正则表达式五分钟快速复习

Posted 2020-08-05 赛艇队长

项目小版本上线偷得半日闲，刚刚又重新看了一遍正则，这次有空仔细看，完全理解了一遍，收获很大，下面整理一下

1. 总体
   1. 正则其实非常简单，没有太多东西，就只有几个组成部分：表示字符／表示数量／表示位置／其他
   2. 不过确实正则可读性非常差，我觉得首要原因就是组成成分混乱，所以我的技巧是分两步，第一步是断句，第二步是理解，断句非常重要
2. 表示字符
   1. 普通字符
      1. 任意字符（元字符需要转义）（空格也是直接匹配）
   2. 元字符（匹配一类字符）
      1. . －匹配除换行符以外的任意字符
      2. \w －匹配字母或数字或下划线或汉字（word）
      3. \s －匹配任意的空白符（skip）
      4. \d －匹配数字（digit）
   3. 表达式
      1. ［－］反括号能匹配里边的元素，能通过－表示一个范围
      2. 举例
         1. [aeiou]就匹配任何一个英文元音字母
         2. [.?!]匹配标点符号(.或?或!)
         3. [0-9]代表的含意与\d就是完全一致的：一位数字
         4. [a-z0-9A-Z_]也完全等同于\w（如果只考虑英文的话）
3. 表示数量（限定符）
   1. 元字符
      1. ＊ －重复零次或更多次
      2. + －重复一次或更多次
      3. ? －重复零次或一次
   2. 表达式
      1. {n} －重复n次
      2. {n,} －重复n次或更多次
      3. {n,m} －重复n到m次
   3. 贪婪／懒惰
      1. 看着高大上但是很简单的概念，用起来也非常简单，就一个字符
      2. 在限定符后边加一个？就意味着从贪婪匹配变成了懒惰匹配
      3. 当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符
         1. 以这个表达式为例：a.*b，它将会匹配最长的以a开始，以b结束的字符串
         2. 如果用它来搜索aabab的话，它会匹配整个字符串aabab。这被称为贪婪匹配
      4. 有时我们更需要懒惰匹配，也就是匹配尽可能少的字符
         1. 比如 .*? 就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复
4. 表示位置
   1. 都是元字符，没几个
   2. \b －匹配单词的开头或结尾，它的前一个字符和后一个字符不全是（一个是,一个不是或不存在)\w  （begin）
   3. ^ －匹配字符串的开始
   4. $ －匹配字符串的结束
5. 零宽断言
   1. 它跟表示位置有点类似的地方，有人直接认为它就是表示位置的一种方法，但我不这么认为，我认为它不一样的原因是它可以截取字符串
   2. 它本身还有一个特殊属性是，它不会占有匹配位，也就是它不会匹配掉字符，而前面的匹配字符和匹配位置都是会匹配掉字符的（结合表示位置的元字符理解更佳）
   3. 表达式
      1. (?=exp) －匹配exp前面的位置
         1. 断言自身出现的位置的后面能匹配表达式exp。比如\b\w+(?=ing\b)，匹配以ing结尾的单词的前面部分(除了ing以外的部分)
      2. (?<=exp) －匹配exp后面的位置
         1. 断言自身出现的位置的前面能匹配表达式exp。比如(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re以外的部分)
      3. (?!exp) －匹配后面跟的不是exp的位置
         1. 断言此位置的后面不能匹配表达式exp。例如：\d{3}(?!\d)匹配三位数字，而且这三位数字的后面不能是数字
      4. (?<!exp) －匹配前面不是exp的位置
         1. 断言此位置的前面不能匹配表达式exp：(?<![a-z])\d{7}匹配前面不是小写字母的七位数字
6. 其他
   1. 元字符和转义字符
      1. 这块我觉得正则做得不太好，<有意义，但是却不是转义字符，只能通过前后文判断它属于什么情况下，还有空格的表示，虽然不会有语法错误，但都降低了表达式的可读性
      2. 转义字符是反斜杠，它其实有二元的作用，普通字符加反斜杠会成元字符，本身就是元字符的特殊字符加反斜杠表示它本身（表示为普通字符身份）
      3. 这里提三个关于字符的概念：元字符／普通字符／特殊字符
         1. 所有字符分为普通字符（所有大小写英文字母）、特殊字符（符号类的）、数字 和 其他字符（中文／日文什么鬼的根本不管的字符）
         2. 而元字符是从普通字符和特殊字符中挑选出来的字符，特殊字符成为元字符形式上不会有变化，普通字符成为元字符形式上需要加一个反斜杠
      4. 所有元字符统计
         1. （、）、｜、. 、＊、＋、？、^、$、\、｛、｝、／、
         2. 不是元字符的统计
            1. 短横线、减号、<、>、
   2. 反义字符
      1. 这是一整套东西，一整套简单的东西，而且在命令上有规律
      2. 用它的目的是想查找除了数字以外，其它任意字符都行的情况
      3. 默认命令的话就是小写改大写，非默认命令是加^，如下
         1. \W －匹配任意不是字母，数字，下划线，汉字的字符
         2. \S －匹配任意不是空白符的字符
         3. \D －匹配任意非数字的字符
         4. \B －匹配不是单词开头或结束的位置
         5. [^x] －匹配除了x以外的任意字符
         6. [^aeiou] －匹配除了aeiou这几个字母以外的任意字符
   3. 分组
      1. 正则里是使用小括号进行分组的，这里的分组有两个作用
         1. 第一个跟其他地方使用小括号分组是一样的，都是表示运算的优先级，可以把括号内的内容当成一个优先级更高的整体
         2. 第二个是 后向引用
            1. 默认情况下，每个分组会自动拥有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2
            2. 而后边的表达式中可以通过组号引用前面的组内容，比如\1 代表分组1匹配的文本
            3. 也可以自己指定子表达式的组名：(?<Word>\w+)(或者把尖括号换成‘也行：(?‘Word‘\w+))，这样就把\w+的组名指定为Word了，引用这个分组捕获的内容：\k<Word>
            4. 另外(?:exp)匹配exp,不捕获匹配的文本，只是为了不给此分组分配组号
   4. 分支条件
      1. 正则表达式里的分枝条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配
      2. 具体方法是用|把不同的规则分隔开
      3. 分支符号运算顺序最低，但是可以使用小括号来灵活调整范围
   5. 注释
      1. 通过语法(?#comment)来包含注释

参考文献：

http://deerchao.net/tutorials/regex/regex.htm