必须掌握的正则表达式，快来对对笔记

Posted 2021-05-02 弘博软件教育

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了必须掌握的正则表达式，快来对对笔记相关的知识，希望对你有一定的参考价值。

什么是正则表达式？

正则表达式（或Regex，或Regexp）是使用字符序列描述复杂搜索模式的一种方式。

然而，专门的Regex语法由于其复杂性使得有些表达式变得不可访问。例如，下面的这个基本的正则表达式，它表示24小时制HH / MM格式的时间。

\b([01]?[0-9]|2[0-3]):([0-5]\d)\b

如果你觉得这看上去略显复杂，别担心，当我们完成这个教程时，理解这个表达式将会是小菜一碟。

Learn once, write anywhere

几乎任何编程语言都可以使用Regex。Regex的知识对于验证用户输入，与Unix shell进行交互，在你喜欢的文本编辑器中搜索/重构代码，执行数据库文本搜索等等都非常有用。

在本教程中，我将尝试在各种场景、语言和环境中对Regex的语法和使用进行简明易懂的介绍。

此Web应用程序是我用于构建、测试和调试Regex最喜欢的工具。我强烈推荐大家使用它来测试我们将在本教程中介绍的表达式。

0 – 匹配任何数字行

我们将从一个非常简单的例子开始——匹配任何只包含数字的行。

^[0-9]+$

让我们一点一点的解释吧。

^ ——表示一行的开始。
[0-9] ——匹配0到9之间的数字
+ ——匹配前一个表达式的一个或多个实例。
$ ——表示行尾。

很简单，不是吗？

我们可以用\d替换[0-9]，结果相同（匹配所有数字）。

这个表达式（和一般的正则表达式）的伟大之处在于它无需太多修改，就可以用到任何编程语言中。

为了演示，我们先快速了解如何使用16种最受欢迎的编程语言对文本文件执行此简单的Regex搜索。

我们使用以下输入文件（test.txt）为例。

1234

abcde

12db2

5362

每个脚本都将使用这个正则表达式读取并搜索test.txt文件，并将结果（'1234', '5362', '1'）输出到控制台。

Java语言范例

import java.util.regex.Matcher;import java.util.regex.Pattern;import java.io.IOException;import java.nio.file.Files;import java.nio.file.Paths;import java.util.ArrayList;

class FileRegexExample {

public static void main(String[] args) {

try {

String content = new String(Files.readAllBytes(Paths.get("test.txt")));

Pattern pattern = Pattern.compile("^[0-9]+$", Pattern.MULTILINE);

Matcher matcher = pattern.matcher(content);

ArrayListmatchList = new ArrayList();

while (matcher.find()) {

matchList.add(matcher.group());

}

System.out.println(matchList);

} catch (IOException e) {

e.printStackTrace();

}

1 – 年份匹配

我们来看看另外一个简单的例子——匹配二十或二十一世纪中任何有效的一年。

\b(19|20)\d{2}\b

我们使用\b而不是^和$来开始和结束这个正则表达式。\b表示单词边界，或两个单词之间的空格。这允许我们在文本块（而不是代码行）中匹配年份，这对于搜索如段落文本非常有用。

\b ——字边界
(19|20) ——使用或（|）操作数匹配’19′或’20′。
\d{2}——两位数，与[0-9]{2}相同
\b ——字边界

1.0 – 真实示例 – 计数年份

我们可以在Python脚本中使用此表达式来查找维基百科历史部分的文章中提及20或21世纪内年份的次数。

import reimport urllib.requestimport operator

# Download wiki page

url = "https://en.wikipedia.org/wiki/Diplomatic_history_of_World_War_II"

html = urllib.request.urlopen(url).read()

# Find all mentioned years in the 20th or 21st century

regex = r"\b(?:19|20)\d{2}\b"

matches = re.findall(regex, str(html))

# Form a dict of the number of occurrences of each year

year_counts = dict((year, matches.count(year)) for year in set(matches))

# Print the dict sorted in descending orderfor year in sorted(year_counts, key=year_counts.get, reverse=True):

print(year, year_counts[year])

上述脚本将按照提及的次数依次打印年份。

1941 137

1943 80

1940 76

1945 73

1939 71

...

2 – 匹配时间

现在我们要定义一个正则表达式来匹配24小时格式（MM：HH，如16:59）的任何时间。

\b([01]?[0-9]|2[0-3]):([0-5]\d)\b

\b——字边界
[01]——0或1
?——表示上述模式是可选的。
[0-9]—— 0到9之间的任何数字
|——OR操作数
2[0-3]——2，后面跟0和3之间的任何数字（即20-23）
:——匹配:字符
[0-5]——0到5之间的任何数字
\d——0到9之间的任何数字（与[0-9]相同）
\b ——字边界

你可能已经注意到上述模式中有了新内容—— 我们在括号 ( ... )中封装小时和分钟的捕获片段。这允许我们将模式的每个部分定义为捕获组。

捕获组允许我们单独提取、转换和重新排列每个匹配模式的片段。

2.1 – 真实示例 – 时间分析

例如，在上述24小时模式中，我们定义了两个捕获组—— 时和分。

我们可以轻松地提取这些捕获组。

以下是我们如何使用javascript将24小时制的时间分解成小时和分钟。

const regex = /\b([01]?[0-9]|2[0-3]):([0-5]\d)/const str = `The current time is 16:24`const result = regex.exec(str)console.log(`The current hour is ${result[1]}`)console.log(`The current minute is ${result[2]}`)

第0个捕获组始终是整个匹配表达式。

上述脚本将产生以下输出。

The current hour is 16The current minute is 24

作为额外的训练，你可以尝试修改此脚本，将24小时制转换为12小时制（am/pm）。

3 – 匹配日期

现在我们来匹配一个DAY/MONTH/YEAR样式的日期模式。

\b(0?[1-9]|[12]\d|3[01])([\/\-])(0?[1-9]|1[012])\2(\d{4})

这个有点长，但它看起来与我们上面讲过的有些类似。

(0?[1-9]|[12]\d|3[01])——匹配1到31之间的任何数字（前面的0是可选的）
([\/\-])——匹配分隔符/或-
(0?[1-9]|1[012])—— 匹配1到12之间的数字
\2——匹配第二个捕获组（分隔符）
\d{4}——匹配任意4位数（0000 – 9999）

3.0 – 捕获组替换

通过使用捕获组，我们可以动态地重组和转换我们的字符串输入。

引用捕获组的标准方法是使用$或\符号，以及捕获组的索引（请记住捕获组元素是完整的捕获文本）。

3.1 – 真实示例 – 日期格式转换

假设我们的任务是将使用国际日期格式（DAY/MONTH/YEAR）的文档集合转换为美式（MONTH/DAY/YEAR）日期样式。

我们可以通过替换模式$3$2$1$2$4或\3\2\1\2\4使用上述正则表达式。

让我们分解捕捉组。

$1——第一个捕获组：日期。
$2——第二个捕捉组：分隔符。
$3——第三个捕获组：月份。
$4——第四个捕获组：年份。

以下是我们如何在Javascript中进行这种转换：

const regex = /\b(0?[1-9]|[12]\d|3[01])([ \/\-])(0?[1-9]|1[012])\2(\d{4})/const str = `Today's date is 18/09/2017`const subst = `$3$2$1$2$4`const result = str.replace(regex, subst)console.log(result)

上述脚本将打印Today's date is 09/18/2017到控制台。

同样的脚本在Python中是这样的：

import re

regex = r'\b(0?[1-9]|[12]\d|3[01])([ \/\-])(0?[1-9]|1[012])\2(\d{4})'

test_str = "Today's date is 18/09/2017"

subst = r'\3\2\1\2\4'

result = re.sub(regex, subst, test_str)

print(result)

4 – 电子邮件验证

正则表达式也可用于输入验证。

^[^@\s]+@[^@\s]+\.\w{2,6}$

^——输入开始
[^@\s]——匹配除@和空格\s之外的任何字符
+——1+次数
@——匹配’@'符号
[^@\s]+——匹配除@和空格之外的任何字符，1+次数
\.——匹配’.'字符。
\w{2,6}——匹配任何字符（字母，数字或下划线），2-6次
$——输入结束

假设我们要创建一个简单的Javascript函数以检查输入是否为有效的电子邮件。

const regex = /^[^@\s]+@[^@\s]+\.\w{2,6}$/g;

const result = regex.exec(input)

// If result is null, no match was found

return !!result

}

const tests = [

`test.test@gmail.com`, // Valid

'', // Invalid

`test.test`, // Invalid

'@invalid@test.com', // Invalid

'invalid@@test.com', // Invalid

`gmail.com`, // Invalid

`this is a test@test.com`, // Invalid

`test.test@gmail.comtest.test@gmail.com` // Invalid

]

此脚本的输出应为[ true, false, false, false, false, false, false, false ]。

5 – 匹配网址

另一个非常有用的Regex是在文本中匹配URL。

下面是一个来自Stack Overflow的URL匹配表达式的示例。

(https?:\/\/)(www\.)?(?[-a-zA-Z0-9@:%._\+~#=]{2,256}\.[a-z]{2,6})(? \/[-a-zA-Z0-9@:%_\/+.~#?&=]*)?

(https?:\/\/)——匹配http(s)
(www\.)?——可选的“www”前缀
(?[-a-zA-Z0-9@:%._\+~#=]{2,256}——匹配有效的域名
\.[a-z]{2,6})——匹配域扩展扩展名（即“.com”或“.org”）
(?
\/[-a-zA-Z0-9@:%_\/+.~#?&=]*)?——匹配URL路径（/posts）、查询字符串（?limit=1）和/或文件扩展名（.html），这些都是可选的。

你注意到没有，一些捕获组现在以?标识符开头。这是命名捕获组的语法，可以使得数据提取更加清晰。

5.1 – 真实示例 – 从Web页面上的URL解析域名

以下是我们如何使用命名捕获组来提取使用Python语言的网页中每个URL的域名。

import reimport urllib.request

html = str(urllib.request.urlopen("https://moz.com/top500").read())

regex = r"(https?:\/\/)(www\.)?(?P[-a-zA-Z0-9@:%._\+~#=]{2,256}\.[a-z]{2,6})(?P \/[-a-zA-Z0-9@:%_\/+.~#?&=]*)?"

matches = re.finditer(regex, html)

for match in matches:

print(match.group('domain'))

脚本将打印在原始网页HTML内容中找到的每个域名。

...facebook.comtwitter.comgoogle.comyoutube.comlinkedin.comwordpress.orginstagram.compinterest.comwikipedia.orgwordpress.com

...