正则表达式学习

Posted 2021-03-03 leosyn1998

目录

• 定义
• 基本语法
  • 单个字符
    • 例子
  • 数量
    • 例子
  • 位置
    • 例子
• 字符分类
  • 找个电话号码
  • 分类符
    • 例子
    • 匹配所有可能的电话号码
    • []的特殊语法
    • []和()
    • 小结
• 分组捕获
  • 选择分组
  • 例子

定义

正则表达式(Regular Expression)是一种文本模式，包括普通字符（例如，a到z之间的字母）和特殊字符（称为"元字符"）。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。

基本语法

单个字符

• d 匹配一个数字字符。等价于[0-9]。
• 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_]”。
• 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 v]。
• S 匹配任何非空白字符。等价于[^ f v]。
• . 匹配除“ ”之外的任何单个字符。要匹配包括“ ”在内的任何字符，请使用像“(.| )”的模式。

例子

假设有一段话如下：

These are some phone numbers 917-555-1234. Also, you can call me
at 646.555.1234 and of course I‘m always reachable at [phone].

• w 将将匹配任何单词字符，当然，() - 等字符除外
• www 发现匹配的有‘These are some phone numbers ...‘ 注意正则表达式是匹配一个连续串的规则，所以可以看到三个字母的单词可以匹配到，6个单词的也可以匹配到。
• ss 匹配到一行中连续两个空格

数量

• * 匹配前面的子表达式零次或多次。例如，zo*能匹配“z”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“does”或“does”中的“do”。?等价于{0,1}。
• {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。
• {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。

例子

假设有一段话如下：

The colors of the rainbow have many colours
and the rainbow does not  have a single colour.

我们想把所有的“颜色”找出来，即colors colours colour
可用colou?rs?

另外也可以匹配一行中的4个数字，或者一行中的5个字母。如找5个字母组成的单词：

• w{5} 这样可以吗？不行的，看下它匹配的内容,如下:
  These are some phone numbers 915-555-1234...
  的确，我们模板给的很简单，它只找一行中，连续出现5个字母的序列。

• w{5}s 为了能找到单词，所以希望5个字母后，跟一个空格的序列，看下匹配情况：
  These are some phone numbers 915-555-1234...
  可以得出，只有目前这些方法，是做不到的。

位置

• ^ 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“ ”或“ ”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“ ”或“ ”之前的位置。
•  匹配一个单词边界，也就是指单词和空格间的位置。

例子

This is somthing
is about
a blah
words
sequence of words
Hello and
GoodBye and
Go gogo!

来看下各种正则所匹配的内容:

• w+ 这个应该毫无疑问，匹配所有的words
• ^w+ 多了一个^，这样子，就只能匹配到每一行开头的单词了This is a words sequence Hello GoodBye Go
• w+$ 这样就能匹配到每行的最后一个字母

回到刚才的问题：现在想找5个字母组成的单词，是使用单词结界符，答案即w{5}。

字符分类

找个电话号码

找一个刚才出现的电话号123-456-1231：
用以上最基本的正则方法就是 d{3}-d{3}-d{4}，这样就找到了。但是有的时候，电话号码是(212)867-4233的结构怎么办呢？正则表达式中的其他表达方式，下面一一来介绍。

分类符

分类符[]用来表示逻辑关系或，比如[abc]表示a或者b或c，[-.]表示符号-或者.号。
注：在[]中的.号代表的就是这个符号，但是如果在其外面，表示个匹配所有。所以如果不在[]之中，想要匹配‘.‘，就要通过转意符号.来进行匹配。

例子

字符序列：The lynk is quite a link don‘t you think? l nk l(nk
正则表达式： l[yi (]nk
结果：lynk link l nk l(nk

匹配所有可能的电话号码

有以下字段，请匹配所有可能的电话号码：

These are some phone numbers 915-134-3122. Also,
you can call me at 643.123.1333 and of course,
I‘m always reachable at [phone]

一步一步来，刚才我们使用d{3}-d{3}-d{4}匹配了连字符的情况。现在我们可以很轻松的把 . 这种情况加进去了:

• 第一步： d{3}[-.]d{3}[-.]d{4}
• 第二步: 为了能够匹配括号，可以使用?来，因为这是一个option选择。所以最后就成了(?d{3}[-.)]d{3}[-.]d{4}

这里还是要说明，在[]中，特殊字符不需要转义，可以直接使用，比如[.()],但是在外面，是需要转义的( .等。

[]的特殊语法

刚才介绍了最简单和基本的功能，但是有些特殊的地方需要注意：

1. -连接符是第一个字符时：比如[-.]的含义是连字符-或者点符 . 。 但是，如果当连字符不是第一个字符时，比如[a-z]，这就表示是从字母a到字符z。
2. []中的^： ^在之前介绍中，是表示一行开头，但是在[]中，有着不同的含义。[ab] 表示a或者b,[^ab] 啥都行，只要不是a或b(anythings except a and b)，相当于取反。

[]和()

除了使用[]表示或逻辑,()也是可以的。用法是(a|b)表示a或者b。比如下面的例子，匹配所有email：

1. 任何一个以words开头的，一个或更多： w+
2. 紧接着是一个@符号： w+@
3. 接着有一个或者更多的words： w+@w+
4. 接着一个.标点（注意转义）： w+@w+.
5. 接着一个com net 或 edu： w+@w+.(com|net|edu)

这样就可以匹配邮箱了。但是还有一个问题，因为邮箱用户名是可以有.的，比如[e-mail]
其实仍然很简单，修复如下：[w.]+@w+.(com|net|edu)

小结

1. []的作用，用英文表达就是"alternation",表达一个或的逻辑；
2. /[-.(]/ 在符号中的连字符-放在第一位表示连字符本身，如果放在中间，表示"从..到.."，比如[a-z]表示a-z
3. [.)] 括号中的特殊符号不需要转义，就表示其本身
4. [^ab] 括号中的^表示非，anythings except a and b
5. (a|b)也可表示选择，但是它有更强大的功能....

所以，()的强大功能是什么呢？ 分组捕获，这对序列的替换、交换是很有帮助的。后面会提到。

分组捕获

回到之前电话号码的例子,保留区号，并把后面的电话号码变为通用性的：

212-xxx-xxxx
915-xxx-xxxx

• 按照之前的做法d{3}-d{3}-d{4}，这种匹配的方式，是将整个电话号码作为一个组(group)匹配起来。 我们把212-555-1234这样的叫Group0。
• 这个时候，如果我们加了一个括号d{3}-(d{3})-d{4}，那么匹配到的555就叫Group1。
• 以此类推，如果有两个小括号d{3}-(d{3})-(d{4})那么分组就是下面的情况：

212-555-1234   Group0
555            Group1
1234           Group2

选择分组

组已经分好，有两种方法选择已经匹配的分组：

1. 使用$符号，比如$1代表555,$2代表1234
2. 使用，比如1代表555。

现在把212-555-1234变成212-xxx-xxxx，表达式如下：

reg: (?(d{3})[-.)]d{3}[-.]d{4}
replace: $1-xxx-xxxx

例子

1. 现在有一个名单列表，但是姓和名称是反的，需要进行交换：

shiffina, Daniel
shifafl, Daniell
shquer, Danny

实现方法:

reg: (w+),s(w+)
replace: $2 $1

注意：$0 是所有匹配到的，所以第一个加括号的是$1

2. 匹配markdown中的link标签，并替换为html标签：

[google](https://google.com)
[itp](https://itp.nyu.edu)
[Coding Rainbow](https://codingrainbow.com)

此题易错，看到[google]时最易想到的正则表达式是[.*]，但如果第一行变成：

[google](https://google.com),[test]

那么，这一整行都会被匹配。而不能区分[google]和[test]。原因是 . 是贪婪的，会匹配所有能匹配到的，所以当然也包括了 ] ，一直到这一行的最后一个 ] ，它才停止。
所以为了让它能正确匹配，需要去掉这种贪婪的属性。这里用到 ？ 。

 ? 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。

即如[.*?]，就可以将[google]和[test]分开。那么，匹配所有内容用的表达式如下：

reg: [(.*?)]((https.*?))
replace: <a href="$2">$1</a>