JS生物信息学重构&设计模式

正则表达式字符匹配

2022-04-02  本文已影响0人  浅忆_0810

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

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 abc 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 abc 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][az-][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 abc

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 abc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:wword 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:sspace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][^] 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
{m} 等价于 {m,m},表示出现 m
? 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 25 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

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 25 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 p1p2p3 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 goodnice 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 36 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

24小时制为例

要求匹配:

23:59
02:07

分析:

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]

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 ^$,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 0102、…、09101112,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"
上一篇下一篇

猜你喜欢

热点阅读