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"