巧用正则表达式来提取URL中的业务字段

版权声明：本文为神州灵云作者的原创文章，未经神州灵云允许不得转载。

本文作者：Joy

正则表达式广泛应用于文本、字符串搜索和替换，其功能非常强大，能够高效的解决很多繁琐且困难的问题。但它并不完美，其最大的缺点就是看上去很难学，让很多对它感兴趣的人，只看它一眼便决定放弃。事实上，这是对它的误解。
正则表达式的基本语法和特殊符号并不多，特别是经常用到的就更少了。就像是了解了“加减乘除”，解出一个“四则混合运算”的表达式，只是时间问题一样。至于那些高阶用法，数量不多，理解不难，几乎用不到，可以不用理会，就算用到现学也不会花太多时间。

大部分情况下，正则表达式只是“二则混合运算”，而且这两种基本语法都很简单，是不是有点小意外呢。
举个例子：0[0-9]{2,3}-[0-9]{7,8}
看上去略显复杂，但这个正则表达式只包含两种语法。方括号“[]”表示字符多选一，如“[12-4]”表示数字“1、2、3、4”中任意一个，“[Ab-d]”表示字母“A、b、c、d”中任意一个。花括号“{n,m}”表示前一个字符重复至少n次、至多m次。了解了这两种语法，再来看这个例子就容易理解了，这是一个匹配电话号码的正则表达式。区号部分"0"开始"-“结束，中间二或三位数字，其后是七或八位的电话号码。
看到这里，你已经有了扎实的基本功了，你已经可以写出可以应付大部分需求的正则表达式了。什么？别人写的你看不懂？哦，那可能是一些机智（wuliao）的开发者为了书写方便（jiushizhuangbi），搞出来一些所谓的缩写形式。比如上面的例子也可以写成: 0\d{2,3}-\d{7-8}，”\d"代表任一数字。类似的缩写还有一些，如下：

1. “\d”: 匹配数字
2. “\w”: 匹配字母，数字，下划线
3. “\s”: 匹配空格
4. “.”: 匹配除了换行符以外的任何字符
5. “\b”: 不会消耗任何字符只匹配一个位置，常用于匹配单词边界 如 我想从字符串中"This is Regex"匹配单独的单词 “is” 正则就要写成 “\bis\b”。 \b 不会匹配is 两边的字符，但它会识别is 两边是否为单词的边界
6. “\W”: 匹配任意不是字母，数字，下划线 的字符
7. “\S”: 匹配任意不是空白符的字符
8. “\D”: 匹配任意非数字的字符
9. “\B”: 匹配不是单词开头或结束的位置
10. “[^abc]”: 匹配除了abc以外的任意字符

这些缩写有时候是提供了一些方便。
什么，还是看不懂别人写的正则表达式？那大概是花括号被缩写了，不要慌，马上解密。

1. “{n,m}”: 重复n到m次，贪婪模式（最长匹配）
2. “{n,m}?”: 重复n到m次，非贪婪模式（最短匹配）
3. “{n}”: 重复n次
4. “{n,}”: 重复至少n次
5. “*”: 重复零次或更多，贪婪模式
6. “+”: 重复一次或更多次，贪婪模式
7. “?”: 重复零次或一次

另外，还有两个符号需要了解一下：

1. “^”: 匹配字符串的开始位置
2. “$”: 匹配字符串的结束位置
   好了，看到这里，你已经毕业了。
   什么，不相信？还有看不懂的正则表达式？遇到一些高阶用法，写这个表达式的人，也是查着资料写的，查查资料，你也行！
   下面就来看看我们的NPM/BPM产品中，是如何使用正则表达式的吧。正则表达式主要应用于七层协议分析的：HTTP Pattern，URL Pattern和TCP String Pattern的字符串匹配和获取中。
3. 匹配：命中返回true，否则返回false。
4. 获取：命中返回子串，否则返回空。
   比如：
5. “.*”: 任意字符重复任意次
   a) 匹配所有字符串。
   b) 获取整个字符串。
6. “google”
   a) 匹配包含"google"的字符串。
   b) 获取任意位置的"google"。
7. “^www”:
   a) 匹配以"www"开头的字符串。
   b) 获取开头位置的"www"。
8. “\d+”:
   a) 匹配长度大于等于1的数字串。
   b) 获取长度大于等于1的数字串。

常言道：光说不练假把式。下面来看一个例子。
在一个项目中，需要从路径参数“opCode”中提取4位数字的“功能号”信息，但这个路径参数的格式并不固定，已知的格式有如下几种：

1. opCode=8250%3Fwt.ac*（“*”号表示省略多个字符）
2. opCode=p8250%3Fwt.ac*
   

以上这两种情况虽然只是相差一个字母“p”，但是这导致“功能号”的偏移量和起始符都发生了变化，所以既不能按偏移量来定位，也不能按关键字来检索。对于已经学会了正则表达式的你来讲，这当然构不成任何威胁，看到这种情况，你甚至还露出了一丝微笑。只需要配置一个最基本的正则表达式“\d{4}”，即可提取出这个走位飘逸的“功能号”，纯粹的数字不掺杂一个字母，精确的个数不会有半点误差。

需要注意的是，字符“\”需要转义，所以这个正则表达式在探针上应该配置为：“\d{4}”。可以通过Fig.3中的方法来验证配置的正则表达式。

输出结果中：

1. “Matched”：表示命中。若未命中，则输出“Unmatched”。

2. “(0, 4)”和“(1, 5)”：表示命中字符的起止偏移量。

3. “8250”：表示提取的目标字符串。
   综上所述，功能强大的正则表达式，使用起来并不复杂，却能覆盖极广的使用场景。在NPM/BPM产品中引入正则表达式，也正是这个原因。
   

4. 避免转义字符。如前文所述，正则表达式有其特有的一套转义字符，如果对这些不是很熟悉，可能会踩坑。

5. 符号“+”表示提取至少1位。如果出现并非4位的“功能号”，也能正常提取。
   注意，Fig.4中的“目标序号”设置， 是指提取第一个数字序列。
   

纯数字的“功能号”究竟代表什么样的功能，很不直观，那么就需要在业务定义配置页面，为每个“功能号”取一个新的名称，如Fig.5所示。

大功告成！去BPM详单分析页面验收吧，每一笔业务的交互信息都非常清晰直观的展示出来（Fig.6）。这种方法不仅仅适用于获取“功能号”，也可以获取其他任何需要的信息。