正则表达式

第 1 章 字符组

字符组 就是"一组"字符。在正则表达式中，它表示"在同一个位置可能出现的各种字符"。
写法 ：在一对方括号[和]之间，列出所有可能出现的字符。例如：[abc]、[123]、[#?.]等

1.1 普通字符组

例如：检测字符串中是否存在数字

/[0123456789]/.test('hello123world');

字符组中字符的排列顺序 并不影响字符组的功能，出现重复字符 也不会影响。例如：[0123456789]完全等价于[9876543210]、[998876543210]。

为了代码更容易编写、方便阅读，不推荐在字符组中出现重复字符，而且还应该让字符组中的字符排列更符合认知习惯。为此，正则表达式提供了**-范围表示法(range)**，它更直观，能进一步简化字符组。

所谓"-范围表示法 "，就是用[x-y]的形式，表示 x 到 y 整个范围内的字符。[0123456789]就可以表示为[0-9]。

1.1.1 范围表示法

"-范围表示法 "的范围是如何确定的？为什么要写作[0-9]，而不写作[9-0]?

在字符组中，-表示的范围，一般是根据字符对应的码值(字符在对应编码表中的编码数值)来确定的。码值小的字符在前，码值大的字符在后。在ASCII编码中，字符 0 的码值是48（十进制），字符9的码值是57（十进制）。所以[0-9]等价于[0123456789]。

/[0-9]/.test('2')

在字符组中可以同时并列多个"-范围表示法" 。例如：[0-9a-fA-F]可以匹配数字，大小写形式的a ~ f，它可以用来验证十六进制字符。

1.1.2 转义序列\xnum表示字符

可以使用转义序列\xnum来表示一个字符。其中\x是固定前缀，表示转义序列的开头，num是字符对应的码值，是一个两位的十六进制数值。例如：字符A的码值是41（十进制则为65），所以也可以用\x41表示。

字符组中有时会出现这种表示法，它可以表示一些难以输入或者难以显示的字符，比如\x7f。也可以用来方便地表示某个范围，例如：

• 所有标准ASCII字符对应的字符组：[\x00-\x7f]，匹配码值范围[0,127]。
• 所有扩展ASCII字符对应的字符组：[\x00-\xff]，匹配码值范围[0,255]，可以用来匹配非中文字符。

1.2 元字符与转义

字符组中的横线-并不能匹配横线字符，而是用来表示范围，这类字符叫元字符。

字符组的开方括号[、闭方括号]、横线-、尖角号^都算元字符，在匹配中，有着特殊的意义。但有时候并不需要表示特殊的意义，只需要表示普通字符，此时就必须做特殊处理。

字符组中的-，如果它紧邻着字符组中的开方括号[或闭方括号]，那么它就是普通字符，其他情况下都是元字符。

/[-9]/.test('-'); // true
/[9-]/.test('-'); // true

而对于其他元字符，取消特殊含义的做法都是转义，也就是在正则表达式中的元字符前加上反斜线字符\。

使用RegExp构造器创建正则，转义字符组中的横线-：

new RegExp('[0\\-2]');

仔细观察会发现，在正文里说"在正则表达式中的元字符之前加上反斜线字符\"，而在代码里写的却不是[0\-2]，而是[0\\-2]。因为在这段程序里，正则表达式是以字符串的方式提供的，而字符串本身也有关于转义的规定。上面说的"正则表达式"，是经过"字符串转义处理"之后的字符串的值。因为处理字符串时，反斜线和它之后的字符会被认为是转义序列。因此需要\\ 转义成\。

1.3 排除型字符组

在方括号[...]中列出希望匹配的所有字符，这种字符组可以叫做"普通字符组"。它的确非常方便，但也有些问题是普通字符组不能解决的。比如匹配字符串中是否存在非数字字符，不是数字的字符太多了，全部列出几乎不可能，这时就应当使用排除型字符组。

排除型字符组 非常类似普通字符串[...]，只是在开方括号[之后紧跟一个尖角号^，写作[^...]，表示"在当前位置，匹配一个没有列出的字符"。所以[^0-9]就表示"0 ~ 9之外的字符"，也就是"非数字字符"。

注意：排除型字符组必须匹配一个字符。

// 匹配一个除-、0、9之外的字符
/[^-09]/.test('-');  // false

// 匹配一个除0~9之外的字符
/[^0-9]/.test('a');  // true

在排除型字符组中，^是一个元字符，但只有它紧跟在[之后时才是元字符。如果想表示"这个字符组中可以出现^字符"，不要让它紧挨着[即可，否则就要转义。

/[0^9]/.test('^');   // true

1.4 字符组简记法

用[0-9]、[a-z]等字符组，可以很方便地表示数字字符和小写字母字符。对于这类常用的字符组，正则表达式提供了更简单的记法，这就是字符组简记法。

常见的字符组简记法有\d、\w、\s。

• \d等价于[0-9]，其中的 d 代表"数字（digit）"。
• \w等价于[0-9a-zA-Z_]，其中的 w 代表"单词字符（word）"。
• \s等价于[ \n\r\t\v\f]（第一个字符是空格），其中的 s 代表"空白字符（space）"。空白字符，可以是空格字符、新行换行符\n、回车换行符\r、水平制表符\t、垂直制表符\v、换页符\f。

/\d/.test('2');   // true
/\w/.test('a');   // true
/\w/.test('_');   // true
/\w/.test('2');   // true
/\s/.test(' ');   // true

字符组简记法 可以单独出现，也可以使用在字符组 中。比如[0-9a-zA-Z]可以写成[\da-zA-Z]。 字符组简记法 也可以用在排除型字符组 中，比如[^0-9]可以写成[^\d]。

相对于\d、\w、\s这三个普通字符组简记法，正则表达式也提供了对应排除型字符组的简记法：\D、\W、\S。字母完全一样，只是改为大写。

• \D等价于[^\d]、[^0-9]
• \W等价于[^\w]、[^0-9a-zA-Z_]
• \S等价于[^\s]、[^ \n\r\t\v\f]

// \d 和 \D
/\d/.test('8');   // true
/\d/.test('a');   // false
/\D/.test('8');   // false
/\D/.test('a');   // true

// \w 和 \W
/\w/.test('c');   // true
/\w/.test('!');   // false
/\W/.test('c');   // false
/\W/.test('!');   // true

// \s 和 \S
/\s/.test('\t');   // true
/\s/.test('0');   // false
/\S/.test('\t');   // false
/\S/.test('0');   // true

注意 ：[\s\S]、[\w\W]、[\s\S]能匹配任意字符。

关于字符组简记法，最后需要补充三点：

1. 如果字符组中出现了字符组简记法，最好不要出现单独的-，否则可能会引起错误，比如[\d-a]就很让人困惑。
2. 以上说的\d、\w、\s的匹配规则，都是针对ASCII编码而言的，也叫ASCII匹配规则。而在一些语言中的正则表达式已经支持了Unicode字符。那么数字字符、单词字符、空白字符的范围，已经不仅限于ASCII编码中的字符。

第 2 章 量词

2.1 一般形式

验证中国大陆地区的邮政编码（6位数字构成的字符串），比如201203。

只有同时满足以下两个条件，匹配才成功：

1. 长度是6个字符。
2. 每个字符都是数字。

/^\d\d\d\d\d\d$/.test('201203');   // true

^表示字符串的开头位置，$表示字符的结尾位置。

\d重复了6次，读写都不方便。为此，正则表达式提供了量词 。比如上面匹配邮政编码的表达式，就可以简写为\d{6}，它使用阿拉伯数字，更简洁直观。

/^\d{6}$/.test('201203');   // true

量词	说明
{n}	之前的元素必须出现 n 次
{n,m}	之前的元素最少出现 n 次，最多出现 m 次
{n,}	之前的元素最少出现 n 次，最多无上限（隐式上限 65536）
{0,n}	之前的元素可以不出现，也可以出现，最多出现 n 次

注意 ：量词中的逗号之后不能有空格。 术语：

• 结构：一般指的是正则表达式所提供功能的记法。比如字符组就是一种结构。
• 元素 ：指的是具体的正则表达式中的某个部分，比如某个具体表达式中的字符组[a-z]，可以算作一个元素 。元素 ，也叫"子表达式"。

2.2 常用量词

{n,m}是通用形式的量词，正则表达式还有3个常用量词，分别是+、*、?。它们的形态虽然不同于{n,m}，功能却是相同的（也可以把它们理解为"量词简记法"）。

常用量词	{n,m}等价形式	说明
*	{0,}	可能不出现，也可能出现，出现次数没有上限
+	{1,}	至少出现 1 次，出现次数没有上限
?	{0,1}	至多出现 1 次，也可能不出现

/^https?$/.test('http'); // true
/^https?$/.test('https'); // true

HTML标签匹配，分为开始标签、结束标签、自闭合单标签。例如：<div>就是开始标签，</div>就是结束标签，<br/>就是自闭合单标签。

1. 开始标签：/^<[a-zA-Z]+\d?[^<>]*(?<![/\s])>$/
   • 以<开始，>结束。
   • <后紧跟一个或多个大小写字母，之后可以是0个或1个数字，之后可以是0个或多个除<、>外字符。
   • >前不能是/、空白字符。
2. 结束标签：/^<\/[a-zA-Z]+\d?>$/
   • 以</开始，以>结束。
   • </后紧跟一个或多个大小写字母，之后可以是0个或1个数字。
3. 自闭合单标签：/^<[a-zA-Z]+\d?[^<>]*(?<!\/)\/?>$/
   • 以<开始，以>或/>结束
   • <后紧跟一个或多个大小写字母，之后可以是0个或1个数字，之后可以是0个或多个除<、>外字符。

2.3 .点号

.点号：能匹配除换行符外的任意单个字符。等价于：[^\n\r]。

2.3.1 滥用点号的问题

因为点号能匹配几乎所有的字符，所以实际应用中许多人图省事，随意使用.*或.+，结果却事与愿违，下面以双引号字符串为例来说明。

之前我们使用正则表达式/"[^"]"/来匹配双引号字符串，而"图省事"的做法是/".*"/。通常这么用是没有问题的，但也可能有意外。

'\"quoted string\"'.match(/".*"/g)[0]; // "quoted string"
'"quoted string" and another"'.match(/".*?"/g)[0];  // "quoted string" and another"

用/".*"/匹配双引号字符串，不但可以匹配正常的双引号字符串"quoted string"，还可以匹配格式错误的字符串"quoted string" and another"。这是为什么呢？

在正则表达式/".*"/中，点号.能匹配除换行符外的任意字符，*表示可以匹配的字符串长度没有限制。所以.*在匹配过程结束之前，每遇到一个字符(除换行符外)，.*都可以匹配。但是到底是匹配这个字符，还是忽略它，将其交给之后的"来匹配呢？

具体选择取决于所使用的量词。正则表达式中的量词分为几类，之前介绍的量词都可以归到一类，叫做匹配优先量词 （贪婪量词）。匹配优先量词，就是在拿不准是否要匹配的时候，优先尝试匹配，并且记下这个状态，以备将来"反悔"。

来看表达式/".*"/对字符串"quoted string"的匹配过程。

• 一开始，"匹配"，然后轮到字符q，.*可以匹配它，也可以不匹配。因为使用了匹配优先量词，所以.*先匹配q，并且记录下这个状态"q也可能是.*不应该匹配的"。
• 接下来是字符u，.*可以匹配它，也可以不匹配。因为使用了匹配优先量词，所以.*先匹配u，并且记录下这个状态"u也可能是.*不应该匹配的"。

......

• 现在轮到字符g，.*可以匹配它，也可以不匹配。因为使用了匹配优先量词，所以.*先匹配g，并且记录下这个状态"g也可能是.*不应该匹配的"。
• 最后是末尾的"，.*可以匹配它，也可以不匹配。因为使用了匹配优先量词，所以.*先匹配"，并且记录下状态""也可能是.*不应该匹配的"。

这时候，字符串之后已经没有字符了，但正则表达式中还有"没有匹配。所以只能查询之前保存备用的状态，看看能不能退回几步，照顾"的匹配。查询到最近保存的状态是：""也可能是.*不应该匹配的"。于是让.*"反悔"对"的匹配，把"交给"，测试发现正好能匹配，所以整个匹配宣告成功。这个"反悔"的过程，专业术语叫做回溯。

如果我们把字符串换成"quoted string" and another"，.*会首先匹配第一个双引号之后的所有字符，再进行回溯，表达式中的"匹配了字符串结尾的字符"，整个匹配宣告完成。

如果要准确匹配双引号字符串，就不能图省事使用/".*"/，而要使用"[^"]*"。

2.4 忽略优先量词

有些时候，确实需要用到.*（或者[\s\S]*），比如匹配HTML代码中的Javascript示例就是如此。

// 因为点号.不能匹配换行符，所以必须使用[\s\S](或者[\d\D]、[\w\W])
/<script[\s>][\s\S]*<\/script>/

如果遇到更复杂的情况会出错，比如针对下面这段字符串。

// 假设上面的Javascript字符串保存在变量htmlSource中
htmlsource.match(/<script[\s>][\s\S]*<\/script>/g);

用/<script[\s>][\s\S]*<\/script>/来匹配，会一次性匹配两段Javascript代码，甚至包含之间不是Javascript的代码。

按照匹配原理，[\s\S]*先匹配所有的文本，回溯时交还最后的</script>，整个表达式匹配就成功了，逻辑就是如此，无可改进。这个问题也不能模仿之前双引号字符串匹配，用[^"]匹配<script...>和</script>之间的代码，因为排除型字符组只能排除单个字符，[^</script>]不能表示"不是<script>的字符串"。

换个角度，通过改变[\s\S]*的匹配策略来解决问题：在不确定是否要匹配的场合，先尝试不匹配的选择，测试正则表达式中后面的元素。如果失败，再退回来尝试[\s\S]*匹配，如此就没有问题了。

循着这个思路，正则表达式中还提供了忽略优先量词（或懒惰量词）。如果不确定是否要匹配，忽略优先量词会选择"不匹配"的状态，再尝试表达式中之后的元素。如果尝试失败，再回溯，选择之前保存的"不匹配"的状态。

对于[\s\S]*来说，把*改为*?就是使用了忽略优先量词，*?限定的元素出现次数范围与*完全一样，都表示"可能不出现，也可能出现，出现次数没有上限"。区别在于，在实际匹配过程中，遇到[\s\S]能匹配的字符，先尝试"忽略"，如果后面的元素不能匹配，再尝试"匹配"，这样就保证了结果的正确性。

htmlsource.match(/<script[>\s][\s\S]*?<\/script>/g);

匹配优先量词与忽略优先量词

匹配优先量词	忽略优先量词	限定次数
*	*?	可能不出现，也可能出现，出现次数没有上限
+	+?	至少出现 1 次，出现次数没有上限
?	??	至多出现 1 次，也可能不出现
{n,m}	{n,m}?	出现次数最少为 n 次，至多为 m 次
{n,}	{n,}?	出现次数最少为 n 次，没有上限
{0,n}	{0,n}?	可能不出现，也可能出现，最多出现 n 次

2.4.1 应用：提取代码中C语言注释

C语言的注释有两种：

1. 单行注释，以//开头。
2. 多行注释，以/*开头，以*/结尾。

// 匹配单行注释
/\/\/.*/

// 匹配多行注释
/\/\*[\s\S]*?\*\//

2.4.2 应用：提取网页中的超链接

常见的超链接形似<a href="http://somehost/somepath">text</a>。它是以<a开头，以</a>结束，href属性是超链接的地址。

/<a\s[\s\S]+?<\/a>/

2.4.3 应用：拆解Linux/Unix/MacOS/Windows的路径

Linux/Unix/MacOS 下的文件名类似/usr/local/bin/python这样，它包含两个部分：路径/usr/local/bin/,文件名python。

// 提取路径
/^.*\//

// 提取文件名
/[^/]+$/

Windows 下路径的分隔符是\，比如C:\Program Files\Python 2.7.1\python.exe。

// 提取路径
/^.*\\/

// 提取文件名
/[^\\]+$/

2.5 量词转义

在正则表达式中，+、*、?等作为量词的字符具有特殊意义。但有些情况下，我们需要的就是这些字符本身，，此时就必须使用转义，也就是在它们之前添加反斜线\。

常用量词 所使用的字符+、*、?。如果希望表示这三个字符本身，直接添加反斜线，变为\+、\*、\?即可。

一般形式的量词{n,m} 字符串中，虽然具有特殊含义的字符不止一个，转义时却只需要给第一个{添加反斜线即可。如果希望匹配字符串{n,m}，正则表达式必须写成\{n,m}。

忽略优先量词 字符串中也包含不止一个特殊含义的字符，在转义时却不像一般形式的量词那样，，只转义第一个字符即可，而需要将两个量词全部转义。例如：如果要匹配字符串*?，则正则表达式就必须写成\*\?。

各种量词字符串的转义

量词字符/字符串	转义形式
{n}	{n}
{n,m}	{n,m}
{n,}	{n,}
{0,n}	{0,n}
+	+
*	*
?	?
+?	+?
*?	*?
??	??
{n}?	{n}?
{n,m}?	{n,m}?
{n,}?	{n,}?
{0,n}?	{0,n}?

点号.也是一个元字符，它可以匹配除换行符外的任意字符。如果要匹配点号本身，必须将它转义为\.。

/^\+$/.test('+');    // true
/^\*$/.test('*');    // true
/^\?$/.test('?');    // true
/^\{6}$/.test('{6}');    // true
/^\{6,8}$/.test('{6,8}');    // true
/^\{0,8}$/.test('{0,8}');    // true

/^\{0,8}\?$/.test('{0,8}?');    // true
/^\{6,8}\?$/.test('{6,8}?');    // true
/^\{6}\?$/.test('{6}?');    // true
/^\+\?$/.test('+?');    // true
/^\*\?$/.test('*?');    // true
/^\?\?$/.test('??');    // true
/^\.$/.test('.');    // true

第 3 章 括号

3.1 分组

用正则表达式匹配身份证号码，依靠字符组和量词能不能做到呢？

身份证号码是一个长度值为 15 或 18 个字符的字符串。

• 如果是 15 位，则全部由数字组成，首位不能为0。
• 如果是 18 位，则前 17 位全部是数字，首位同样不能是0，末位可能是数字，也可能是字母x。

// 15 位身份证号码
/^[1-9]\d{14}$/

// 18 位身份证号码
/^[1-9]\d{14}\d{2}[\dx]$/

只要以 15 位身份证号码的匹配为基础，末尾加上可能出现的\d{2}[\dx]即可。最后的\d{2}[\dx]必须作为一个整体，或许不出现（15位号码），或许出现（18位号码）。量词?可以表示"不出现，或者出现 1 次"。

正则表达式\d{2}[\dx]?是不行的，因为量词?只能限定[\dx]的出现，而正则表达式\d{2}?[\dx]?同样不行。

使用括号()，把正则表达式改写为/^[1-9]\d{14}(\d{2}[\dx])?$/。

量词限定之前元素的出现，这个元素可能是一个字符，也可能是一个字符组，还可能是一个表达式。如果把一个表达式用括号包裹起来，这个元素就是括号里的表达式，括号里的表达式通常称为"子表达式"。

括号的这种功能叫做分组 。如果用量词限定出现次数的元素不是字符或字符组，而是连续的几个字符甚至子表达式，就应该用括号将它们"编为一组"。比如，希望字符串ab重复出现一次以上，就应该写作(ab)+，此时(ab)成为一个整体。

有了分组，就可以准确表示"长度只能是m 或 n"。

关于括号的分组功能，最后来看E-mail地址的匹配：E-mail地址以@分隔成两段，@之前的是用户名，之后的是主机名。用户名@主机名

用户名的匹配非常简单，其中能出现的字符主要有大写字母[A-Z]、小写字母[a-z]、阿拉伯数字[0-9]、下划线_、点号.，所以总的字符组就是[A-Za-z0-9_.]，又可以简化为[\w.]。用户名的最大长度是 64 个字符，所以匹配用户名的正则表达式就是[\w.]{1,64}。

主机名匹配的情况则要麻烦一些，简单的情况比如somehost.net，复杂的情况则还包括子域名，比如mail.somehost.net，而且子域名可能不止一级，比如mail.sub.somehost.net。查阅规范可知，主机名被点号分隔成为若干段，叫做域名字段，每个域名字段中能出现的字符是字母字符、数字字符和横线字符，长度必须在1~63之间。

最后的域名字段是顶级域名，之前的部分可以看做某种模式的重复：该模式由域名字段和点号组成，域名字段在前，点号在后。匹配域名字段的表达式是[A-Za-z0-9-]{1,63}，匹配点号的表达式是\.。使用括号的分组功能，把两个表达式分为一组，用量词*限定表示"不出现，或出现多次"，就得到匹配主机名的表达式([A-Za-z0-9-]{1,63}\.)*[A-Za-z0-9-]{1,63}。（顶级域名也是一个域名字段，所以即便主机名是localhost，也可以由最后那个匹配域名字段的表达式匹配）

将匹配用户名的表达式、@符号、匹配主机名的表达式组合起来，就得到了完整的匹配E-mail地址的表达式：

/^[\w.]{1,64}@([A-Za-z0-9-]{1,63}\.)*[A-Za-z0-9-]{1,63}$/

3.2 多选结构

专注于原创短更，便于碎片化涉猎知识。希望我走过的路，留下的痕迹，能对你有所启发和帮助。

转发请注明原处，平台投稿请私信。