正则表达式基础

文章目录

• 正则表达式基础
• • 定义
  • 用途
  • 语法规则
  • • 单个字符匹配
    • • 匹配简单字符
      • 转义字符
      • 匹配一类字符
      • 自定义匹配多种字符
    • 多个字符匹配
    • • 抽象意义的特殊符号
      • 表达式内部的子表达式
    • 高级规则
    • • 贪婪匹配
      • 非贪婪匹配
      • 反向引用
      • 预搜索与反向搜索
    • 其他通用规则
  • 最后

定义

• 正则表达式 (Regular Expression) : 描述了一种字符串匹配的模式，可以用来：检查一个串中是否含有符合某个规则的子串，并且可以得到这个子串；根据匹配规则对字符串进行灵活的替换操作。

用途

• 正则表达式的主要应用对象是文本，可以在大多数的文本编辑器中使用。

  • 替换文本。可以使用正则表达式来识别文档中的特定文本，完全删除该文本或者用其他文本替换它。
  • 基于模式匹配从字符串中提取子字符串。可以查找文档内或输入域内特定的文本。

• 很多编程语言都支持使用正则表达式进行字符串操作。

  • 比如：python、Java、JavaScript、Ruby和C# 等编程语言都支持大部分正则表达式的规则。

• 测试字符串内的模式。

  • 比如可以测试输入字符串，查看字符串内是否出现电话号码模式或信用卡号码模式。这也被称作是数据验证¹。

正则表达式的用途十分广泛，不局限于上述的几个例子，还有很多应用场景可以使用正则表达式来达到事半功倍的效果！

语法规则

接下来就用以下模式来举例正则表达式的使用

匹配字符串 $\stackrel{‘正则表达式‘}{\Rightarrow }$ ​​​​​匹配结果

例如 : 匹配字符串 : abcd , 正则表达式为ab , 匹配结果为 : ab 则写成 abcd $\stackrel{ab}{\Rightarrow }$​​ ab

为了方便,举例子统一用e.g. ² 该缩写代替

单个字符匹配

• 字符 : 字母、数字、汉字、下划线、以及没有特殊定义的标点符号，都是字符。表达式中的字符，在匹配一个字符串的时候，匹配与之相同的一个字符。

  • e.g. a, 1, 哈, _, ,, ' 等等

• 字符串 ：有两个及两个以上的字符组成的符号串

  • e.g. abcdef, 你好

• 单个字符匹配的意思是 一个字符对应匹配一个字符
  
  

匹配简单字符

最简单的匹配规则 : 根据正则表达式中的字符进行挨个匹配, 顺序需要一致才能匹配成功

e.g.

• abcdef $\stackrel{cde}{\Rightarrow }$​​​​​​ cde 匹配成功，匹配的位置从2开始,结束于5 (这里的下标统一从0开始, 顾头不顾腚即从下标2开始取值,下标5并不取值)
• cdrf $\stackrel{abc}{\Rightarrow }$ 匹配失败 匹配失败，没有找到对应的子串

转义字符

一些不方便书写的字符,需要使用转义符\来进行转义

• \r : 代表回车
• \n : 代表换行, 也叫换行符
• \t : 代表缩进, 也叫制表符
• \\ : 代表\本身
• \^ : 代表^本身
• \$ : 代表$本身
• \. : 代表. 小数点本身
• \* : 代表*号
• \? : 代表?号

因为有些特殊字符在正则表达式中有特殊的含义, 要匹配那些特殊字符就必须使用转义才能匹配的到

e.g.

• ab^cde$f*t $\stackrel{\backslash \wedge cde}{\Rightarrow }$ ^cde 匹配成功，匹配的位置从2开始,结束于6 (这里的下标统一从0开始, 顾头不顾腚即从下标2开始取值,下标6并不取值)
• cdfff*cc*? $\stackrel{\backslash \ast cc\backslash \ast \backslash ?}{\Rightarrow }$​​ *cc*? 匹配成功，匹配的位置从5开始, 匹配到最后
• 3.1415 $\stackrel{3\backslash .14}{\Rightarrow }$ 3.14 匹配成功，匹配的位置从0开始,结束于4
  

匹配一类字符

指将字符按类别进行划分,比如数字类的字符,字母类的字符等等；而匹配一类字符是指匹配该类别字符中的任意一个字符

e.g. \d 可以匹配任意一个数字

• \d : 代表任意一个数字; 0~9中的任意一个数字
• \w : 代表任意一个字母或数字或下划线; 即A~Z, a~z, 0~9, _ 中的任意一个字符
• \s : 代表空格、制表符、换页符和空白字符中的任意一个字符
• . : 代表除了换行符(\n)³ 以外的任意一个字符

e.g.

• asd1314$\stackrel{\backslash d\backslash d}{\Rightarrow }$​ 13 匹配成功，正则表达式的含义是匹配两个数字；匹配的位置从3开始,结束于5

• accc10086d $\stackrel{c.\backslash d}{\Rightarrow }$​ cc1 匹配成功，正则表达式的含义是匹配一个字符c和任意一个除了换行的字符和一个数字；匹配的位置从2开始,结束于5

自定义匹配多种字符

• 使用方括号 [ ] 包含的字符，能够匹配方括号内的任意一个字符。
• 用 [^ ] 包含的字符，则能够匹配除了方括号的字符之外的任意一个字符。
• -可以指定范围, 比如 a-z是指字母a到字母z这段范围

注意 : 只是匹配其中任意一个，而不是多个; 换句话来说就是一个方括号匹配一个字符

e.g. [asdf@ss] 匹配括号内的任意一个字符,大白话就是括号内的字符可以当做一个集合, 只要匹配的字符属于该集合即可匹配成功!

• jcabc$\stackrel{[cj]}{\Rightarrow }$​​​ j 匹配成功，正则表达式的含义是匹配属于方括号内的字符；匹配的位置从0开始,结束于1

• ckiab5@ $\stackrel{[ab2@]}{\Rightarrow }$​​ a 匹配成功，正则表达式的含义是匹配属于方括号内的字符；匹配的位置从3开始,结束于4

• adcjcd $\stackrel{[jdc][kcl]}{\Rightarrow }$​​​​​ dc 匹配成功，正则表达式的含义是匹配属于方括号内的字符；匹配的位置从1开始,结束于2

• abcd $\stackrel{[\wedge abc]}{\Rightarrow }$​​​​​ d **匹配成功，正则表达式的含义是匹配不属于方括号内的字符；匹配的位置从3开始，只匹配一个字符 **

• abDcd $\stackrel{[\wedge A-F0-5]}{\Rightarrow }$​​​​ a 匹配成功，正则表达式的含义是匹配不属于方括号内的字符, 方括号内的含义是匹配除了A到F之间的大写字母, 0到5的数字之外的字符 ；匹配的位置从0开始，只匹配一个字符

• jdkdd $\stackrel{[c-h]}{\Rightarrow }$​​ d 匹配成功，正则表达式的含义是匹配属于方括号内的字符, 方括号内的含义是匹配c到h之间的小写字母的字符 ；匹配的位置从1开始，只匹配一个字符

多个字符匹配

重复的次数放在被修饰的表达式的后面。比如:[abcd][abcd]这是匹配两个字符的正则表达式,可以写成[abcd]{2}，这样当有多个相同规则的表达式时能方便书写！

这种可以多个字符匹配的表达式还有如下几种：

• {n} : 表达式重复n次

  • e.g. 正则表达式 \w{3} 相当于 \w\w\w
  • a{6} 相当于 aaaaaa
  • \s{1}相当于 \s

• {m,n} : 表达式至少重复m次, 最多重复n次

  • e.g. 正则表达式 abc{1,2} 相当于匹配出 abc或abcc
  • 注意 : {}的作用范围是前面的一个字符,而不是前面的所有字符

• {m,} : 表达式至少重复m 次, 没有至多的次数

  • e.g. 正则表达式 a\d{2,} 的含义是匹配有至少有两个数字以上的子串; 可以匹配出的有a12, a111, a1233, a113344, …, a098765... 可以有无数个
  • abc1234dda ⇒ [ b c \ d ] { 2 , } \stackrel{[bc\backslash d]\{2,\}}{\Rightarrow} ⇒[bc\d]{2,}​​​​ bc1234 匹配成功，匹配位置从1开始,结束于7

• ? : 匹配0次或1次,相当于{0,1}

  • e.g. 正则表达式ac? 可以匹配到的有a, ac
  • aabbcc $\stackrel{a[cd]?}{\Rightarrow }$​​ ab 匹配成功，匹配位置从1开始,结束于3

• + : 表达式至少出现1次, 相当于{1,}

  • e.g. 正则表达式 a+c可以匹配出ac, aac, aaac,…
  • aabbcc $\stackrel{a+[cd]?}{\Rightarrow }$​ aab 匹配成功，匹配位置从0开始,结束于3

• * : 表达式可以不出现或者出现任意次数, 相当于{0, }

  • e.g. 正则表达式abc*b 可以匹配出 abb, abcb, abccb, abccccb ,…
  • aabbccd $\stackrel{a[cb]\ast d}{\Rightarrow }$​​​​ abbccd 匹配成功，匹配位置从1开始,匹配到结尾

抽象意义的特殊符号

这些特殊符号并不代表任何一个字符, 主要是做字符串的定位使用, 并不充当任何字符的"角色"

• ^ : 与字符串开始的地方开始匹配, 不匹配任何字符

• $ : 与字符串结束的地方匹配, 不匹配任何字符

• \b : 匹配一个单词边界，也就是单词和空格之间的位置，不匹配任何字符

e.g. 正则表达式 ^aaa 匹配要求从头开始为a

• abcd $\stackrel{\wedge abc}{\Rightarrow }$​​ abc 匹配成功，正则表达式的含义是匹配a在开头的字符；匹配的位置从0开始，结束于3

• cccabcdccc $\stackrel{\wedge abc}{\Rightarrow }$​ 匹配失败, 因为a不在开头

• $$abcd\stackrel{abc\$}{\Rightarrow }匹配失败$$​​​匹配失败, 因为c不在结尾处

• &&&avd $\stackrel{.\backslash b.}{\Rightarrow }$​​​ &a 匹配成功，正则表达式的含义是匹配不同类型的边界字符；匹配的位置从2开始，结束于4
• @@@@1234 $\stackrel{.\backslash b.}{\Rightarrow }$​ @1 匹配成功，正则表达式的含义是正则表达式的含义是匹配不同类型的边界字符；匹配的位置从3开始，结束于5
• yesterday, Friday, day, Sunday $\stackrel{\backslash bday\backslash b}{\Rightarrow }$ day 匹配成功，正则表达式的含义是匹配出只有day的字符串

表达式内部的子表达式

下面的符号会影响表达式内部的子表达式之间的关系

• | : 左右两边表达式之间 “或” 关系，匹配左边或者右边
• () : 这里可以分成两种含义
  • 1. 在被修饰匹配次数的时候，括号中的表达式可以作为整体被修饰; 即可以操作字符串进行次数匹配。而没带括号()只能操作单个字符
    2. 取匹配结果的时候，括号中的表达式匹配到的内容可以被单独得到, 即可以把括号内的多个字符作为字符串进行匹配; 它与中括号[]不同之处在于中括号只匹配一个字符, 而()可以匹配多个字符

e.g. 表达式1 | 表达式2 正则表达式的含义是匹配表达式1匹配表达式2, 只要符合即可匹配

• I am zeny, he is Mike $\stackrel{zeny|Mike}{\Rightarrow }$​​ zeny 匹配成功，位置从5开始到9

• la la la la ha ha ha ha $\stackrel{(ha\backslash s\ast )+}{\Rightarrow }$ ha ha ha 匹配成功，表达式含义是匹配字符串ha加空格, 因为最后的ha没有带空格, 所以不匹配。从中可以看出*是操作整个括号内的字符, 而不仅仅是*号前面的单个字符

• ＄12.2,￥10.1 $\stackrel{￥(\backslash d+\backslash .?\backslash d\ast )}{\Rightarrow }$​​ ￥10.1 匹配成功, 单独获取括号范围内匹配的结果, 与方括号相比, ()可以匹配更多字符

高级规则

贪婪匹配

贪婪匹配是指在重复匹配的过程中不指定匹配次数时, 将会尽可能多的匹配字符。

e.g. *, {m,n}, {m,}, +, ?这些没有确定的匹配次数的特殊符号, 他们将会尽可能多的匹配字符。其中?在匹配时匹配次数可以为0也可以为1, 但在匹配的过程中也是尽可能的要匹配, 这就是"贪婪"。

• bbbaaabbbaa $\stackrel{(a)(\backslash w+)}{\Rightarrow }$​​ aaabbbaa 匹配成功, 正则表达式的含义是匹配a之后的所有字符, 默认是贪婪匹配的原则，就尽可能的匹配更多字符
• baccccccccbb $\stackrel{(a)(\backslash w+)(b)}{\Rightarrow }$ accccccccbb 匹配成功, 正则表达式的含义是匹配a之后的所有字符, 默认是贪婪匹配的原则，就尽可能的匹配更多字符,然后直到匹配最后的b

非贪婪匹配

一般的正则表达式表达式都是默认贪婪匹配。非贪婪匹配是指在重复匹配的过程中不指定匹配次数时, 将会尽可能少的匹配字符。只需要在修饰匹配次数的特殊符号后加上?即可。

e.g. *, {m,n}, {m,}, +, ? 在这些没有确定的匹配次数的特殊符号后面加上?即可非贪婪匹配, 他们将会尽可能少的匹配字符。

• bbbabbb $\stackrel{(a)(\backslash w+?)}{\Rightarrow }$​​​ ab 匹配成功, 正则表达式的含义是匹配a之后的第一个字符, 非贪婪匹配的原则，就尽可能的匹配更少的字符
• bbbabbba $\stackrel{(a)(\backslash w+?)(a)}{\Rightarrow }$​​​​ abbba 匹配成功, 正则表达式的含义是匹配a之后的字符, 非贪婪匹配的原则，因为要匹配到后面的a, 就尽可能的匹配更少的字符直到字符a

再来举个贪婪匹配和非贪婪匹配区别的例子

• <td><p>aa</p></td><td><p>bb</p></td> $\stackrel{(<td>(.\ast )</td>)(a)}{\Rightarrow }$​ <td><p>aa</p></td><td><p>bb</p></td>
• <td><p>aa</p></td><td><p>bb</p></td> $\stackrel{(<td>(.\ast ?)</td>)(a)}{\Rightarrow }$​​ <td><p>aa</p></td>

它们最直接的区别是贪婪匹配要匹配到更多的</td> 而非贪婪匹配只匹配到第一个</td>即可

反向引用

• 表达式后边的部分，可以引用前面 “括号内的子匹配已经匹配到的字符串”。这也叫反向引用。
  • 引用方法是 “” 加上一个数字。\1 引用第 1 对括号内匹配到的字符串，\2 引用第 2 对括号内匹配到的字符串……以此类推。
  • 如果一对括号内包含另一对括号，则外层的括号先排序号。大白话就是哪一对的左括号 “(” 在最前面，那这一对就先排序号。

e.g."Hello", 'hi' $\stackrel{("{|}^{\prime })(.\ast ?)(\backslash 1))(a)}{\Rightarrow }$​​​​​​ "Hello" 'hi' 匹配成功, 正则表达式的含义是匹配"或者'之间的内容; (\1)是指重复第一个括号的规则, 匹配到两段字符串。

e.g. aa bbbb abcdefg ccccc 111121111 ⇒ ( \ w ) ( \ 1 ) { 4 , } \stackrel{(\backslash w)(\backslash 1)\{4,\}}{\Rightarrow} ⇒(\w)(\1){4,} ccccc 匹配成功, 正则表达式的含义是匹配至少连续5次相同的字符; (\w)指匹配到的任意字符, (\1)是指重复第一个括号匹配到的内容,而{4,}则是匹配(\1)的内容至少4次以上; 因此就会匹配到至少5次相同的字符。

预搜索与反向搜索

正向预搜索 : 格式有(?=xxxxx), (?!xxxxx) ; 在被匹配的字符串中，它对所处的 “缝隙” 或者 “两头” 附加的条件
是：所在缝隙的右侧，必须能够匹配上 xxxxx 这部分的表达式。

e.g. Windows 10 Windows XP $\stackrel{Windows(?=NT|XP)}{\Rightarrow }$ Windows 匹配成功, 匹配到的Windows 后面的字符是否等于NT或XP

e.g. Windows 10 Windows XP $\stackrel{Windows(?!NT|XP)}{\Rightarrow }$​ Windows 匹配成功, 匹配到的Windows 后面的字符是否不等于NT或XP

反向预搜索 : 格式有(?<=xxxxx), (?<!xxxxxx); 反向预搜索要求的条件是：所在缝隙的 “左侧”，
两种格式分别要求必须能够匹配和必须不能够匹配指定表达式，而不是去判断右侧。与 “正向预
搜索” 一样的是：它们都是对所在缝隙的一种附加条件，本身都不匹配任何字符。

e.g. 1234567890123456 ⇒ ( ? < = \ d { 4 } ) \ d + ( ? = \ d { 4 } ) \stackrel{(?<=\backslash d\{4\})\backslash d+(?= \backslash d\{4\})}{\Rightarrow} ⇒(?<=\d{4})\d+(?=\d{4})​ ccccc 匹配成功, 正则表达式的含义是将匹配除了前 4 个数字和后 4 个数字之外的中间 8 个数字

其他通用规则

• 正则表达式中可以使用\xXX和\uXXXX 表示一个字符 (X是以十六进制的形式表示)

  • \xXX : 编号在 0~ 255 范围的字符
  • 空格可以使用\x20
  • \uXXXX : 任何字符可以使用\u 再加上其编号的4位十六进制数表示
  • \u4E2D

• \s, \d, \w, \b 已经表示了特殊的意义,但对应的大写字母表示相反的意义。

  • \S : 匹配所有非空白字符
  • \D : 匹配所有的非数字的字符
  • \W : 匹配所有的字母、数字、下划线以外的字符
  • \B : 匹配非单词边界，即左右两边都是\w范围或者两边都不是\w范围时的字符缝隙

• 在表达式中有特殊意义,需要转义符转义才能得到本身的字符

  • \^
  • \$
  • \(和\)
  • \[和\]
  • \{和\}
  • \.
  • \?
  • \+
  • \*
  • \|

• 如果()内的子表达式如果希望不被记录可以使用(?:xxxxx)的格式

  • e.g. a bbccdd efg $\stackrel{(?:(\backslash w)\backslash 1)}{\Rightarrow }$​​​ bbccdd 匹配成功, 括号 (?:)
    范围的匹配结果不进行记录，因此(\w) 使用 \1 来引用

最后

几点建议

1. 如果要求表达式所匹配的内容是整个字符串，而不是从字符串中找一部分，那么可以在表达式的首尾使用 ^ 和 $，比如：^\d+$ 要求整个字符串只有数字。
2. 如果要求匹配的内容是一个完整的单词，而不会是单词的一部分，那么在表达式首尾使用\b，比如：使用\b(if|while|else|void|int……)\b 来匹配程序中的关键字。
3. 合理选择贪婪模式与非贪婪模式。
4. 表达式不要匹配空字符串。否则会一直得到匹配成功，而结果什么都没有匹配到。
5. 或 | 的左右两边，对某个字符最好只有一边可以匹配，这样，不会因为 | 两边的表达式因为交换位置而有所不同。
6. 能匹配空字符串的子匹配不要循环无限次。
7. 多些练习正则表达式的用法, 光看是记不住的和练不熟的。它可以很灵活地使用，但只要掌握基础就很容易能上手使用

举个使用正则表达式的例子：

• 这是哔哩哔哩网站首页的部分源代码(具体的可以到哔哩哔哩网站首页,鼠标右键点击查看源代码即可复制到源代码)
• 将源代码复制到VScode的集成开发环境中

比如:我们要提取出所有的视频链接

• 观察视频链接的规律
  

• 点击开启VScode的查找功能, 并开启正则表达式的功能, 输入https://www.bilibili.com/video/.*?(?=")即可匹配到所有视频链接
  

• 选所有匹配项后, Ctrl+C复制出来即可

16条视频链接

ok, 上述只是个简单的正则表达式的操作, 还有很多玩法可自行探索!