正则表达式字符匹配
本文摘抄自
javascript正则表达式迷你书
正则表达式是匹配模式，要么匹配字符，要么匹配位置
本文所用图示化工具： Regulex
1. 两种模糊匹配
1.1 横向模糊匹配
横向模糊指的是，一个正则可匹配的字符串的长度不是固定的，可以是多种情况的
其实现的方式是使用量词。譬如 {m,n}，表示连续出现最少 m次，最多 n 次
var regex = /ab{2,5}c/g;
var string = "abc abbc abbbc abbbbc abbbbbc abbbbbbc";
console.log( string.match(regex) );
// => ["abbc", "abbbc", "abbbbc", "abbbbbc"]
案例中用的正则是
/ab{2,5}c/g，其中g是正则的一个修饰符。表示全局匹配，即在目
标字符串中按顺序找到满足匹配模式的所有子串，强调的是“所有”，而不只是“第一个”
。g是单词global的首字母
1.2 纵向模糊匹配
纵向模糊指的是，一个正则匹配的字符串，具体到某一位字符时，它可以不是某个确定的字符，可以有多种
可能
其实现的方式是使用字符组。譬如 [abc]，表示该字符是可以字符 a、b、c 中的任何一个
var regex = /a[123]b/g;
var string = "a0b a1b a2b a3b a4b";
console.log( string.match(regex) );
// => ["a1b", "a2b", "a3b"]
2. 字符组
需要强调的是，虽叫字符组（字符类），但只是其中一个字符
例如 [abc]，表示匹配一个字符，它可以是 a、b、c 之一
2.1 范围表示法
如果字符组里的字符特别多的话，怎么办？可以使用范围表示法。
比如 [123456abcdefGHIJKLM]，可以写成 [1-6a-fG-M]。用连字符 - 来省略和简写
因为连字符有特殊用途，那么要匹配 a、-、z 这三者中任意一个字符，该怎么做呢？
不能写成 [a-z]，因为其表示小写字符中的任何一个字符
可以写成如下的方式：[-az] 或 [az-] 或 [a\-z]
即要么放在开头，要么放在结尾，要么转义。总之不会让引擎认为是范围表示法就行了
2.2 排除字符组
纵向模糊匹配，还有一种情形就是，某位字符可以是任何东西，但就不能是 a、b、c
此时就是排除字符组（反义字符组）的概念。例如 [^abc]，表示是一个除 a、b、c之外的任意一个字符。字符组的第一位放 ^（脱字符），表示求反的概念。
当然，也有相应的范围表示法
2.3 常见的简写形式
| 字符组 | 具体含义 |
|---|---|
\d |
表示 [0-9]。表示是一位数字记忆方式：其英文是 digit（数字） |
\D |
表示 [^0-9]。表示除数字外的任意字符 |
\w |
表示 [0-9a-zA-Z_]。表示数字、大小写字母和下划线记忆方式： w 是 word 的简写，也称单词字符 |
\W |
表示 [^0-9a-zA-Z_]。非单词字符 |
\s |
表示 [ \t\v\n\r\f]。表示空白符，包括空格、水平制表符、垂直制表符、换行符、回车符、换页符。 记忆方式： s 是 space的首字母，空白符的单词是 white space
|
\S |
表示 [^ \t\v\n\r\f]。 非空白符 |
. |
表示 [^\n\r\u2028\u2029]。通配符，表示几乎任意字符。换行符、回车符、行分隔符和段分隔符除外记忆方式：想想省略号 … 中的每个点，都可以理解成占位符，表示任何类似的东西 |
如果要匹配任意字符怎么办？可以使用 [\d\D]、[\w\W]、[\s\S] 和 [^] 中任何的一个
3. 量词
量词也称重复。掌握 {m,n} 的准确含义后，只需要记住一些简写形式
3.1 简写形式
| 量词 | 具体含义 |
|---|---|
{m,} |
表示至少出现 m 次 |
{m} |
等价于 {m,m}，表示出现 m次 |
? |
等价于 {0,1}，表示出现或者不出现记忆方式：问号的意思表示，有吗 |
+ |
等价于 {1,}，表示出现至少一次记忆方式：加号是追加的意思，得先有一个，然后才考虑追加 |
* |
等价于 {0,}，表示出现任意次，有可能不出现记忆方式：看看天上的星星，可能一颗没有，可能零散有几颗，可能数也数不过来 |
3.2 贪婪匹配与惰性匹配
var regex = /\d{2,5}/g;
var string = "123 1234 12345 123456";
console.log( string.match(regex) );
// => ["123", "1234", "12345", "12345"]
其中正则/\d{2,5}/，表示数字连续出现 2 到 5 次。会匹配 2 位、3 位、4 位、5 位连续数字。
但是其是贪婪的，它会尽可能多的匹配。你能给我 6 个，我就要 5 个。你能给我 3 个，我就要 3 个
反正只要在能力范围内，越多越好
我们知道有时贪婪不是一件好事（请看文章最后一个例子）。而惰性匹配，就是尽可能少的匹配：
var regex = /\d{2,5}?/g;
var string = "123 1234 12345 123456";
console.log( string.match(regex) );
// => ["12", "12", "34", "12", "34", "12", "34", "56"]
其中/\d{2,5}?/ 表示，虽然 2 到 5 次都行，当 2 个就够的时候，就不再往下尝试了
通过在量词后面加个问号就能实现惰性匹配，因此所有惰性匹配情形如下：
| 惰性量词 | 贪婪量词 |
|---|---|
{m,n}? |
{m,n} |
{m,}? |
{m,} |
?? |
? |
+? |
+ |
*? |
* |
对惰性匹配的记忆方式是：量词后面加个问号，问一问你知足了吗，你很贪婪吗？
4. 多选分支
一个模式可以实现横向和纵向模糊匹配。而多选分支可以支持多个子模式任选其一
具体形式如下：(p1|p2|p3)，其中 p1、p2 和 p3 是子模式，用 |（管道符）分隔，表示其中任何之一
例如要匹配字符串 good 和 nice 可以使用 /good|nice/
var regex = /good|nice/g;
var string = "good idea, nice try.";
console.log( string.match(regex) );
// => ["good", "nice"]
但有个事实我们应该注意，比如我用 /good|goodbye/，去匹配 goodbye 字符串时，结果是 good：
var regex = /good|goodbye/g;
var string = "goodbye";
console.log( string.match(regex) );
// => ["good"]
而把正则改成 /goodbye|good/，结果是：
var regex = /goodbye|good/g;
var string = "goodbye";
console.log( string.match(regex) );
// => ["goodbye"]
也就是说，分支结构也是惰性的，即当前面的匹配上了，后面的就不再尝试了
5. 案例分析
匹配字符，无非就是字符组、量词和分支结构的组合使用罢了。
下面找几个例子演练一下（其中，每个正则并不是只有唯一写法）：
5.1 匹配 16 进制颜色值
要求匹配：
#ffbbad
#Fc01DF
#FFF
#ffE
分析：
表示一个 16 进制字符，可以用字符组 [0-9a-fA-F]
其中字符可以出现 3 或 6 次，需要是用量词和分支结构
使用分支结构时，需要注意顺序
正则如下：
var regex = /#([0-9a-fA-F]{6}|[0-9a-fA-F]{3})/g;
var string = "#ffbbad #Fc01DF #FFF #ffE";
console.log( string.match(regex) );
// => ["#ffbbad", "#Fc01DF", "#FFF", "#ffE"]
5.2 匹配时间
以 24小时制为例
要求匹配：
23:59
02:07
分析：
共 4 位数字，第一位数字可以为 [0-2]
当第 1 位为 2 时，第 2 位可以为 [0-3]，其他情况时，第 2 位为 [0-9]
第 3 位数字为 [0-5]，第4位为 [0-9]
正则如下：
var regex = /^([01][0-9]|[2][0-3]):[0-5][0-9]$/;
console.log( regex.test("23:59") );
console.log( regex.test("02:07") );
// => true
// => true
正则中使用了
^和$，分别表示字符串开头和结尾。
如果也要求匹配 7:9，也就是说时分前面的 0 可以省略
此时正则变成：
var regex = /^(0?[0-9]|1[0-9]|2[0-3]):(0?[0-9]|[1-5][0-9])$/;
console.log( regex.test("23:59") );
console.log( regex.test("02:07") );
console.log( regex.test("7:9") );
// => true
// => true
// => true
5.3 匹配日期
比如 yyyy-mm-dd 格式为例
要求匹配：
2017-06-10
分析：
年，四位数字即可，可用 [0-9]{4}
月，共 12个月，分两种情况 01、02、…、09 和 10、11、12，可用 (0[1-9]|1[0-2])
日，最大 31 天，可用 (0[1-9]|[12][0-9]|3[01])
正则如下：
var regex = /^[0-9]{4}-(0[1-9]|1[0-2])-(0[1-9]|[12][0-9]|3[01])$/;
console.log( regex.test("2017-06-10") );
// => true
5.4 window 操作系统文件路径
要求匹配：
F:\study\javascript\regex\regular expression.pdf
F:\study\javascript\regex\
F:\study\javascript
F:\
分析：
整体模式是：
盘符:\文件夹\文件夹\文件夹\
其中匹配 F:\，需要使用 [a-zA-Z]:\\，其中盘符不区分大小写，注意 \ 字符需要转义
文件名或者文件夹名，不能包含一些特殊字符，此时我们需要排除字符组 [^\\:*<>|"?\r\n/] 来表示合法
字符
另外它们的名字不能为空名，至少有一个字符，也就是要使用量词 +。因此匹配 文件夹\，可用
[^\\:*<>|"?\r\n/]+\\
另外 文件夹```，可以出现任意次。也就是 ([^\\:*<>|"?\r\n/]+\\)*。其中括号表示其内部正则是一个整体。具体详细请参考第三章
路径的最后一部分可以是 文件夹，没有 \，因此需要添加 ([^\\:*<>|"?\r\n/]+)?
最后拼接成了一个看起来比较复杂的正则：
var regex = /^[a-zA-Z]:\\([^\\:*<>|"?\r\n/]+\\)*([^\\:*<>|"?\r\n/]+)?$/;
console.log( regex.test("F:\\study\\javascript\\regex\\regular expression.pdf") );
console.log( regex.test("F:\\study\\javascript\\regex\\") );
console.log( regex.test("F:\\study\\javascript") );
console.log( regex.test("F:\\") );
// => true
// => true
// => true
// => true
其中，在JavaScript中字符串要表示字符\ 时，也需要转义
5.5 匹配 id
要求从
<div id="container" class="main"></div>
提取出 id="container"
可能最开始想到的正则是：
var regex = /id=".*"/
var string = '<div id="container" class="main"></div>';
console.log(string.match(regex));
// => id="container" class="main"
因为 . 是通配符，本身就匹配双引号的，而量词 * 又是贪婪的，当遇到 container后面双引号时，是不会停下来，会继续匹配，直到遇到最后一个双引号为止
解决之道，可以使用惰性匹配：
var regex = /id=".*?"/
var string = '<div id="container" class="main"></div>';
console.log(string.match(regex)[0]);
// => id="container"
当然，这样也会有个问题。效率比较低，因为其匹配原理会涉及到“回溯”这个概念（这里也只是顺便提一
下，后面会详细说明）。可以优化如下：
var regex = /id="[^"]*"/
var string = '<div id="container" class="main"></div>';
console.log(string.match(regex)[0]);
// => id="container"
