正则表达式 - 技术栈

正则表达式（Regular Expression，简称regex或regexp）是一种用来描述字符串搜索和匹配模式的工具。它被广泛应用于文本处理、数据解析、字符串匹配等领域，允许用户使用简单或复杂的规则来搜索和操作文本数据。正则表达式被许多编程语言和工具支持，例如Python、JavaScript、Perl、Java、Rust、Go等。在这些语言中，你可以使用正则表达式来完成各种字符串操作任务。

二.正则表达式的用途

正则表达式的常见用途包括：

搜索和查找：在文本中查找特定的模式。例如，在一段文本中查找所有包含日期的行。
验证和匹配：验证文本是否符合特定的规则。例如，验证一个字符串是否是有效的电子邮件地址。
替换和修改：根据匹配的模式替换文本中的内容。例如，将某个特定模式的字符串替换成另一个字符串。

三.发展历史

正则表达式的"祖先"可以一直上溯至对人类神经系统如何工作的早期研究。Warren McCulloch 和 Walter Pitts 这两位神经生理学家研究出一种数学方式来描述这些神经网络。

1951 年, 一位叫 Stephen Kleene 的数学家在 McCulloch 和 Pitts 早期工作的基础上，发表了一篇标题为"神经网事件的表示法"的论文，引入了正则表达式的概念。正则表达式就是用来描述他称为"正则集的代数"的表达式，因此采用"正则表达式"这个术语。

随后，发现可以将这一工作应用于使用 Ken Thompson 的计算搜索算法的一些早期研究，Ken Thompson 是 Unix 的主要发明人。正则表达式的第一个实用应用程序就是 Unix 中的 grep 编辑器。

大致发展历史如下：

1951年：计算理论的奠基人之一，美国计算机科学家Stephen Kleene首次提出了正则语言的概念，并使用形式化的方法来描述这种语言。这为正则表达式的发展奠定了理论基础。
1960年代：Ken Thompson，Unix操作系统的共同创始人之一，开发了第一个实际应用正则表达式的程序，它是Unix中grep命令的一部分。这标志着正则表达式的实际应用。
1970年代：Ken Thompson和Rob Pike开发了第一个正则表达式引擎，在Unix系统中广泛使用，这对正则表达式的普及起到了关键作用。
1986年：Philip Hazel开发了PCRE（Perl Compatible Regular Expressions）库，它是一种正则表达式库，允许在不同编程语言中使用Perl风格的正则表达式。
1997年：IEEE发布了POSIX.2标准，其中包括了正则表达式的标准规范，这使得正则表达式在不同Unix系统中的行为更加一致。
2000年代以后：正则表达式在计算机编程和文本处理中变得越来越流行，支持正则表达式的编程语言和工具变得更加丰富和强大，如Perl、Python、Java、JavaScript等。
当前：正则表达式仍然是文本处理和数据提取的重要工具，它在数据科学、文本分析、网络爬虫、字符串搜索和替换等领域都有广泛的应用。

四.正则表达式------基本格式

正则表达式基本格式如下所示:

bash 复制代码

/pattern/flags

pattern 表示模式，flags 表示修饰符

模式放在斜杠 /之间，斜杠后面添加修饰符，修饰符包含ì，g，m等，修饰符放在斜杠的第二个斜杠后面。

详细介绍:

模式(Pattern):

模式是正则表达式的主体部分，它由各种字符和元字符组成，定义了要匹配的文本式。例如， $a-zA-Z$ + 是一个模式，表示匹配一个或多个字母。

斜杠(/)：

。斜杠用于包围正则表达式的模式，将其限定在两个斜杠之间。例如，/pattern/.

修饰符(Flags)

i :表示不区分大小写匹配。

g :表示全局匹配，即匹配所有而非仅匹配第一个。

m ：表示多行匹配，即^和$可以匹配字符串中每一行的开头和结尾

五.正则表达式 - 修饰符

在正则表达式中，修饰符（又称标志或标记）用于调整正则表达式的行为，提供特定的匹配控制。这些修饰符可以影响正则表达式的全局性、区分大小写、匹配多行等属性。修饰符的语法在不同的编程语言和工具中可能会有所不同。

常见的正则表达式修饰符

以下是一些最常见的修饰符，以及它们的作用：

g（全局匹配）：启用全局匹配，意味着正则表达式将继续搜索整个字符串，而不是仅仅在找到第一个匹配后停止。
i（忽略大小写）：忽略字母的大小写。这意味着正则表达式中的字母不区分大写或小写。
m（多行匹配） ：启用多行匹配，将正则表达式的^和$视为每一行的开始和结束，而不仅仅是整个字符串的开始和结束。
s（单行匹配） ：启用单行模式，使正则表达式中的.匹配包括换行符在内的任何字符。
x（扩展模式）：允许在正则表达式中包含空格和注释，以增加可读性。
u（Unicode模式）：启用对Unicode字符的全面支持，确保正则表达式能够正确处理Unicode字符。
U（非贪婪模式）：将正则表达式中的贪婪量词变为非贪婪模式，意味着它们会尽可能匹配较少的字符。

六.正则表达式-元字符

正则表达式中的元字符（metacharacters）是具有特殊含义的字符，它们用于构建和描述复杂的字符串匹配模式。元字符是正则表达式的核心部分，它们决定了正则表达式的匹配行为和操作方式。

以下是所有主要的元字符及其含义：

基础元字符

.（点）：匹配除换行符外的任何单个字符。在某些环境中（如单行模式），它也可以匹配换行符。
^（插入符号）：匹配字符串的开始。在多行模式下，它也匹配每一行的开头。
$（美元符号）：匹配字符串的结束。在多行模式下，它也匹配每一行的结尾。
*（星号）：匹配前一个字符零次或多次。
+（加号）：匹配前一个字符一次或多次。
?（问号）：匹配前一个字符零次或一次。
|（竖线）：逻辑或，匹配左边或右边的表达式。
()（括号）：用于分组和捕获子表达式，可以用于提取匹配的部分。
[]（方括号） ：用于指定字符集或字符范围。例如，[a-z]匹配小写字母，[0-9]匹配数字。
{}（大括号） ：用于指定匹配次数，例如，{3}表示恰好三次，{1,3}表示一到三次。

转义字符

\（反斜杠） ：用于转义元字符，以便将其视为普通字符。例如：\.用于匹配点，\*用于匹配星号。

边界元字符

\b（单词边界）：匹配单词的边界。
\B（非单词边界）：匹配非单词边界。
**\d：匹配任何数字，相当于[0-9]。
**\D：匹配任何非数字字符。
**\w：匹配字母、数字、下划线，相当于[a-zA-Z0-9_]。
**\W：匹配任何非字母、数字、下划线的字符。
**\s：匹配空白字符，包括空格、制表符、换行符等。
**\S：匹配非空白字符。

贪婪和非贪婪模式

正则表达式的量词默认是贪婪的，它们尝试匹配尽可能多的字符。使用?可以将量词转为非贪婪：

*?：匹配前一个字符零次或多次，但非贪婪。
+?：匹配前一个字符一次或多次，但非贪婪。
??：匹配前一个字符零次或一次，但非贪婪。
{n,m}? ：非贪婪地匹配前一个字符至少n次，最多m次。

七.正则表达式 - 运算符优先级

正则表达式从左到右进行计算，并遵循优先级顺序，这与算术表达式非常类似。

相同优先级的从左到右进行运算，不同优先级的运算先高后低。下表从最高到最低说明了各种正则表达式运算符的优先级顺序：

运算符	描述
\	转义符
(), (?:), (?=), \[\]	圆括号和方括号
*, +, ?, {n}, {n,}, {n,m}	限定符
^, $, \任何元字符、任何字符	定位点和序列（即：位置和顺序）
\|	替换，"或"操作字符具有高于替换运算符的优先级，使得"m\|food"匹配"m"或"food"。若要匹配"mood"或"food"，请使用括号创建子表达式，从而产生"(m\|f)ood"。

以下是一些常见正则表达式运算符按照优先级从高到低的顺序：

转义符号： \ 是用于转义其他特殊字符的转义符号。它具有最高的优先级。

示例：\d、\. 等，其中 \d 匹配数字，\. 匹配点号。
括号： 圆括号 () 用于创建子表达式，具有高于其他运算符的优先级。

示例：(abc)+ 匹配 "abc" 一次或多次。
量词： 量词指定前面的元素可以重复的次数。

示例：a* 匹配零个或多个 "a"。
字符类： 字符类使用方括号 [] 表示，用于匹配括号内的任意字符。

示例：[aeiou] 匹配任何一个元音字母。
断言： 断言是用于检查字符串中特定位置的条件的元素。

示例：^ 表示行的开头，$ 表示行的结尾。
连接： 连接在没有其他运算符的情况下表示字符之间的简单连接。

示例：abc 匹配 "abc"。
管道： 管道符号 | 表示"或"关系，用于在多个模式之间选择一个。

示例：cat|dog 匹配 "cat" 或 "dog"。

八.正则表达式-匹配规则

正则表达式的匹配规则指的是正则表达式如何解释和应用于文本，以确定字符串是否符合给定的模式。理解这些匹配规则对于编写有效的正则表达式至关重要。

1. 字面匹配

正则表达式可以包含字面字符，即直接匹配它们自身的字符。例如，abc 只匹配完全相同的字符串。

2. 特殊字符

正则表达式中的特殊字符具有特定的含义，用于描述复杂的匹配模式。为了匹配特殊字符本身，需要使用转义字符 \ 进行转义。

3. 元字符

正则表达式中具有特殊含义的字符包括：.、*、+、?、^、$、[]、{}、()、| 等。以下是一些常见的元字符及其匹配规则：

. ：匹配任何单个字符，除了换行符。在单行模式下（启用修饰符 s），也可以匹配换行符。
^ 和 $ ：分别匹配字符串的开头和结尾。在多行模式下（启用修饰符 m），它们也匹配每一行的开头和结尾。
*、+、?：分别表示匹配前一个字符零次或多次、一次或多次、零次或一次。
[] ：用于定义字符集或字符范围。[a-z] 匹配从 a 到 z 的任意小写字母。
|：逻辑或，匹配其中一个表达式。
()：用于分组，并可用于捕获匹配的子表达式。

4. 边界匹配

正则表达式可以匹配特定位置或边界：

\b：匹配单词的边界。
\B：匹配非单词边界。
^ 和 $：用于匹配字符串的开头和结尾。

5. 贪婪与非贪婪

正则表达式中的量词默认是贪婪的，这意味着它们会尽可能匹配更多字符。非贪婪匹配会尽可能匹配更少字符，通常通过在量词后面加上 ? 来实现。

*?：非贪婪匹配前一个字符零次或多次。
+?：非贪婪匹配前一个字符一次或多次。
??：非贪婪匹配前一个字符零次或一次。

6. 修饰符

修饰符可以改变正则表达式的匹配规则：

g（全局匹配）：在整个字符串中进行匹配。
i（忽略大小写）：不区分大小写。
m（多行模式） ：让 ^ 和 $ 匹配每一行的开头和结尾。
s（单行模式） ：使 . 匹配包括换行符在内的任何字符。

7. 零宽度匹配

一些正则表达式匹配是零宽度的，即不消耗字符，但指示特定位置或条件。

^、$：匹配字符串的开头和结尾。
\b：匹配单词边界。
\B：匹配非单词边界。

九.示例

bash 复制代码

基本匹配

匹配特定单词
正则表达式：hello
匹配内容：字符串中包含 hello 的部分。
匹配特定模式
正则表达式：abc
匹配内容：字符串中包含 abc 的部分。

重复和量词

匹配任意数量的字符
正则表达式：a.*b
匹配内容：a 和 b 之间可以包含任意数量的字符。
匹配至少一次
正则表达式：a+b
匹配内容：至少一个 a 后面是 b。
匹配零次或多次
正则表达式：ab*
匹配内容：a 后面可以有零次或多次 b。
匹配可选字符
正则表达式：colou?r
匹配内容：color 或 colour。

字符集和范围

匹配一组字符中的任意一个
正则表达式：[aeiou]
匹配内容：任意元音字母。
匹配字符范围
正则表达式：[a-z]
匹配内容：小写字母。
匹配非字符集
正则表达式：[^aeiou]
匹配内容：非元音的字符。

边界匹配

匹配行的开始和结束
正则表达式：^start
匹配内容：以 start 开头的字符串。
正则表达式：end$
匹配内容：以 end 结尾的字符串。
单词边界
正则表达式：\bword\b
匹配内容：整个单词 word。

分组和引用

使用分组
正则表达式：(abc)+
匹配内容：一个或多个 abc。
使用引用
正则表达式：(\d{3})-\1
匹配内容：形式如 123-123 的字符串。

逻辑或

匹配其中之一
正则表达式：dog|cat
匹配内容：dog 或 cat。

贪婪和非贪婪匹配

贪婪匹配
正则表达式：<.*>
匹配内容：包含在 < 和 > 之间的最长字符串。

非贪婪匹配
正则表达式：<.*?>
匹配内容：包含在 < 和 > 之间的最短字符串。