【备忘录】正则表达式

正则表达式

• • 前言
  • 基本匹配规则
  • 元字符
  • 入门级匹配规则
  • • 字符限定
    • • 单一字符限定
      • • 任意字符`.`
        • 包含字符集`\[\]`
        • 排除字符集`\^`
      • 多字符限定
      • • 字符串集`()`
      • 特殊字符限定
      • 重复次数限定
      • • 出现次数不确定`*`
        • 至少出现1次`+`
        • 出现1次或者不出现`?`
        • 出现频次范围限定`{}`
      • 位置限定
      • 规则组合
    • 简写字符集
  • 高级匹配规则
  • • 零宽度断言（前后预查）
    • • 正先行断言
      • 负先行断言
      • 正后发断言
      • 负后发断言
  • 标志
  • • 忽略大小写 (Case Insensitive)
    • 全局搜索 (Global search)
    • • 多行修饰符 (Multiline)
  • 贪婪匹配与惰性匹配 (Greedy vs lazy matching)

前言

看了好几年的正则表达式PDF文件怎么也找不到，在网上找了相关的内容，内容基本一致，几乎覆盖正则表达式所有的情况，该文做留档作用，文章内容复刻： https://www.cnblogs.com/gshang/p/16369326.html

正则表达式是一种高级的字符串匹配表达式，英文名为 "Regular expression"，简写成 "regex" 或 "regexp"。它可以从一个基础字符串中根据一定的匹配模式替换文本中的字符串、验证表单、提取字符串等等。

基本匹配规则

我们平常使用的 CTRL + F 就是这种最基本的匹配规则，即输入一些字符，就会在字符串中找到与输入字符一样的那些字符。在正则表达式中，支持这种基本匹配，并且它对字符大小写是敏感的。

例如：

the

The fat cat sat on the mat.
The
The fat cat sat on the mat.

元字符

为了实现更灵活的匹配，我们需要定义哪些字符需要被匹配或者不被匹配，它们在字符串中出现了几次，在哪里出现（句首或句尾）。为了实现这些规则的定义，正则表达式挑选了以下字符用来描述匹配规则，称之为"元字符"。具体描述见下表。

元字符	描述
.	匹配除了换行符的所有单个字符。
[xyz]	匹配方括号内的任意单个字符。
[^]	匹配除了方括号里的任意单个字符
*	匹配>=0个重复的在*号之前的字符。
+	匹配>=1个重复的+号前的字符。
?	标记?之前的字符为可选.
{n,m}	匹配 num 个大括号之前的字符或字符集 (n <= num <= m).
(xyz)	字符集，匹配与 xyz 完全相等的字符串.
`	`
\	转义字符,用于匹配一些保留的字符 ` [ ] ( ) { } . * + ? ^ $ \
^	从开始行开始匹配.
$	从末端开始匹配.

入门级匹配规则

有了元字符定义匹配规则，就可以对字符、重复次数、位置等进行限制，匹配到想要的字符内容。

字符限定

单一字符限定

任意字符.

. 匹配任意单个字符，但不匹配换行符。例如：

.ar

The car parked in the garage.

包含字符集[]

字符集也叫做字符类。方括号\[\]用来指定一个字符集。在方括号中使用连字符-来指定字符集的范围。在方括号中的字符集不关心顺序。例如

Tthe
The car parked in the garage.

方括号的句号就表示句号。

ar.

A garage is a good place to park a car.

排除字符集[^]

当我们希望匹配的字符集中不能包括一些指定的字符时，可用 ^ 进行限定。一般来说 ^ 表示一个字符串的开头，但它用在一个方括号的开头的时候，它表示这个字符集是否定的。例如匹配一个后面跟着ar的除了c的任意字符。

\^car

The car parked in the garage.

多字符限定

字符串集()

有时候要匹配的字符可能包括一个前缀，或者几个有规律的前缀，可以用()将其包裹起来。例如

(c|g|p)ar

The car is parked in the garage.

特殊字符限定

在正则表达式中，以下字符被用于描述表达式：

{ } / \ + * . $ ^ | ?

所以在匹配这些字符时，需要进行转义，一般在其前面加上反斜杠 \ 即可。例如

(f|c|m)at.?

The fat cat sat on the mat.

重复次数限定

后面跟着元字符 +，* or ? 的，用来指定匹配子模式的次数。这些元字符在不同的情况下有着不同的意思。

出现次数不确定*

* 号匹配 在 * 之前的字符出现 大于等于0 次。即所匹配的字符出现次数不确定。

例如，表达式 a* 匹配 0 或更多个以 a 开头的字符。表达式 [a-z]* 匹配一个行中所有以小写字母开头的字符串。

a-z*

The car parked in the garage.

* 字符和 . 字符搭配可以匹配所有的字符 .*。
* 和表示匹配空格的符号 \s 连起来用，如表达式\s*cat\s* 匹配 0 或更多个空格开头和 0 或更多个空格结尾的 cat 字符串。

\scat\s

The fat cat sat on the concatenation.

至少出现1次+

+号匹配+号之前的字符出现 >=1 次。

例如表达式c.+t 匹配以首字母c开头以t结尾，中间跟着至少一个字符的字符串。

c.+t

The fat cat sat on the mat.

出现1次或者不出现?

在正则表达式中元字符 ? 标记在符号前面的字符为可选，即出现 0 或 1 次。

例如，表达式 [T]?he 匹配字符串 he 和The。

The
The car is parked in the garage.
T?he
The car is parked in the garage.

出现频次范围限定{}

在正则表达式中 {} 是一个量词，常用来限定一个或一组字符可以重复出现的次数。

例如， 表达式 [0-9]{2,3} 匹配最少 2 位最多 3 位 0~9 的数字。

0-9{2,3}

The number was 9.9997 but we rounded it off to 10.0.

我们可以省略第二个参数。

例如，[0-9]{2,} 匹配至少两位 0~9 的数字。

0-9{2,}

The number was 9.9997 but we rounded it off to 10.0.

如果逗号也省略掉则表示重复固定的次数。

例如，[0-9]{3} 匹配3位数字

0-9{3}

The number was 9.9997 but we rounded it off to 10.0.

位置限定

字符在字符串中的位置无非三种：句首、句中、句尾。前面所提到的匹配均指的句中，匹配句首需要使用 ^ ,匹配句尾则需要使用 $ 。

例如，在 abc 中使用表达式 ^a 会得到结果 a。但如果使用 ^b 将匹配不到任何结果。因为在字符串 abc 中并不是以 b 开头。

例如，^(T|t)he 匹配以 The 或 the 开头的字符串。

(T|t)he
The car is parked in the garage.
^(T|t)he
The car is parked in the garage.

同理于 ^ 号，$ 号用来匹配字符是否是最后一个。

例如，(at\.)$ 匹配以 at. 结尾的字符串。

(at.)

The fat cat. sat. on the mat.
(at.)$

The fat cat. sat. on the mat.

规则组合

当要匹配的内容较多，满足不同的规律时，可以考虑使用或运算符 | 进行限定。例如

(T|t)he|car
The car is parked in the garage.

简写字符集

正则表达式提供一些常用的字符集简写。如下:

简写	描述
.	除换行符外的所有字符
\w	匹配所有字母数字，等同于 [a-zA-Z0-9_]
\w	匹配所有非字母数字，即符号，等同于： [^\w]
\d	匹配数字： [0-9]
\D	匹配非数字： [^\d]
\s	匹配所有空格字符，等同于： [\t\n\f\r\p{Z}]
\S	匹配所有非空格字符： [^\s]
\f	匹配一个换页符
\n	匹配一个换行符
\r	匹配一个回车符
\t	匹配一个制表符
\v	匹配一个垂直制表符
\p	匹配 CR/LF（等同于 \r\n），用来匹配 DOS 行终止符

高级匹配规则

零宽度断言（前后预查）

先行断言和后发断言（合称 lookaround）都属于非捕获组（用于匹配模式，但不包括在匹配列表中）。当我们需要一个模式的前面或后面有另一个特定的模式时，就可以使用它们。

例如，我们希望从下面的输入字符串 $4.44 和$10.88 中获得所有以 字符开头的数字，我们将使用以下的正则表达式 `(?<=\$)[0-9\.]*`。意思是：获取所有包含 . 并且前面是 `` 的数字。

零宽度断言如下：

符号	描述
?=	正先行断言-存在
?!	负先行断言-排除
?<=	正后发断言-存在
?<!	负后发断言-排除

正先行断言

?=... 正先行断言，表示第一部分表达式之后必须跟着 ?=...定义的表达式。

返回结果只包含满足匹配条件的第一部分表达式。

定义一个正先行断言要使用 ()。在括号内部使用一个问号和等号： (?=...)。

正先行断言的内容写在括号中的等号后面。

例如，表达式 (T|t)he(?=\sfat) 匹配 The 和 the，在括号中我们又定义了正先行断言 (?=\sfat) ，即 The 和 the 后面紧跟着 (空格)fat。

(T|t)he(?=\sfat)
The fat cat sat on the mat.

负先行断言

负先行断言 ?! 用于筛选所有匹配结果，筛选条件为 其后不跟随着断言中定义的格式。
正先行断言 定义和 负先行断言 一样，区别就是 = 替换成 ! 也就是 (?!...)。

表达式 (T|t)he(?!\sfat) 匹配 The 和 the，且其后不跟着 (空格)fat。

(T|t)he(?!\sfat)

The fat cat sat on the mat.

正后发断言

正后发断言 记作(?<=...) 用于筛选所有匹配结果，筛选条件为 其前跟随着断言中定义的格式。

例如，表达式 (?<=(T|t)he\s)(fat|mat) 匹配 fat 和 mat，且其前跟着 The 或the。

(?<=(T|t)he\s)(fat|mat)

The fat cat sat on the mat.

负后发断言

负后发断言 记作 (?<!...) 用于筛选所有匹配结果，筛选条件为 其前不跟随着断言中定义的格式。

例如，表达式 (?<!(T|t)he\s)(cat) 匹配 cat，且其前不跟着 The 或 the。

(?<!(T|t)he\s)(cat)

The cat sat on cat.

标志

标志	描述
i	忽略大小写。
g	全局搜索。
g	多行修饰符：锚点元字符 ^ $ 工作范围在每行的起始。

忽略大小写 (Case Insensitive)

修饰语 i 用于忽略大小写。

例如，表达式 /The/gi 表示在全局搜索 The，在后面的 i 将其条件修改为忽略大小写，则变成搜索 the 和 The，g 表示全局搜索。

The
The fat cat sat on the mat.
/The/gi
The fat cat sat on the mat.

全局搜索 (Global search)

修饰符 g 常用于执行一个全局搜索匹配，即（不仅仅返回第一个匹配的，而是返回全部）。

例如，表达式 /.(at)/g 表示搜索 任意字符（除了换行）+ at，并返回全部结果。

/.(at)/

The fat cat sat on the mat.
/.(at)/g

The fat cat sat on the mat.

多行修饰符 (Multiline)

多行修饰符 m 常用于执行一个多行匹配。

像之前介绍的 (^,$) 用于检查格式是否是在待检测字符串的开头或结尾。但我们如果想要它在每行的开头和结尾生效，我们需要用到多行修饰符 m。

例如，表达式 /at(.)?$/gm 表示小写字符 a 后跟小写字符 t ，末尾可选除换行符外任意字符。根据 m 修饰符，现在表达式匹配每行的结尾。

/.at(.)?$/

The fat

cat sat

on the mat.
/.at(.)?$/gm

The fat

cat sat

on the mat.

贪婪匹配与惰性匹配 (Greedy vs lazy matching)

正则表达式默认采用贪婪匹配模式，在该模式下意味着会匹配尽可能长的子串。我们可以使用 ? 将贪婪匹配模式转化为惰性匹配模式。

/(.*at)/
The fat cat sat on the mat.
/(.*?at)/
The fat cat sat on the mat.

参考：

https://www.cnblogs.com/gshang/p/16369326.html