正则表达式之字符匹配

sharplook作为专业的日志采集分析系统，涉及的技术点，从后到前着实不少，内容也较为复杂。正则作为日志解析的手段，起着举足轻重的作用，在此小生将晦涩难懂的内容，拆解出来以便学习之用。

认识正则

维基百科对其的定义是：“正则表达式，又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法（英语：Regular Expression，在代码中常简写为regex、regexp或RE），是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里，正则表达式通常被用来检索、替换那些匹配某个模式的文本。” 目前许多程序设计语言都支持利用正则表达式进行字符串操作。简单地理解就是，正则表达式是用于匹配字符串中字符组合的模式，要么匹配字符，要么匹配位置。

内容大纲

目前暂定以下内容将在后期分享于诸君，本篇先介绍正则表达式里面的字符匹配，实例都将以JavaScript代码演示，其实正则没有语言界限，小生也不是强权主义，只是写来方便罢了。

1. 字符匹配
2. 位置匹配
3. 分组匹配
4. 待续....

模糊匹配

正则表达式不仅可以精确匹配还可以模糊匹配，倘若只有精确匹配，那正则就太弱了，也不值得在此继续聊下去。

const reg = /hello, world/;
console.log(reg.test('hello ,world'));
// => true

而强大的模糊匹配，有两个方向上的“模糊”: 横向模糊和纵向模糊。

横向模糊

横向模糊指的是，一个正则可匹配的字符串的长度是不确定的，可以是多种情况。

其实现的方式是量词。例如{m,n}，表示最少出现m次，最多出现n次。例如正则/ab{2,4}c/表示匹配一个“a”，紧接着匹配2个或者3个或者4个连续的字母“b”，最后匹配字母“c”。

可视化图如下：

测试如下：

const reg = /ab{2,4}c/g;
const string = 'abc abbc abbbc abbbbc abbbbbc';
console.log(string.match(reg));
// => ['abc', 'abbc', 'abbbc', 'abbbbc']

正则 /ab{2,4}c/g中的‘g’是正则的修饰符，表示此正则采用全局匹配，按照顺序匹配出所有符合正则的字符串，g表示global。

纵向模糊

纵向模糊指的是，一个正则匹配的字符串，当匹配到某一位的字符时，并不是一个特定的字符，其有多种可能性。

其实现的方式是字符组。例如[abc]，表示匹配的字符可能是“a”，“b”，“c”中的一个。 例如/a[123]b/表示匹配的是“a1b”，“a2b”，“a3b”其中一个。

可视化图如下：

测试如下：

const reg = /a[123]c/g;
const string = 'a1c a2c a3c a4c';
console.log(string.match(reg));
// => ['a1c', 'a2c', 'a3c'];

字符组

字符组虽然是组的概念，但是只是表示其中一个字符。

例如[abc]，表示匹配其中一个字符，它可以是“a”，“b”，“c”之一。

范围表示法

如果字符组中的字符非常多的话，怎么办呢？可以使用范围表示法。

例如“1234567abcdefgHIJKLMN”可是表示为[1-7a-gH-N]。用连字符“-”表示简写中间的项。

在这里“-”表示特殊含义，如果正则匹配需要匹配这个字符，比如匹配“a”，“h”，“-”怎么办呢？ 可以写成[-ah]，[ah-]，[a\-h]中的一种，这样就可以避免被作为连字符来处理了。

排除字符组

在纵向匹配中，我们还会遇到一种情况，那就是我们不希望匹配到字符组的任何一个字符。例如不能匹配“a”，“b”，“c”。

此时就出现了排除字符组的概念。例如[^abc]，表示匹配除了“a”，“b”，“c”字符之外的任意一个字符。字符组中第一位放^脱字符，表示求反的概念。

当然，也有相应的范围表示法，例如：[^a-h]。

常见的简写

有了字符组的概念之后，我们就很容易理解系统自带的简写方式了。

• \d： 表示 [0-9]。表示是一位数字。 记忆方式: 其英文是 digit(数字)。
• \D： 表示 [^0-9]。表示除数字外的任意一个字符。
• \w： 表示 [0-9a-zA-Z_]。表示数字、大小写字母和下划线。记忆方式：w是 word的简写，也表示单词字符。
• \W： 表示 [^0-9a-zA-Z_]。表示除了数字、大小写字母和下划线之外的任意一个字符。非单词字符。
• \s： 表示 [\r\v\n\r\f]。表示空白符，包括空格、水平制表符、垂直制表符、换行符、回车符、换页符。记忆方式： s是 space的首字母，空白字符的单词是 white space。
• \S： 表示 [^\r\v\n\r\f]，表示非空白符。
• . ： 表示 [^\n\r\u2028\u2029]。通配符，表示几乎任意字符，除了换行符、回车符、行分隔符和段分隔符除外。记忆方式：想想省略号 ... 中的每个点，此处省略了无数个字（什么情况都可能发生）。

如果表示任意字符，怎么办？ 可以使用[\d\D]，[\w\W]，[\s\S]和[^]中任何一个。

/\d\D\w\W\s\S.[^]/的可视化表示如下：

量词

量词也称为重复词。理解了{m,n}后，我们再来记住一些简写方式。

简写方式

• {m,}：表示至少出现m次。
• {m} ：表示出现m次，等价于{m,m}。
• ? ：表示出现一次或者不出现，等价于{0,1}。记忆方式： 问号的表示意思，有吗？
• + ：表示出现一个或者多次，等价于{1,}。记忆方式： 加好是追加的意思，先得到一个，以后的再追加。
• * ：表示出现任意次数，可能不出现。记忆方式： 好比天上的星星，可能一个没有，可能只有零星几个，也可能有无数多。

贪婪匹配与惰性匹配

先看一个简单的例子：

const reg = /\d{2,5}/g;
const string = '123 1234 12345 123456';
console.log(string.match(reg));
// => ['123', '1234', '12345', '12345']

其中正则/\d{2,5}/表示匹配连续的数字2次到5次。会匹配2位、3位、4位、5位连续数字。

但是其是贪婪的，它会尽可能多的匹配。你能给我 5 个，我就要 5 个。你能给我 3 个，我就要 3 个。
反正只要在能力范围内，越多越好。

但是有时候贪婪并不是一件好事（人心不足，蛇吞象）。而惰性匹配，就是尽可能少的匹配，例如下：

const reg = /\d{2,5}?/g;
const string = '123 1234 12345 123456';
console.log(string.match(reg));
// => ['12', '12', '34', '12', '34', '12', '34', '56']

其中 /d{2,5}?/ 表示，虽然 2 到 5 次都行，当 2 个就够的时候，就不再往下尝试了。

对惰性匹配的记忆方式是: 量词后面加个问号，问一问你知足了吗，你很贪婪吗?

多选分支

一个模式可以实现横向匹配和纵向匹配，而多分支可以支持多个子模式任选其一。

具体形式如下(p1|p2|p3)，其中p1、p2和p3是子模式，用|（管道符）分隔，表示任选其一。

例如匹配hello或者world，正则式为/hello|world/。

可视化形式如下：

测试如下：

const reg = /hello|world/g;
const string = "hello lemon, world is yours!";
console.log(string.match(reg));
// => ['hello', 'world']

需要注意的地方是，he|hello，你想匹配“hello”这个单词，结果是“he”。

如下实例：

const reg = /he|hello/g;
const string = 'hello';
console.log(string.match(reg));
// => ['he']

如果你的正则改为hello|he。匹配的结果就是“hello”

如下实例：

const reg = /hello|he/g;
const string = 'hello';
console.log(string.match(reg));
// => ['hello']

由此可知，多分支结构匹配也是惰性的，当前面匹配上之后，后面就不在匹配了。

小结

正则表达式是一个优秀程序员的基本技能，本身虽然不是很复杂，但内容却比较杂乱，能一步一步理清思路是很重要的，本章主要先介绍了字符的匹配，下一章将介绍位置的匹配。

本文中的正则表达式转化为关系图来展示的工具是Regexper

此文主要参考和学习了老姚的《JavaScript 正则表达式迷你书》，内容清晰明了，在此非常感谢老姚的 free精神，致敬。

参考文献

[1] 老姚 著《JavaScript 正则表达式迷你书》