初识正则表达式

什么是正则表达式

正则表达式，英文名Regular Expression，常见缩写regex、regexp或RE都指代正则表达式。

正则表达式是对句法规则的一种描述。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。

正则表达式是由一些基本的集合及对集合的运算组成的。

基本元素

普通字符 字母、数字、汉字、下划线、以及后边章节中没有特殊定义的标点符号，都是"普通字符"。表达式中的普通字符，在匹配一个字符串的时候，匹配与之相同的一个字符。

举例：

表达式 "c"，在匹配字符串 "abcde" 时，匹配结果是：成功；匹配到的内容是："c"，匹配到的位置是：开始于2，结束于3。（注：下标从0开始还是从1开始，因当前编程语言的不同而可能不同）

基本运算

交集

如果有两个正则表达式E和F，那么EF也是一个正则，表示同时匹配E和F的内容。这跟编程中的逻辑与是一个意思，跟集合中的交集也是一个意思。你也可以连接任意多个正则。

举例：

表达式 "bc"，在匹配字符串 "abcde" 时，匹配结果是：成功；匹配到的内容是："bc"，匹配到的位置是：开始于1，结束于3。

并集

如果有两个正则表达式E和F，那么E|F也是一个正则，表示匹配E或者匹配F。这跟编程中的逻辑或是一个意思，跟集合中的并集也是一个意思。 你可以使用|连接任意多个正则表达式。

如果你要连接非常多的正则，那就得写非常多的竖线，看起来非常乱。所以人们还约定了一种简化记法[EFGH]，跟写成E|F|G|H效果是一样，但前者更简短，更清晰。

举例：

表达式 " [bcd][bcd] " 匹配 "abc123" 时，匹配的结果是：成功；匹配到的内容是："bc"；匹配到的位置是：开始于1，结束于3。

补集

如果你要排除匹配E和F的内容，需要写成 [ ^EF ]

举例：

表达式 "[^abc]" 匹配 "abc123" 时，匹配的结果是：成功；匹配到的内容是："1"；匹配到的位置是：开始于3，结束于4。

单元素集合

连字符表示多个元素

一个字母a, 一个数字1都是正则，分别匹配包含a和包含1的内容。

如果我们想匹配数字1234，那么根据交集规则，我们写成1234就可以了。

如果我们想匹配所有可能出现的数字，则可以根据并集规则写成0|1|2|3|4|5|6|7|8|9。是不有点长。我们可以简化成[0123456789]。一下子少了很多坚线。

慢着，如果想匹配所有可能出现的小写字母呢？难不成要将26个字母全部写入正则表达式中？

正则表达式为此提供了一种更加简化方法——连字符，可以使用减号-表示连续出现的字符，只需写出头尾。所以我们可以把[0123456789]进一步简化成[0-9]，把[abc...xyz]简化成[a-z]。

\d

因为[0-9]很常用，大家又进一步简化成了\d（对应单词 digit）。

\a

因为[a-zA-Z]也很常用，大家就把它简化成\a（对应单词 alpha）。

\w

果想匹配大小写字母、数字和下划线（也就是所有单词字符），可以写成[a-zA-Z0-9_]。也是因为太常用，大家将其简化为\w（对应单词 word）。

\s

如果想匹配一些空白字符，可以写成[ \t\r\n\v\f]，这个正则会匹配空格、水平制表符、回车、换行、 垂直制表符和 Page break 记。这里用到了跟 c 语言 printf 函数一样的转义字符。同样因为使用广泛，被简化为\s（对应单词 space）。

取反——大写

正则支持取反操作。[0-9]表示匹配所有数字，那[ ^0-9 ]就表示匹配所有非数字字符。因为使用广泛，人们将其简写成\D。大家注意，[0-9]简写成\d（小写字母），对应的[ ^0-9 ]简写成\D（大写字母）。以此类推，\a取反是\A、\w取反是\W、\s取反是\S。

全集

有了连字符和并集规则，理论上我们可以匹配所有字符。但是 Unicode 有上百万字符，难道我们都要写到方括号里吗？不能够。

我们可以利用取反操作。只要排除少量不常用字符，就可以匹配剩下的大多数字符了。但排除哪个呢？最终人们决定排除\n。为什么呢？因为一般而言，正则都是逐行匹配的，一次匹配一行内容，不会遇到换行符。最终可以用[ ^\n ]表示匹配所有字符。同样因为太常用，这一写法被简化成句点'.'。 也就是说在正则表达式中，一个.可以匹配\n以外的所有字符。

转义字符\

多元素集合

大括号表示一次匹配多个元素

如果想匹配两位数字，可以利用交集规则，写成\d\d，此正则会先匹配一个数字再匹配一个数字，最终匹配的是两位数字。如果想匹配三位数字，需要写成\d\d\d，四位数字写成\d\d\d\d。

那如果想匹配一位或者两位数字或者三位数字或者四位数字（也就是四位以内的数字），需要写成

\d|\d\d|\d\d\d|\d\d\d\d
有点长，但是 it works！如果想匹配所有的八位以内的数字呢？那就得写很长很长了。为此，人们又想了个简化的办法。这次引入了大括号{}。

刚才的正则是可以简化成\d{1,4}，展开就是\d|\d\d|\d\d\d|\d\d\d\d。大括号中第一个数字表示最短匹配的次数，第二个数字表示最长匹配的次数。

如果想匹配八位以内的数字，就可以写成\d{1,8}，是不是很简洁呢？

如果只想匹配一个八位数，则可以写成\d{8,8}。重复写两个8好像有点多余，还是简化成\d{8}吧。

+号

那能不能匹配任意长度的数字呢？ 理论上应该写成\d{1,∞}，只是这个∞不好写，干脆省略，写成\d{1,}算了。所以\d{1,}表示可以匹配一位、两位、一直到任意长度的数字。也就是说{1,}表示前面的匹配内容至少出现一次。因为这个至少出现一次也是特别常用，人们又进一步将其简化成+，最终我们的正则变成了\d+，优雅的不行。

*号

那能不能实现匹配出现零次这种语义呢？ 可以，只要将大括号内第一个数字写成0就行。所以a{0,}可以匹配a、aa……aaaa……等各种情况。也就是说{0,}表示前面的匹配的内容出现多次或者不出现。 同样十分常用，被人们简化成了。所以原来的正则可以简化成a。

？号

最后就是{0,1}这种情况了，显然表示出现零次或者一次。 不用说，懒人们将其简化成了?。所以ab?只能匹配a和ab两种情况。

一些常见的用法

贪婪与非贪婪模式

正则表达式默认使用贪心模式，加入？改为非贪婪模式

常见的用法有

.*为贪婪匹配，从最长字符串开始匹配，可回溯
.*？为非贪婪匹配，具有最小匹配性质

例如：
<img src="test.jpg" width="60px" height="80px"/>

用表达式src=".*"匹配可以得到src="test.jpg" width="60px" height="80px"
匹配时会一直检索到最后一个引号再停止

表达式src=".*?"可以得到结果：src="test.jpg"
匹配到第一个"就结束了一次匹配。不会继续向后匹配。

引用——使用前面括号内的内容

环视

o.o 看不太懂

参考

https://taoshu.in/hello-regex...