正则表达式基础笔记

---

参考资料

慕课网-鬼斧神工之正则表达式
正则表达式后向引用详解
正则表达式30分钟入门教程

什么是正则表达式？

正则表达式是字符串的搜索和匹配的工具。

正则表达式工具

一个测试正则表达式的工具 regexpal -- 中文版

基本语法

界定符 //

表示一个正则表达式的开始和结束

/0-9/ 界定符就是包含正则表达式在中间的两个斜杠

原子

可见原子

• 标点

• 英文字母数字

• 汉字、日文、阿拉伯文等语言文字

• 数理化公式符号

• 其他可见字符

不可见原子

• 换行符 \n

• 回车 \r

• 制表符 \t

• 空格

• 其他不可见的符号

字符转义

如果想查找元字符本身的话，就要使用 \ 来取消这些字符的特殊意义
例如：\. \* \\

元字符

定义原子的筛选方式

代码 / 语法	说明
｜	匹配两个或多个分支选择
[]	匹配方括号中的任意一个原子
[^]	匹配除了方括号中的原子之外的任意字符

原子的集合

代码 / 语法	说明
.	匹配除换行符以外的任何字符 [^\n]
\d	匹配数字 [0-9]
\D	匹配非数字 [^0-9]
\s	匹配一个不可见原子 [\f\n\r\t\v]
\S	匹配一个可见原子 [^f\n\r\t\v]
\w	匹配字母或数字或下划线 [0-9a-zA-Z_]
\W	匹配非字母或数字或下划线 [^0-9a-zA-Z_]

// 匹配一个或者更多连续的数字
var pattern = /\d+/;
/*
* 比如一个网站要求你填写的 QQ 号必须是 5-12 位的数字时，可以使用 ^\d{5,12}$
* {5,12} 表示重复次数不少于 5 次，不能多于 12 次，否则都不匹配
* 有些正则表达式处理工具还有一个处理多行的选项，如果选中了这个选项
* ^ 和 $ 的意义就变成了匹配行的开始处和结束处
*/

量词

限定符 -- 指定数量的代码

代码 / 语法	说明
*	重复 0 次或更多次
+	重复一次或更多次
？	重复 0 次或 1 次
{n}	恰好重复 n 次
{n, }	最少重复 n 次
{n, m}	重复 n 次到 m 次

// 匹配刚好 6 个字符的单词
var pattern = /\bw{6}\b/;

边界控制

代码 / 语法	说明
^	匹配字符串开始的位置
$	匹配字符串结尾的位置
\b	匹配单词的开始或结束
\B	匹配非单词的开始或结束

使用示例

// 匹配以字母 a 开头的单词
var pattern = /\ba\w*\b/;

/*
* 先是某个单词的开头处 \b
* 然后是字母 a
* 然后是任意数量的字母或数字 \w*
* 最后是单词的结束处 \b
*/

分组

代码 / 语法	说明
()	匹配其中的整体作为原子

重复单个字符，直接在字符后面加上限定符就行了；
如果想要重复多个字符，可以用小括号来指定 子表达式（也叫 分组），然后可以指定这个 分组的重复次数，也可以对这个 分组进行其他的一些操作。

// 这个表达式可以匹配几种格式的电话号码，像 `[phone]`，或 `022-22334455`，或 `02912345678` 等
var pattern = /\(?0\d{2}[) -]?\d{8}/;

1. 首先是一个转义字符 \(，他能出现 1 次或 0 次（?）

2. 然后是一个 0，后面跟着两个数字 \d{2}，

3. 然后是 ) 或 空格 或 - 中的一个，它出现 1 次或不出现 [) -]?

4. 最后是 8 个数字 \d{8}

修正模式

修正模式可以理解成是给正则表达式的匹配过程指定一种模式。

贪婪模式 & 懒惰模式

匹配结果怎么会有歧义呢？看看下面的代码就知道了：

var pattern = /mertens.+1994/; 
var str = 'mertens__199419941994199419941994';

上面那段代码就是有歧义的了，看上去可以是匹配到 mertens__199419941994199419941994，也可能匹配到 mertens__1994。

贪婪：匹配结果存在歧义的时候取其长
懒惰：匹配结果存在歧义的时候取其短

未经修饰的量词就是贪心量词，末尾加上?则使量词变懒惰。

// 贪婪模式
var pattern1 = /mertens.+1994/; 
var str = 'mertens__199419941994199419941994';
var result1 = str.match(pattern1);
console.log(result1); // mertens__199419941994199419941994

// 懒惰模式
var pattern2 = /mertens.+?1994/; 
var str = 'mertens__199419941994199419941994';
var result2 = str.match(pattern2);
console.log(result2); // mertens__1994

后向引用

分组捕获的内容可以在表达式或其他程序中作进一步的处理。

组号

默认情况下，每个分组会自动拥有一个组号。

分配组号的规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为 1，第二个为 2，以此类推。

后向引用用于重复搜索前面某个分组匹配的文本。

// \1 表示分组 1 匹配的某个文本
// 匹配连着的两个重复的单词
var pattern = /\b(w+)\b\s+\1\b/;

组名

可以 指定子表达式的组名

// 可以指定组名为 Word
// 使用这样的语法：(?<Word>\w+)
// 把尖括号换成'也行：(?'Word'\w+))
// 这样就把\w+的组名指定为 Word 了
// 要反向引用这个分组捕获的内容，可以使用 \k<Word>
var pattern = /(?<Word>\w+) (?'Wrod'\w+)/;

// 上一个例子也可以写成这样
var pattern = /\b(?<Word>\w+)\b\s+\k<Word>\b/;

零宽断言（zero-length assertions）

使用小括号的时候，还有很多特定用途的语法：

零宽的意思是指该位置是不占宽度的，也就是只作断言判断，但不匹配实际的内容；
\d(?=\.) 这个正向先行断言就只匹配点号之前的数字，但是它并不会匹配到这个点号，这个 \d(?=\.) 括号中的匹配内容也就是零宽了。

零宽断言分为四种，分别是：
正向先行(Positive Lookahead)
正向回顾(Positive Lookbehind)
负向先行(Negative Lookahead)
负向回顾(Negative Lookbehind)

• 正向 和 负向 的意思是断言括号中的内容是匹配还是不匹配

• 先行 与 回顾 的意思是实际匹配的内容在断言内容的前面还是后面

正向先行(Positive Lookahead)

• 直接地说“零宽正向先行断言”所匹配的就是 必须出现的断言内容的前面的内容

正向回顾(Positive Lookbehind)

• 理解了前面这个“零宽正向先行断言”，随之而来的就比较好理解了。依照这个逻辑，零宽正向回顾断言所匹配的是必须出现的断言内容之后的内容，它的语法是：(?<=...) 比如 （?<＝\.）\w 所匹配的就是点号之后的 ASCII 字符。

负向先行(Negative Lookahead)

• 负向与正向意思相反， 正向是断言内容必须出现，而负向则是断言内容必须不出现。

负向回顾(Negative Lookbehind)

• 正负向与先行回顾的概念都已在前面列出， 负向回顾的理解应该就很顺了。负向回顾的语法是：(?<!...)。 比如 (?<!Java)Script 该正则只匹配不是 JavaScript 的 Script，它就能正确匹配 ECMAScript 和 Script。