配就会导致整个表达式匹配失败的时候,与贪婪模式类似,非贪婪模式会最小限度的再匹配一些,以使整个表达式匹配成功。如,文本 “axxxaxxxa” ,”(a)(\w+?)“,其中”\w+“只会匹配一个”x”。

反向引用

表达式在匹配时,表达式引擎会将小括号 “()” 包含的表达式所匹配到的字符串记录下来。在获取匹配结果的时候,小括号包含的表达式所匹配到的字符串可以单独获取。当用某种边界来查找,而所要获取的内容又不包含边界时,必须使用小括号来指定所要的范围。如:”<div>(.*?)</div>“即获取div标签内部的内容。

这里”小括号包含的正则表达式所匹配到的字符串” 不仅仅是在匹配结束后才可以使用,在匹配过程中也可以使用。表达式后边的部分,可以引用前面 “括号内的子匹配已经匹配到的字符串”。引用方法是 ”\“ 加上一个数字。”\1” 引用第1对括号内匹配到的字符串,”\2” 引用第2对括号内匹配到的字符串,以此类推,而如果一对括号内包含另一对括号,则外层的括号先排序号。换句话说,哪一对的左括号 “(” 在前,那这一对就先排序号。

例如:表达式 “(‘|”)(.*?)(\1)“ 在匹配 ” ‘Hello’, “World” “ 时,匹配结果是:成功;匹配到的内容是:” ‘Hello’ “。再次匹配下一个时,可以匹配到 ” “World” “。

预搜索

如前面所讲”^“、”$“、”\b”字符有一个共同点,就是:它们本身不匹配任何字符,只是对 “字符串的两头” 或者 “字符之间的缝隙” 附加了一个条件。同样的,正则中提供了其他基于此原理的机制,来实现预搜素。

  • 正向预搜索:”(?=xxxxx)“,”(?!xxxxx)”

    格式:”(?=xxxxx)“,在被匹配的字符串中,它对所处的 “缝隙” 或者 “两头” 附加的条件是:所在缝隙的右侧,必须能够匹配上xxxxx这部分的表达式,不影响后边的表达式去真正匹配这个缝隙之后的字符。如: “Mac (?=book|air)” 在匹配 “Mac pro, Mac air” 时,将只匹配 “Mac air” 中的 “Mac”。

    格式:”(?!xxxxx)“,所在缝隙的右侧,必须不能匹配 xxxxx 这部分表达式。如:”hello(?!\w)” 在匹配字符串 “hello,helloword”时,匹配 hello”。这里使用 ”(?!\w)“ 和使用 ”\b” 效果一样。

  • 反向预搜索:”(?<=xxxxx)“,”(?<!xxxxx)”

    和正向预搜索类似,反向预搜索要求的条件是:所在缝隙的 “左侧”,两种格式分别要求必须能够匹配和必须不能够匹配指定表达式,而不是去判断右侧。与 “正向预搜索” 一样的是:它们都是对所在缝隙的一种附加条件,本身都不匹配任何字符。

其他通用规则

  • 可以使用 “\xXX” 和 “\uXXXX” 表示一个字符(”X” 表示一个十六进制数)

    • \xXX: 编号在 0-255 范围的字符,如: 空格可以使用 “\x20” 表示
    • \uXXXX: 任何字符可以使用 “\u” 再加上其编号的4位十六进制数表示,比如: “\u4E2D”
  • 在表达式 “\s”,”\d”,”\w”,”\b” 表示特殊意义的同时,对应的大写字母表示相反的意义

    • \S: 匹配所有非空白字符
    • \D: 匹配所有的非数字字符
    • \W: 匹配所有的字母、数字、下划线以外的字符
    • \B: 匹配非单词边界,即左右两边都是 “\w” 范围或者左右两边都不是 “\w” 范围时的字符缝隙
  • 括号”()“内的子表达式,如果希望匹配结果不进行记录供以后使用,可以使用 ”(?:xxxxx)“格式。如:表达式 ”(?:(\w)\1)+“ 匹配 “a bbccdd efg” 时,结果是 “bbccdd”。括号 ”(?:)“ 范围的匹配结果不进行记录,因此 ”(\w)“ 使用 ”\1” 来引用。

  • 常用的表达式属性设置简介:Ignorecase,Singleline,Multiline,Global

    • Ignorecase: 默认情况下,表达式中的字母是要区分大小写的。配置为 Ignorecase 可使匹配时不区分大小写。有的表达式引擎,把 “大小写” 概念延伸至 UNICODE 范围的大小写。
    • Singleline: 默认情况下,小数点 “.” 匹配除了换行符(\n)以外的字符。配置为Singleline可使小数点可匹配包括换行符在内的所有字符。
    • Multiline: 默认情况下,表达式 “^” 和 “$” 只匹配字符串的开始1和结尾4位置。如:

      1xxxxxxxxx2\n 3xxxxxxxxx4

      配置为 Multiline 可以使 “^” 匹配1外,还可以匹配换行符之后,下一行开始前3的位置,”$“ 匹配4外,还可以匹配换行符之前,一行结束2的位置。这里使用(?m)可以设置为Multiline模式。如”(?m)^\n +“。

    • Global: 主要在将表达式用来替换时起作用,配置为Global表示替换所有的匹配。

提示

  • 如果要求表达式所匹配的内容是整个字符串,而不是其中的一部分,可以在表达式的首尾使用 “^” 和 “$”,比如:”^\d+$“ 要求整个字符串只有数字。
  • 如果要求匹配的内容是一个完整的单词,而不会是单词的一部分,那么在表达式首尾使用 “\b”,如: 使用 ”\b(if|while|…)\b” 来匹配程序中的关键字。
  • 表达式不要匹配空字符串。否则会一直得到匹配成功,而结果什么都没有匹配到。
  • 能匹配空字符串的子匹配不要循环无限次。如果括号内的子表达式中的每一部分都可以匹配0次,而这个括号整体又可以匹配无限次,那么匹配过程中可能死循环。
  • “|” 的左右两边,对某个字符应该只有一边可以匹配,以防止”|“两边的表达式因为交换位置而有所不同。
  • .* 与 .*? 的区别是贪婪匹配与非贪婪匹配的区别
  • 合理选择贪婪模式与非贪婪模式

中华万年历技术团队长期求Java研发工程师,给你挑战 亿级用户千万日活APP 开发的机会。感兴趣者可发送简历到 hang@etouch.cn 。要求如下:

详见: https://m.zhipin.com/weijd/v2/job/0cdf0b4c4c3029521nN5392-FFc~

分享给小伙伴们:
本文标签: 正则表达式

相关文章

发表评论愿您的每句评论,都能给大家的生活添色彩,带来共鸣,带来思索,带来快乐。

CopyRight © 2015-2016 QingPingShan.com , All Rights Reserved.

清屏网 版权所有 豫ICP备15026204号