浅谈正则表达式(上)

Posted 2021-03-07 gedanke

之前写了一些字符串相关的题，但由于对正则表达式了解甚少，很多题写起来显得有些“冗余”，便开始学正则表达式了，因此分享下自己的学习心得吧

---

正则表达式是什么

正则表达式，又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。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。在很多文本编辑器里，正则表达式通常被用来检索、替换那些匹配某个模式的文本。
通俗的讲就是按照某种规则去匹配符合条件的字符串。

首先，我们来看一个简单的例子吧。
如何判断一个字符串是否为合法的手机号，这里只考虑符合规则的手机号，而不考虑空号情况。
合法的手机号有 11 位 0-9 的数字组成，其中必须以 1 开头，第二位为 3 4 5 7 9 其中一个，后 9 位 (0-9) 数字结尾的 11 位字符串。
先考虑不使用正则表达式来解决这个问题。
我们可以先判断这个字符串是否有11位，在11位的基础上，可以再判断11位的字符串是否为由纯数字组成，在这个基础上，判断第一位是否为1，第二位的情况。
示例如下：

#include <bits/stdc++.h>
using namespace std;
bool isAllNum(string str){
    for(int i=0;i<str.length();i++){
        if(!('0'<=str[i]&&str[i]<='9')){
            return false;
        }
    }
    return true;
}
bool isPhoneNum(string str){
    //以1开头，第二位为3 4 5 7 9其中一个，以9位(0-9)数字结尾
    bool res=false;
    if(str.length()!=11){
        res=false;
    }else{
        //纯数字组成
        if(isAllNum(str)){
            if(str[0]=='1'&&(str[1]=='3'||str[1]=='4'||str[1]=='5'||str[1]=='7'||str[1]=='9')){
                res=true;
            }
        }
    }
    return res;
}
int main(){
    string str;
    cin>>str;
    cout<<"The answer is "<<isPhoneNum(str)<<endl;
    return 0;
}

测试：

1008611
The answer is 0

13553267951
The answer is 1

可以看出一个简单的手机号判断还是有一些些步骤的，那对于复杂一点的问题，可能就需要很多的 if else if 了。
接下来我们一点点地介绍正则表达式，本系列内容参考了微信公众号(前端之巅)的推文。

常用元字符

来自百度百科的定义：
正则表达式语言由两种基本字符类型组成：原义（正常）文本字符和元字符。元字符使正则表达式具有处理能力。所谓元字符就是指那些在正则表达式中具有特殊意义的专用字符，可以用来规定其前导字符（即位于元字符前面的字符）在目标对象中的出现模式。
在正则表达式中，常用的元字符及其作用如下表所示

元字符	解释
.	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
W	匹配不是字母、数字、下划线的字符
d	匹配数字
D	匹配不是数字的字符
s	匹配任意不可见字符, 包括空格、制表符、换行符等
S	匹配任意可见字符
	匹配单词的开始或结束
^	匹配字符串的开始位置
$	匹配字符串的结束位置

有这些常用的元字符，我们可以写一些简单的正则表达式并匹配字符串。
比如，匹配以 Miss 开头的字符串

在 python 中，使用 re 库：

# -*- coding: utf-8 -*-
import re

test_str = input()
# start with "r" means raw string
ptn = r"^Miss"
# ptn = r"Miss"

print(re.search(ptn, test_str))

测试结果：

匹配 10 位的 QQ 账号(也有 8 位的，现在的应该都是 10 位了吧)：

^dddddddddd$

这里稍微注意的地方是，匹配 QQ 账号这里，我们使用了 $ 作为结束，而在之前匹配以 Miss 开头的字符串时没有加 $ ，如果加了，那么只有 Miss 这个字符串才能被正确匹配。

简单匹配手机号(暂时只考虑以 1 开头的 11 位数字)：

^1dddddddddd$

重复限定符

从上面的示例可以看出，元字符很重要，很好用，但重复的情况较多，使用重复限定符就可以更加简介。

语法	解释
*	重复零次或多次，即出现任意次
+	重复一次或更多次，即至少出现一次
?	重复零次或一次，不能出现两次以上
{n}	重复n次
{n,}	重复n次或更多次
{n,m}	重复n到m次

匹配以 Miss 开头的字符串：

^Miss*$

和之前的作用一样
匹配 QQ 号：

^d{10}$

d 重复十次
简单匹配手机号(暂时只考虑以 1 开头的 11 位数字)：

^1d{10}$

匹配以a开头的，0个或多个b结尾的字符串

^ab*$

分组

从重复限定符的例(4)中看到，限定符是作用在与他左边最近的一个字符，那么问题来了，如何限定 ab 呢？
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。
因此当我们要匹配多个 ab 时，我们可以这样。
如：匹配字符串中包含 0 到多个 ab 开头：

^(ab)*$

转义

有时候在我们查找 . ，或者(，或者一些元字符本身的话，会有一些问题，因为这些元字符已经变成别的意思了，所以我们没有办法指定这些元字符。出现这种情况，我们就得使用 ?来取消这些字符的特殊意义。
如要匹配以 (ab) 开头：

^((ab))*$

条件或

对于一开始的手机号匹配，第二位为3 4 5 7 9 其中一个，这里包含了一些并列的条件，也就是“或”，那么在正则中是如何表示“或”的呢？
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。
那么我们就可以用或条件来处理这个问题：
合法的手机号有 11 位 0-9 的数字组成，其中必须以 1 开头，第二位为 3 4 5 7 9 其中一个，后 9 位 (0-9) 数字结尾的 11 位字符串。

^1(3|4|5|7|9)d{9}$

python 版

# -*- coding: utf-8 -*-
import re

test_str = input()
# start with "r" means raw string
ptn = r"^1(3|4|5|7|9)d{9}$"

print(re.search(ptn, test_str))

效果：

区间

正则提供了一个元字符中括号 [] 来表示区间条件，可以进行简化。
限定 0 到 9 可以写成 [0-9]
限定 a-z 写成 [a-z]
限定 A-Z 写成 [A-Z]
限定某些数字 [135]

手机号问题也可以这样写：

^1[34579]d{9}$

再来看一个例子，判断合法的 ip 地址。
先从简单的入手，考虑由4个三位数组成的话，可以这样写：

^(d{1,3}.){3}d{1,3}$

再考虑 ip 地址中每个数字都不能大于255，可以这样写：

^((2[0-4]d|25[0-5]|[01]?dd?).){3}(2[0-4]d|25[0-5]|[01]?dd?)$

需要注意的是，IP 地址里的数字可以包含有前导 0 。而这样的地址，上述式子也是可以匹配的。

本节内容就暂告一段落了，之后将继续更新。