如何教你看懂复杂的正则表达式

Posted 2020-09-07 随风

【前言】

1.此文针对，正则表达式的初学者，老鸟请飘过。

正则表达式的初学者，常遇到的情况是，对于相对复杂一点的正则表达式，觉得很难理解，很难看懂。

2.此文目的，之前你看不懂，看了此教程后，就基本掌握了，看懂复杂正则表达式的思路。

这样就可以通过自己的能力，一点点把复杂的正则表达式，一点点拆分，一点点分析，知道完全理解。

3.在看此文之前，肯定需要你本身对于正则表达式，已经有了一些基本的基础，

比如知道点’.’表示任意字符，星号’*’表示0或多个之类的含义，这样才有看此文的基础。

 

关于正则表达式方面的教程和资料，需要的可以去看我整理的一些资料：

正则表达式学习心得

【教程】详解Python正则表达式

【总结】关于（C#和Python中的）正则表达式

java中的正则表达式：java.util.regex

 

【如何看懂复杂的正则表达式】

基本思路：拆分->各个击破

解释：

先将一个，很长的，很复杂的正则表达式，从左向右，一点点读取，分析，一点找到某部分的内容，是一个逻辑概念上的独立的一块，就暂时拆分出来，如此，一点点把复杂的正则表达式，拆分成很多个逻辑上独立的小块，

然后针对每个小块的表达式，再去分析其含义

每个小块的正则表达式都搞懂后

把和所有的含义，合并出一个整体的含义

最后就可以实现，用人类的语言，把对应的复杂的正则表达式，一点点解释出来了，即：

把，之前看不懂的，复杂的正则表达式，翻译成，人类可以看懂读懂的语言（至少先让你自己读懂看懂）

 

在举例分析之前，需要知道一些前提：

1.任何复杂的正则表达式，都是由写正则表达式的人，从简单到复杂一点点写出来的。

所以，理论上，如何读懂复杂的正则表达式，也就是一个反向解析的过程，即将复杂的拆分成多个简单的，功能上，逻辑是独立的子表达式，然后再去分析其含义，最终再合并出来整体的，复杂的含义。

2.正则表达式，即使各种语言的正则表达式的库函数，去解析的时候，也是从左到右，一点点分析，一点点拆分，将复杂的差分成多个子表达式，以实现，计算机语言内部，去理解此表达式的。

此处，只是通过人类的方式，手动从左到右，一点点分析而已，也算是和计算机语言识别正则的类似的过程。

3.虽然正则表达式，不同的语言，具体的写法，有些略微的差别，但是本质上的，绝大部分的正则表达式的写法，都是基本类似的。

 

【举例说明，如何实现拆分复杂的正则表达式】

举例：

/^[A-Z]:\\{1,2}[^/:\*\?<>\|]+\.(jpg|gif|png|bmp)$/i正则表达式表示什么意思？

首先，对于拿到这个，看似很繁琐的字符串：

/^[A-Z]:\\{1,2}[^/:\*\?<>\|]+\.(jpg|gif|png|bmp)$/i

作为，相对比你熟悉正则的我，一看就知道，是php或Perl一类的语言中的正则表达式，因为这里是：

/xxx/i

的格式，其中xxx表示真正的正则表达式本身，而后面的i表示ignoreCase，即忽略大小写的意思。

而如果你只是熟悉其他如Python等语言的正则表达式，则此处无需太关心那两个斜杠，可以将其理解为，类似于Python中的这样的写法：

re.match("xxx", re.I)

其中的xxx，是此处真正的正则表达式：

^[A-Z]:\\{1,2}[^/:\*\?<>\|]+\.(jpg|gif|png|bmp)$

而re.I即re.IGNORECASE,表示忽略大小写的意思。

 

接下来，就来分析此处的xxx，即：

^[A-Z]:\\{1,2}[^/:\*\?<>\|]+\.(jpg|gif|png|bmp)$

的完整的含义：

对于我来说，看到此正则表达式：

^[A-Z]:\\{1,2}[^/:\*\?<>\|]+\.(jpg|gif|png|bmp)$

后，我可以直接将其，按照之前所介绍的方法，直接拆分出对应，几个子表达式，其中每个子表达式，相对来说，是逻辑上独立的，或者是没关系，关系不大的各个小的正则表达式。

先说拆分的结果如下：

1	^
2	[A-Z]
3	:
4	\\{1,2}
5	[^/:\*\?<>\|]+
6	\.
7	(jpg|gif|png|bmp)
8	$

 

但是，作为读者的你，肯定看了会说，我怎么才能，像我这里一样，一次性就看出，如何将上述复杂的正则表达式，一下次分出这8部分，即（将上面那个复杂的正则表达式）大卸八块呢？^_^

那么此处，就来介绍一下，基本的思路，或者说，我是怎么实现此过程的：

【如何拆分正则表达式： ^[A-Z]:\\{1,2}[^/:\*\?<>\|]+\.(jpg|gif|png|bmp)$】

首先，看到这么一堆的复杂的字符，其实我也不可能立刻实现，全部拆分出来。

我也是一点点，像之前介绍的方法和思路一样，是从左到右，一点点去，识别，区分，然后一点点分出来这么多个子表达式，子部分的：

 

1.比如，首先，我从左往右看的话，第一个看到的是’^’，对此，对于有了正则表达式最最基础的你，应该知道，这个是匹配字符串的开始的；

而很明显，对于’^’，此处，一般不会，此处也没有后面有啥限定符，即没有和其他字符，去搭配使用。

所以，此’^’，就是我们所拆分出来的，第一个，相对逻辑上独立的，子正则表达式，所以就可以写出第一个小子表达式了：

1

^

 

2.然后接着来分析，接下来是左中括号‘[‘，而对于左中括号，还是那句话，作为已有正则表达式的基础的你，知道其，一般来说都是和另外一个右中括号’]’去搭配使用，并且左右中括号里面，也会有一些字符，以表示中括号内的字符，所组成的集合，即类似于[xxx]的形式，对此，接着往后看，可以说，此处还是很简单的，就看到了后面还有’A-Z]’，正好和‘[‘组成了‘[A-Z]’，正好符合我们所理解和期望的[xxx]的形式。

而此处，很明显，就是A-Z，对应着正则表达式的语法，在中括号内，可以通过短横线链接起始字符，表示一段范围内的字符，此处即通过A-Z表示，A，B，C，。。。，X，Y，Z，这26个大写字母。

所以，此处，看似，也就很清楚了，觉得第二个子正则表达式，就是[A-Z]了。

而作为比你经验稍多的我，要告诉你，其实你此处这样的想法，是严谨的，因为，对于，中括号内部表示字符集合，[xxx]的写法，往往后面还会跟着一些限定符，去表示此集合字符的个数方面的限定，比如加号’+’表示去匹配，往后数，尽可能多个，比如表示最少2个，最多5个的‘{2,5}’等等。

而此处呢，算是巧了，后面实际上，是没有这类限定符的，因为我们看到了，后面只有冒号’:’，而冒号，此处，正如按照正常逻辑所理解的一样，就是表示匹配冒号字符’:’本身而已。

所以，此处，由于巧了，后面没有字符个数方面的限定符，所以，第二个子正则表达式，正好就是[A-Z]本身而已，所以，接着写出，我们已经拆分出来的，共两个子正则表达式了：

1	^
2	[A-Z]

 

3.上面已经分析了，此处后面跟着的字符，是冒号这个字符’:’，同理，由于后面没有看到其他的加号’+’之类的限定符，所以此处，冒号本身，就是表示一个完整的子正则表达式，去匹配单个的冒号了。

所以，此处第三个，子正则表达式也就是此冒号字符本身了。所以，现在共拆分出来三个子正则表达式了：

1	^
2	[A-Z]
3	:

 

4.可以看到，冒号后面是个反斜杠’\’，而看到反斜杠，作为已了解正则表达式的语法的你，应该知道，正则表达式中，会有很多’\x’其中x是某个字母的形式，而不同的字符，组合出来的，表示不同的各种含义，比如常见的\d表示数字0-9等等。

而此处，看到的是反斜杠后面’\’后面，又跟了个反斜杠’\’，对此，根据正则表达式的语法，则是表示反斜杠这个字符本身，就是想要去匹配一段字符串中，是否有反斜杠这个字符本身。

然后接着往后看，是{1,2}，很明显，是之前已提到多次的，限定符，作用是，限制（前面的字符的）个数是，至少1个，最多2个。所以此处就是去限定前面的，反斜杠字符本身，所以加起来，就是\\{1,2}，而对应的含义也就是

去匹配，至少一个反斜杠，最多2个反斜杠。

所以，目前已拆分出共4个子表达式了：

1	^
2	[A-Z]
3	:
4	\\{1,2}

 

5.再往后面分析，是左中括号‘[‘，根据正则表达式的语法，和前面已经讨论过一次中括号的用法，我们可以知道，后面一定还有一个右中括号，所以，把左右中括号，以及中间内容，都一起写出来，就是：

[^/:\*\?<>\|]

但是，对于中括号中间的这么一堆字符：

^/:\*\?<>\|

至少看起来，也还是比较复杂的。

再但是呢，对于已经了解正则表达式语法的你，应该知道，中括号内，表示取反的写法是，对应的字符或字符集，在其前面，添加上那个特殊字符，向上的箭头，此处叫做插入字符’^’，表示针对某个，或某些字符，取反的意思，即匹配除了这些字符之外的那些字符。

而此处，就是对应的

对于

/:\*\?<>\|

前面加上个插入符号’^’，变成：

^/:\*\?<>\|

表示，匹配，除了 字符组合：

/:\*\?<>\|

之外的字符。

而此处的字符组合：

/:\*\?<>\|

其实就是一堆的字符，一点点写出来的，其详细含义，我们后续再分析。

 

此处还没完，因为此处的[^xxx]的形式之后，还有个加号’+’，对应含义也很明确，就是前面那种字符，即除了/:\*\?<>\|之外的字符，的个数，此处通过加号去限定为，至少是1个，可以更多个，即>=1的个数。

所以，算是[^xxx]+的形式了，其中xxx是/:\*\?<>\|

 

因此，此处已经共分析出5个子表达式了：

1	^
2	[A-Z]
3	:
4	\\{1,2}
5	[^/:\*\?<>\|]+

 

6.再往后看，就是一个反斜杠’\’加上一个点’.’，即’\.’，其表示点字符本身，这点你也应该在学习正则表达式基本语法的时候，有所了解。

此处再多解释一句就是，之所以不直接写点’.’，是因为字符点’.’本身，在正则表达式中，是匹配任意一个单个字符的意思，而想要匹配这样的，在正则表达式中被用于表示的含义的字符的时候，就需要用到反斜杠，反斜杠用来表示所谓的转义。

在正则表达式中，常见的就有：

特殊字符	正则表达式中所代表的特殊含义	想要匹配对应的字符本身的写法
.	任意单个字符	\.
?	限定符，表示0或1个	\?
*	限定符，0或多个	\*
( , )	左右括号联合起来，表示一个group组	\( , \)
[ , ]	左右中括号括起来，表示字符集合	\[ ,  \]

 

因此，此处一共已拆分出6个子正则表达式了：

1	^
2	[A-Z]
3	:
4	\\{1,2}
5	[^/:\*\?<>\|]+
6	\.

 

7.再往后看，后面是一个左括号‘(‘，很明显，此处后面肯定有一个右括号，和此处的左括号联合起来，表示一个组group。

此处，很简单，就可以看出来是

(jpg|gif|png|bmp)

注：更复杂的正则表达式，可能会出现多个group嵌套的情况，即括号内嵌套括号的情况，此时，此种拆分方法仍然有效，还是找到最开始的左括号，此时对于括号层次来说肯定是最外层，所匹配的那个的最外层的右括号，那这一部分拿出来，继续分析即可。如果存在更多曾的括号嵌套括号，仍然是找到对应匹配的括号即可。

而对于此处的group组：

(jpg|gif|png|bmp)

的含义，后面再详细分析。

此时，也已经拆分出来，共7个子表达式了：

1	^
2	[A-Z]
3	:
4	\\{1,2}
5	[^/:\*\?<>\|]+
6	\.
7	(jpg|gif|png|bmp)

 

8.最后，还剩下一个美元符号’$’，表示匹配字符串末尾，这个很好理解。不多解释。

此时，就已经实现了，把上述的一个复杂的正则表达式，拆分成多个逻辑上独立的，共8个，子正则表达式了：

1	^
2	[A-Z]
3	:
4	\\{1,2}
5	[^/:\*\?<>\|]+
6	\.
7	(jpg|gif|png|bmp)
8	$

 

 

看到这里，对于如何从左往右看，一点点根据逻辑组合，去拆分成多个子表达式，的总体方法和思路，应该大概清楚了。

余下的事情，就是自己通过多读多看多学习，去了解别人写的正则表达式，用此套分析方法，去拆分了。

知道了方法，加上尽量多的练习，自然会对正则表达式，越来越熟悉，越来越理解的。

 

此处，对于此正则表达式的分析，还没完。因为还有几个字正则表达式的含义，没有完全分析透彻。

下面先来总结一下，已经知道的，各个子表达式的含义：

子正则表达式序号	子正则表达式内容	子正则表达式的含义	仍需后续分析的部分子表达式
1	^	匹配字符串的开始
2	[A-Z]	匹配单个字符，此单个字符可能是A-Z中的任何一个
3	:	匹配冒号字符’:’本身
4	\\{1,2}	匹配反斜杠字符，最少1个，最多2个
5	[^/:\*\?<>\|]+	匹配除了 /:\*\?<>\| 之外的其他字符，个数上则是尽可能多个	/:\*\?<>\| 的含义
6	\.	匹配字符点’.’本身
7	(jpg|gif|png|bmp)	匹配group，group内部是jpg|gif|png|bmp	jpg|gif|png|bmp 的含义
8	$	匹配正则表达式的末尾

 

很明显，还剩两个我们没有分析，下面就来详细分析解释其含义：

1./:\*\?<>\| 的含义

其实，理论上，对于这样的字符串：

/:\*\?<>\|

其实也是继续将其按照上述方法，去将其拆分为不同的子表达式。

只是由于此处看似复杂，其实还是很简单，所以，直接分析一下，即可看出其含义。就不详细拆分了。

此处，根据字符本身含义，依次是：

/	斜杠字符本身
:	冒号字符本身
\*	星号字符’*’本身
\?	问号字符’?’本身
<	小于号字符‘<‘本身
>	大于号字符’>’本身
\|	竖线字符’|’本身

 

所以，此部分

 

的总体含义就是：

字符，斜杠，冒号，星号，问号，小于号，大于号，竖线，这些字符（集合）

而放到[^xxx]里面，变成：

[^/:\*\?<>\|]

的意思就是

除了字符：

斜杠，冒号，星号，问号，小于号，大于号，竖线

这些字符之外的，其他的任意字符

而再加上之前的加号’+’去限定其个数是最少1个，>=1个，变成：

[^/:\*\?<>\|]+

所表示的意思就很清楚了：

去匹配 尽可能多个字符，这些字符是：

除了字符：

斜杠，冒号，星号，问号，小于号，大于号，竖线

之外的，其他的任意的字符

 

到此，对此

[^/:\*\?<>\|]+

的含义，才算基本明确。

而如果你本身对于windows等操作系统对于文件名或者路径字符的限制有了解的话，你会发现，这基本上就是

我们所常见的，对于你在windows中，问文件或文件夹命名时，其所提示的，不允许你名字中包含这类：

斜杠，冒号，星号，问号，小于号，大于号，竖线

即：

/,:,*,?,<,>,|

 

而此时，如果你稍微会点举一反三/触类旁通的思想的话，就会联想到，此处去匹配的东西，很可能是文件或文件夹的名字方面的东西。

 

2.jpg|gif|png|bmp 的含义

此处的正则表达式，很明显看出就是：

xxx|xxx|xxx

的格式，其中xxx分别是，具有不同可能的字符串，即多个可能性之一

对应的，其所表达的意思是，去匹配：

要么是jpg，要么是gif，要么是png，要么是bmp

（除了这几种可能外，其他的都不匹配）

 

对于这种匹配多种可能性的正则的写法，想要深入了解的话，可以参考教程：

【教程】详解Python正则表达式之： ‘|’ vertical bar 竖杠

 

所以，此时，我们就可以把每部分的内容的含义，都完整分析出来了：

子正则表达式序号	子正则表达式内容	子正则表达式的含义
1	^	匹配字符串的开始
2	[A-Z]	匹配单个字符，此单个字符可能是A-Z中的任何一个
3	:	匹配冒号字符’:’本身
4	\\{1,2}	匹配反斜杠字符，最少1个，最多2个
5	[^/:\*\?<>\|]+	匹配 >=1个，但尽可能多的，除了斜杠，冒号，星号，问号，小于号，大于号，竖线之外的其他的任意字符
6	\.	匹配字符点’.’本身
7	(jpg|gif|png|bmp)	匹配要么是jpg，要么是gif，要么是png，要么是bmp
8	$	匹配正则表达式的末尾

 

所以，把这些各个子正则的含义，连接在一起，就可以用语言表示为：

去匹配一个字符串，

该字符串，开头部分，就一个字母，该字母可能是从A到Z的任何一个字母，

后面跟着一个冒号，

再后面是1个或2个反斜杠，

然后是至少一个，但尽量多的，除了斜杠，冒号，星号，问号，小于号，大于号，竖线之外的其他的任意字符，

然后是字符点，

然后以jpg，gif，png，bmp中的其中一个而结尾

 

而对应的，由于之前还有flag标志，表示忽略大小写，则所匹配的内容，就是上述内容的表述，再加上一个，期间部分大小写，就可以了。

所以，最终所要表述的含义就是：

去匹配一个字符串， 期间字母不分大小写，

该字符串，开头部分，就一个字母，该字母可能是从A到Z的任何一个字母，

后面跟着一个冒号，

再后面是1个或2个反斜杠，

然后是至少一个，但尽量多的，除了斜杠，冒号，星号，问号，小于号，大于号，竖线之外的其他的任意字符，

然后是字符点，

然后以jpg，gif，png，bmp中的其中一个而结尾

 

由此，我们可以随便写出来一个，符合该规则的字符串，比如：

a:\123abc.jpg

a:\\123abc.bmp

a:\\123abcdef.jpg

A:\\123abcdef.jpg

E:\\abc123.png

等等，诸如此类的字符串。

 

此时，已可很明显看出来其用意了，其就是要去匹配：

Windows类系统（如XP，Win7等）中，本地的某个磁盘分区根目录下的某张图片而已。

 

至此，算是完整的，从开始的，无法用肉眼一眼就看出来含义的，那个复杂的，正则表达式，将其一点点拆分，分成多个子表达式，各个击破其子表达式的含义，最终再把每个子表达式的含义合成在一起，再加上对应的flag标志的影响，最终生成了复杂表达式的最终含义，以及，用文字描述出来，最终，领悟和理解，原始的正则表达式，所要表示的含义。

 

通过此分析过程可见，其实再复杂的表达式，也都是可以通过拆分的方法，由繁化简，而逐个击破，了解细节的含义，再整合出宏观上的整体的含义，最终搞懂完整的表达式的含义的。

只是过程，或繁或简，取决于表达式本身的复杂程度，以及你本身所对正则表达式的理解和掌握的程度。

 

【总结】

千言万语总结出几句话：

1. 对于复杂的正则表达式，即使从左往右，一点点分析，拆分出多个子正则表达式，然后各个击破，搞懂其含义，最后再合成一个总体的含义，即可实现，将复杂的正则表达式，翻译成人类可以读懂的含义了。

2.再复杂的正则表达式，花足够的时间去分析，都是能搞懂的。 只不过具体要花多长时间，则因人而异。

3.想要尽快的，准确的理解原正则表达式所要描述的含义，还是要多多练习，最终达到熟能生巧，以至于触类旁通的效果。