轩辕李的博客
轩辕李
2022-06-01
目录

正则表达式

# 引言

正则表达式（Regular Expression，简称 Regex）是一种强大而灵活的文本模式匹配工具，自20世纪40年代由数学家克劳德·香农（Claude Shannon）和计算机科学家艾兹格·迪科斯特拉（Edsger Dijkstra）首次提出以来，已经成为计算机科学和编程领域中的重要概念。

凭借其强大的功能和高效性能，正则表达式在文本处理、数据提取、数据验证等多个领域发挥着至关重要的作用。

随着大数据时代的到来，对于信息检索和处理的需求越来越大，学习并掌握正则表达式成为了计算机专业人士和软件开发者必备的技能之一。

在本文中，我们将全面介绍正则表达式的基本知识和高级技巧，以及在各种实际场景中的应用方法。

我们相信，掌握正则表达式对于提高您的编程和数据处理能力是非常有帮助的。接下来，让我们开始学习正则表达式的奥秘吧！

# 正则表达式基础

# 1 字符类

字符类是正则表达式中用于匹配特定字符集的元素。字符类分为预定义字符类和自定义字符类两种。

# 1.1 预定义字符类

预定义字符类是正则表达式中的预设元字符，用于表示常见的字符集。以下是一些常用的预定义字符类：

  • \d：匹配数字字符（0-9）
  • \D：匹配非数字字符
  • \w：匹配单词字符（字母、数字和下划线）
  • \W：匹配非单词字符
  • \s：匹配空白字符（空格、制表符和换行符）
  • \S：匹配非空白字符

# 1.2 自定义字符类

自定义字符类允许您根据需要创建自己的字符集。自定义字符类使用方括号（[]）表示，例如：

  • [aeiou]：匹配任意一个元音字母（a, e, i, o, u）
  • [A-Za-z]：匹配任意一个英文字母（大写或小写）
  • [0-9a-fA-F]：匹配任意一个十六进制数字字符

# 2 量词

量词用于指定字符或字符类的出现次数。正则表达式中常用的量词有：

  • *：匹配前面的元素零次或多次
  • +：匹配前面的元素一次或多次
  • ?：匹配前面的元素零次或一次
  • {n}：匹配前面的元素恰好 n 次
  • {n,}：匹配前面的元素至少 n 次
  • {n,m}：匹配前面的元素至少 n 次，但不超过 m 次

# 2.1 贪婪量词（模式）

贪婪量词总是尽可能多地匹配字符。例如，正则表达式 a.*b 在字符串 "aabbcc" 中匹配 "aabb"。

# 2.2 懒惰量词（模式）

懒惰量词尽可能少地匹配字符。通过在贪婪量词后加一个问号（?）将其转换为懒惰量词。例如，正则表达式 a.*?b 在字符串 "aabbcc" 中匹配 "aab"。

# 2.3 独占量词（模式）

在独占模式下，使用的是一种强制性的匹配方式，不允许回溯。当独占模式的量词（如*+、++、?+、{n,m}+等）与表达式的其他部分匹配失败时，整个匹配失败，不会进行回溯尝试其他匹配方式。

例如，正则表达式 ab{1,3}+bc 在字符串 "abbc" 没有匹配结果，会直接结束匹配，不会发生回溯问题。

# 3 边界匹配符

边界匹配符用于指定要匹配的字符串的位置。以下是一些常用的边界匹配符：

  • ^：匹配字符串的开头
  • $：匹配字符串的结尾
  • \b：匹配单词边界
  • \B：匹配非单词边界

例如，正则表达式 ^Hello 仅匹配以 "Hello" 开头的字符串，而 world$ 仅匹配以 "world" 结尾的字符串。

# 4 分组和捕获

分组允许您将正则表达式的一部分组合在一起，并对其应用量词和其他操作。分组使用圆括号（()）表示。例如，正则表达式 (ab)+ 匹配一个或多个 "ab" 字符串。

捕获是一种特殊的分组，它将匹配的子字符串保存到内存中，以便后续引用。捕获分组的语法与普通分组相同。通过在正则表达式中添加圆括号，您可以创建捕获分组。捕获分组按照它们在正则表达式中出现的顺序进行编号。

# 5 反向引用

反向引用允许您在正则表达式中引用之前捕获的子字符串。反向引用使用反斜杠（\）后跟捕获分组的编号表示。例如，正则表达式 (\d)\1 匹配重复的数字字符，如 "11"、"22" 和 "33" 等。

# 6 回溯

在正则表达式中，回溯（Backtracking）是指在匹配过程中，当某个匹配尝试失败时，回退到之前的位置重新尝试其他可能的匹配方式。

正则表达式的匹配过程通常是从左到右进行的，尝试匹配每个字符。当遇到量词（如*、+、?、{n,m}等）时，可能会导致回溯的出现。

回溯是通过尝试不同的匹配方式来实现的。当匹配失败时，正则引擎会回溯到上一个位置，并尝试其他可能的匹配方式。这种回溯过程会消耗更多的时间和资源，特别是当正则表达式的模式复杂且匹配的文本较长时。

例如，考虑正则表达式a+b+和文本aaabbb。在贪婪模式下，该表达式会尽可能多地匹配字符a和b。当匹配到第一个b时，因为后续的字符是b，正则引擎会回溯到a的位置重新尝试匹配。然后，正则引擎会尝试匹配两个b，直到匹配完成。

回溯的出现可能会导致正则表达式的性能下降，特别是在复杂的模式和长文本的情况下。为了避免不必要的回溯，可以使用懒惰模式或独占模式来指定匹配方式，或者使用更精确的匹配模式来优化正则表达式的性能。

# 正则表达式高级特性

在掌握了正则表达式的基本概念之后，我们将继续深入探讨一些高级特性。这些特性可以帮助我们编写更强大、更灵活的正则表达式，以应对复杂的文本处理任务。

# 1 前瞻断言（Lookahead）

前瞻断言是一种零宽度断言，它允许我们在不消耗字符的情况下查找匹配项的前面部分。有两种前瞻断言：

  • 正向前瞻断言：使用 (?=...) 表示，表示所查找的内容必须满足括号内的正则表达式。

    示例：/\w+(?=\.com)/ 可以匹配以 .com 结尾的域名（不包括 .com 部分）。

  • 负向前瞻断言：使用 (?!...) 表示，表示所查找的内容不满足括号内的正则表达式。

    示例：/\w+(?!\.com)/ 可以匹配不以 .com 结尾的域名。

# 2 后瞻断言（Lookbehind）

后瞻断言与前瞻断言类似，也是一种零宽度断言，但它是在匹配项的后面进行查找。有两种后瞻断言：

  • 正向后瞻断言：使用 (?<=...) 表示，表示所查找的内容必须满足括号内的正则表达式。

    示例：/(?<=\$)\d+/ 可以匹配美元符号（$）后面的数字。

  • 负向后瞻断言：使用 (?<!...) 表示，表示所查找的内容不满足括号内的正则表达式。

    示例：/(?<!\$)\d+/ 可以匹配不在美元符号（$）后面的数字。

# 3 非捕获分组

非捕获分组允许我们对表达式进行分组，但不会捕获匹配的内容。使用 (?:...) 表示非捕获分组。

示例：/(?:\d{3}-){2}\d{4}/ 可以匹配美国电话号码的格式（例如：123-456-7890），但不会捕获分组内的内容。

# 4 命名分组

命名分组允许我们为捕获分组指定一个名称，以便在后续操作中引用。使用 (?<name>...) 表示命名分组。

示例：/(?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2})/ 可以匹配日期格式（例如：2022-01-01），并为年、月、日分别命名为 year、month 和 day。

# 5 条件表达式

条件表达式允许我们根据正则表达式的某个部分是否匹配来选择不同的分支。使用 (?(condition)yes-pattern|no-pattern) 表示条件表达式。

示例：/(?(?=.*\d)(?=.*[a-zA-Z]))\w+/ 可以匹配同时包含数字和字母的字符串。

# 6 注释

在正则表达式中添加注释可以帮助我们理解和维护复杂的表达式。使用 (?#comment) 表示注释。

示例：/(?#匹配年份)\d{4}-(?#匹配月份)\d{2}-(?#匹配日期)\d{2}/ 可以匹配日期格式（例如：2022-01-01），并在表达式中添加了关于各部分功能的注释。

# 7 递归匹配

递归匹配允许我们匹配嵌套结构，例如括号、标签等。使用 (?R) 表示递归匹配。

示例：/\(([^()]+|(?R))*\)/ 可以匹配任意深度的嵌套括号。

通过掌握这些高级特性，我们可以编写更强大和灵活的正则表达式，以应对各种复杂的文本处理任务。在实际使用中，我们可以根据需求灵活组合这些特性，以实现更精确的匹配和提取。

# 常见正则表达式应用场景

正则表达式在许多场景中都有广泛的应用，以下是一些典型的应用场景：

# 1 电子邮件验证

电子邮件地址验证是正则表达式的一个常见用途。通过编写正则表达式，我们可以检查输入的字符串是否符合电子邮件地址的基本格式。以下是一个简单的电子邮件验证正则表达式示例：

^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$

这个表达式将匹配类似于 example@example.com 的电子邮件地址。

# 2 密码复杂度检查

正则表达式也可以用于检查密码的复杂度。例如，我们可以创建一个正则表达式来确保密码包含至少一个大写字母、一个小写字母、一个数字和一个特殊字符，长度在8到20个字符之间。示例正则表达式如下：

^(?=.*[A-Z])(?=.*[a-z])(?=.*\d)(?=.*[@$!%*?&])[A-Za-z\d@$!%*?&]{8,20}$

# 3 URL 解析

正则表达式可用于提取和解析URL中的各个部分，例如协议、域名、路径等。以下是一个简单的URL解析正则表达式示例：

^(https?|ftp)://[^\s/$.?#].[^\s]*$

这个表达式将匹配以 http://、https:// 或 ftp:// 开头的URL。

# 4 日期和时间格式验证

正则表达式也可以用于验证不同格式的日期和时间。例如，我们可以创建一个正则表达式来检查输入的日期是否符合 yyyy-mm-dd 格式：

^(19|20)\d\d[- /.](0[1-9]|1[012])[- /.](0[1-9]|[12][0-9]|3[01])$

这个表达式将匹配类似于 2021-09-01 的日期。

# 5 HTML/XML 标签匹配

正则表达式可以用于从HTML或XML文本中提取标签和属性。例如，我们可以创建一个正则表达式来查找所有的<a>标签，并提取其 href 属性：

<a\s+(?:[^>]*?\s+)?href="([^"]*)"

然而，请注意，正则表达式可能不是处理HTML或XML的最佳工具。许多编程语言提供了专门的库和工具来处理这些类型的文本。

总之，正则表达式在许多常见的文本处理场景中都发挥着重要作用。掌握这些实际应用将有助于你充分利用正则表达式的强大功能。

# 正则表达式的优化与性能

虽然正则表达式功能强大，但在实际使用中需要注意性能和可读性问题。本章将介绍如何优化正则表达式以提高性能和可读性。

# 1 简化正则表达式

使用简洁的正则表达式可以提高性能。以下是一些建议：

  • 优先使用字符类（如 \d、\w）而非字符范围（如 [0-9]、[a-zA-Z0-9_]）
  • 使用非捕获组 (?:) 而非捕获组 ()，除非确实需要捕获子表达式的匹配结果
  • 使用量词 {n,m} 限制匹配次数，以避免过多的回溯

# 2 避免贪婪匹配

贪婪匹配可能导致性能问题，尤其是在处理大量文本时。尽量使用非贪婪匹配（例如 *?、+?、{n,m}?）来避免不必要的回溯。

# 3 利用锚点

使用锚点（如 ^、$、\b）可以限制匹配的位置，从而提高性能。

# 4 使用预编译的正则表达式

许多编程语言支持预编译正则表达式。预编译的正则表达式在第一次编译后会被缓存，后续匹配时无需重新编译，从而提高性能。在需要多次使用同一个正则表达式时，应考虑使用预编译。

# 5 可读性和维护性

正则表达式的可读性和维护性对于复杂表达式尤为重要。以下是一些建议：

  • 使用注释来解释正则表达式的各部分功能
  • 将复杂的正则表达式拆分成多个简单的子表达式
  • 在可能的情况下，使用具名捕获组来提高可读性

# 6 使用专业工具

使用专业的正则表达式工具（如在线正则表达式测试器、调试器）可以帮助你编写、测试和优化正则表达式。

总之，优化正则表达式以提高性能和可读性是一个重要的技能。在编写正则表达式时，务必关注这些方面，以确保你的代码高效且易于维护。

# 正则表达式在不同编程语言中的应用

正则表达式在许多编程语言中都有广泛的应用。本章将介绍如何在 JavaScript、Java 和 Python 中使用正则表达式。

# 1 JavaScript

在 JavaScript 中，可以使用 RegExp 对象或字面量语法创建正则表达式。以下是一些常见操作：

  • 创建正则表达式：

    const regex = /pattern/flags;
const regex = new RegExp("pattern", "flags");

  • 匹配字符串：

    const isMatch = regex.test("input");

  • 查找匹配项：

    const match = "input".match(regex);

  • 替换匹配项：

    const replaced = "input".replace(regex, "replacement");

# 2 Java

在 Java 中，可以使用 java.util.regex 包中的 Pattern 和 Matcher 类来处理正则表达式。以下是一些常见操作：

  • 创建正则表达式：

    Pattern pattern = Pattern.compile("pattern", flags);

  • 匹配字符串：

    Matcher matcher = pattern.matcher("input");
boolean isMatch = matcher.matches();

  • 查找匹配项：

    while (matcher.find()) {
    String match = matcher.group();
}

  • 替换匹配项：

    String replaced = matcher.replaceAll("replacement");

# 3 Python

在 Python 中，可以使用 re 模块处理正则表达式。以下是一些常见操作：

  • 创建正则表达式：

    import re
pattern = re.compile("pattern", flags)

  • 匹配字符串：

    is_match = bool(pattern.match("input"))

  • 查找匹配项：

    matches = pattern.findall("input")

  • 替换匹配项：

    replaced = pattern.sub("replacement", "input")

总正则表达式在 JavaScript、Java 和 Python 等编程语言中都有广泛应用。了解如何在这些语言中使用正则表达式将有助于你更好地处理各种字符串匹配和处理任务。

# 工具和资源

在学习和使用正则表达式过程中，以下工具和资源可能对你非常有帮助。在每个子章节中，我们都提供了至少一个中文的工具和资源网站。

# 1 在线正则表达式测试工具

# 2 可视化正则表达式生成工具

  • 可视化正则表达式生成工具：Regexper
    网址：https://regexper.com/ (opens new window)
    说明：Regexper 是一个可视化正则表达式生成工具，可以将正则表达式转换为易于理解的图表。尽管该网站不提供中文界面，但它对于帮助用户更好地理解和学习正则表达式仍然非常有用。

# 3 正则表达式库和代码片段

  • 正则表达式大全：any-rule
    网址：any-rule (opens new window)
    说明：any-rule 是一个 GitHub 仓库，收集了大量常用的正则表达式规则，如手机号、邮箱、身份证号等。这些规则可以帮助你快速完成各种验证任务。

# 4 学习资源和教程

这些工具和资源将有助于你更轻松地学习和使用正则表达式。请尝试使用这些工具，并深入研究提供的教程和资料，以便更好地掌握正则表达式。

# 总结

在本文中，我们详细介绍了正则表达式的基本概念、语法、使用方法和技巧。通过阅读本文，你应该已经对正则表达式有了一个全面的了解。下面是对本文的简要总结：

  1. 正则表达式是一种用于匹配、查找和替换文本中特定模式的强大工具。
  2. 元字符、字符类、量词、锚点、分组和反向引用等概念是正则表达式的基础组成部分。
  3. 正则表达式在文本处理、数据验证、搜索引擎、编程语言等多个领域都有广泛应用。
  4. 学习正则表达式的技巧包括：理解概念、熟悉语法、多做练习、查阅资料等。
  5. 本文还介绍了一些实用的正则表达式工具和资源，如在线测试工具、可视化生成工具、代码片段库和学习教程。

掌握正则表达式将对你的编程技能和工作效率产生积极影响。希望本文能帮助你建立扎实的正则表达式基础，并在实际应用中发挥其强大功能。

不断学习和实践，你将成为正则表达式领域的高手。

祝你变得更强！

编辑 (opens new window)
#正则表达式
上次更新: 2023/08/17
代码质量管理之代码审查
转义符研究

← 转义符研究→

最近更新
01
Spring表达式语言（SpELl）
02-11
02
Spring中的验证、数据绑定和类型转换
01-30
03
Spring中的资源访问：Resource接口
01-29
更多文章>
Theme by Vdoing | Copyright © 2018-2025 京ICP备2021021832号-2 | MIT License