检索匹配的利器：正则表达式

正则表达式（Regular Expression，下文简称为RegEx或正则）是一个很棒的利器，它广泛应用于字符串的查找、匹配以及替换等场景，比如检查邮箱、手机号、URL等等。以其简短的表现形式和高效的查找匹配效率总是让人爱不释手。本文旨在帮助大家入门正则并学会解决常见的正则问题，希望能帮到大家。

一. 初识正则

1. 正则给人的直观印象

很多人觉得正则表达式很难，一般有两种情况：第一种是确实看的比较深入，这种大神太少了，至少我现在只认识了一个。另外一种情况就是被正则晦涩难懂的表达形式吓到了。本文主要是针对第二种人，我想说的是正则表达式真的不难，最起码学会初级和中级的应用不难。

2. 一个常见的正则小应用

相信很多人应该碰到过“检测用户输入的手机号或者邮箱是否合法”这种需求。这种例子用正则来做最合适不过了。比如下面的正则就可以判断一个邮箱是否合法。

^([a-zA-Z0-9_\\-\\.]+)@((\\[[0-9]{1,3}\\.[0-9]{1,3}\\.[0-9]{1,3}\\.)|(([a-zA-Z0-9\\-]+\\.)+))([a-zA-Z]{2,4}|[0-9]{1,3})(\\]?)$

我记得学正则之前看到这个表达方式后还是很迷惑的，什么鬼啊，完全看不出和邮箱有什么联系。不过现在看着就感觉很简单了，都是一些基础的正则符号，相信大家看完本文后，再回头看这个表达式会有豁然开朗的感觉。

二. 走进正则表达式的世界

上面说了那么多，目的是为了让大家对正则有个初步的概念。下面主要说明正则的基本语法。看完这部分之后，就能很轻松地看懂上面的那个匹配邮箱地址的正则了。

1. 元字符

元字符其实就是正则中的保留字符，这些字符在正则表达式中有着自己特殊的含义。就像Java中的class和interface关键字一样，他们不是普通的字符串，有着自己特殊的含义。

• 脱字节符：^

意思：代表一行文本的开头
用处：当我们想从一行文本的开头处匹配时，那么这个字符是个很好的选择。

• 美元符号：$

意思：代表一行文本文本的结尾
用处：当我们想匹配到一行文本的结尾时，那么这个字符是个很好的选择。

• 单词分界符：\b

意思：代表一个单词的开始或者结束
用处：当我们想匹配字符串中的某一个单词时，可以用这个符号匹配单词的开始和结束的位置

• 取非符号：^

意思：用在字符串组（下面会讲到）中，代表“非”的意思。
用处：这个符号和脱字节符号是同一个字符，只是用在不同的地方表示不同的意思，下面的字符组的例子我们会用到它。

• 点号通配符：.

意思：你没看错，这个小圆点，代指任何一个字符。（除了换行符）
用处：当我们对某个字符没有任何要求时，可以用它通配任意一个字符。

我对元字符的理解就是：正则匹配其实就是规则匹配，正则表达式其实就是一个规则表达式，元字符就是制定了规则，比如.就代表任意一个字符，具体是什么字符不关心。只有这样，才能抽象出一定的规则，实现更灵活和复杂的匹配。

2. 量词的三个分类

上面提到了一些基础的元字符，一般匹配某一个或某一类字符。下面介绍一下三个量词字符‘*’‘+’‘？’。它们用来修饰基本的正则表达式，表示正则的匹配次数。

分类	匹配次数
*	匹配零次或者多次
+	最少匹配一次，可以匹配多次
?	匹配零次，或者匹配一次

比如，一个用来匹配单词的基本的正则表达式：

\b\w\w\b    // 匹配具有两个字母的单词。

 那么，很显然，上面的正则只能匹配只有两个字符的单词，但是我们的目的是匹配所有的单词，那么该怎么搞呢，我们也没法确定这个单词到底有多少个字符。

这里就会用到量词了，如下：

\b\w\w*\b    //这个正则和上面的那个比，只多了一个字符‘*’意义就完全变了。它表示“有任意多个\w”，这正好符合要求。

上面的例子中多了一个‘*’，意思是，符号‘*’前面的那个字符，出现零次或者多次。

当然，我们也可以改成下面的写法：

\b\w+\b   // 这个正则和上面的那个表达的意思一样。

为什么可以这样呢，因为“一个单词最少有一个字母”。这里之所以可以这么简单，是因为‘+’最少匹配一次，所以，被这个正则匹配的字符一定最少有一个字母。符合要求。

然而，这还不够，还有一种情况我们没有考虑。

假设我们想把下面的HTML代码中的第一个div标签的内容过滤出来，该怎么搞呢

第一个DIV
第二个DIV

你可能会想到用：

.*

 这个其实不行，它匹配的结果是：

第一个DIV
第二个DIV

这明显不是我们想要的结果。也就是说‘*’可以匹配零个字符和多个字符，但是，当有多种合适的匹配结果时，其总是优先匹配字符最多的结果。

这就尴尬了。。。

怎么搞，怎么让‘*’匹配第一个，而不是同时匹配两个呢。

这就要再学习一个新知识了：

正则表达式的匹配模式有三种，分别是：贪婪模式（最多匹配模式），勉强模式（最少匹配模式）和占有模式。正则默认使用的是贪婪模式。

分类	量词	特性
匹配优先量词	*  +  ?	尽可能多的匹配
忽略优先量词	*?  +?  ??	尽可能少的匹配
占有优先量词	*+  ++  ?+	类似于匹配优先，但一旦匹配就不会退还，类似于“固化分组”

通过上面的表格，我们可以知道，可以用‘*’的勉强模式‘*？’就可以达到效果。

 所以，正确的正则应该是：

.*?

学会了‘*’的勉强模式，那么‘+’和‘?’也就同理了。 

3. 字符组

字符组是正则中一个很重要的概念。字符组匹配的是单个字符，这个字符可以是字符组中列出的任意一个字符。字符组的表现形式为：[....]。

当我们想匹配的某一个字符不是固定的，比如，我们想匹配一段文字中所有的数字，也就是说要匹配所有的 0~9 这十个字符。这时我们就需要用到字符组这个概念。

关于字符组其实很简单，这里举两个小例子。

记得以前看过一句话“一篇议论文中提到的数字概念越多，就越有说服力”。暂且不去考证这句话的真假。假设我们现在有一篇文章，需要找出文中所有的数字并统计数字的个数。那么我们该怎样用正则过滤出所有的数字呢。

首先，我们可以这样：

[0123456789]    // 该字符组匹配单个字符，这个字符可以是 0123456789 这十个数字中的任何一个

 也可以简化一下变成这样

[0-9]    //中间的‘-’的意思是‘从x到y所有字符’，该顺序遵循ASCII表的顺序，这里也同样表示 0123456789 这十个数字中的任何一个数字

 当然还有更简化的写法，上面也提到了

\d    //  ‘\d’这个符号代指任意一个数字，范围是：0-9

 再举个例子，还是上面的语境，我们要匹配所有的数字，除了数字‘0’和‘9’，也就是匹配‘0’和‘9’之外的所有数字

如果你前面的看懂了，那么这个问题就非常简单了

[^09]    //‘^’用在字符组中是“取非”的意思，整个字符组的意思变成了“匹配单个字符，但这个字符不能是字符组中列出的任何一个”。注意：‘^’表示“取非”的意思时，必须放在字符组中字符的最前面

 再来几个例子加深理解

[^a-f]    // 匹配单个字符，但是这个字符不能是‘abcdef’中的任何一个。
[^\d]    // 匹配单个字符，但是这个字符不能是数字。

字符组当然也有很多常用的快捷字符组：

字符组	匹配范围
\d	匹配单个字符，这个字符必须是数字
\D	匹配单个字符，这个字符不能是数字，等于[^\d]
\w	匹配单个字符，这个字符必须是字母
\W	匹配单个字符，这个字符不能是字母，等于[^\w]
\s	匹配单个字符，这个字符是一个空白字符（空格、制表符等等）
\S	匹配单个字符，这个字符不能是空白字符，等于[^\s]

4. 环视

什么是环视？

环视就是在匹配字符串的时候，规定字符串的前面或者后面的字符必须符合环视的要求。

先来整体看一下环视的分类和表现形式：

环视的种类	符号表示	具体含义
顺序肯定环视	(?=…)	某个字符后面有某个字符
顺序否定环视	(?!…)	某个字符后面没有某个字符
逆序肯定环视	(?<=…)	某个字符前面有某个字符
逆序否定环视	(?< !…)	某个字符前面没有某个字符

可以看到，环视总共分为四种，并且具有各自的意思和表达方式。我们接下来举个例子来说明一下环视的用法。

实现数字的三位分割，也就是我们日常见到的金钱的表示方法，总是每三位加一个‘，’。比如余额为 12345678 元，往往被写成 12，345，678 元 。

这个问题怎么解决呢，这个问题的关键是要找出需要插入‘, ’的位置。

我们可以总结出一个规律，“从后往前看，都是三个数字一组”，也就是

(\d\d\d)+$   // 三个数字一组

上面这个正则，只需要将所有的 (\d\d\d)+$ 替换成  , (\d\d\d)+$ 就可以了。

下面，我再分别针对环视的不同种类，分别举例说明一下具体的用法：

1.顺序肯定环视

比如我们想匹配hellochillax helloxiao里里面的hello，但是有个要求：在hello后面必须有chillax这个字符。

我们可以这样做：hello(?=chillax)

2.顺序否定环视

还是上面的这个字符串hellochillax helloxiao，这次，要求变了：在hello后面不能有chillax这个字符。

我们可以这样做：hello(?!chillax)

3.逆序肯定环视

比如我们想匹配hellochillax xiaochillax里里面的chillax，但是有个要求：在chillax前面必须有hello这个字符。

我们可以这样做：(?<=hello)chillax

4.逆序肯定环视

比如我们想匹配hellochillax xiaochillax里里面的chillax，但是有个要求：在chillax前面不能有hello这个字符。

我们可以这样做：(?

5. 捕获

这个功能其实是为了让我们更好地控制正则匹配的字符。有的时候我们为了获取到目标字符串，必须加入一些上下文元素，但是这些上下文元素并不是我们想要的，我们可以通过“捕获”来指出想要的部分，去掉不想要的部分。

比如，还是上面的那个过滤HTML中div标签的例子，如果我们只想过滤出第一个div标签里的内容，而不想要div标签，该怎么实现呢。

其实我们可以把想要的字符串对应的正则用括号括起来，就可以通过编程语言的一些函数获取到这个括号里的内容，从而达到除去上下文无用字符的目的。

待过滤HTML代码：

第一个DIV
第二个DIV

过滤出

第一个DIV

的正则是：

.*?
   //上面的例子，应该能看懂了

过滤出第一个DIV的正则是：

(.*?)
 //比上面多了一对括号。我们可以通过直接获取括号里的内容来直接得到想要的字符串‘第一个DIV”

捕获的思路是通过添加括号，然后单独取某个括号的匹配内容，来实现更灵活的匹配策略。

具体实现每种语言都不一样，遇到这种场景首先想到用捕获，然后查一下该语言的正则是怎么使用捕获的即可。

 6. 模式修饰符（modifier）

在某些时候，我们需要对正则进行一些设定，用来满足某些特殊需求。

先来看一下常用的模式修饰符：

modifier	作用
(?i…)	不区分大小写
(?-i…)	取消不区分大小写
(?s…)	点号通配模式
(?m…)	增强的行锚点模式

这一块要一个一个解释了：

1. (?i…)   不区分大小写

有的时候我们想匹配某些字母，但是不区分大小写，比如我们想匹配字母‘ABCDabcd’，

最直观的，我们可以这样写：

[abcdABCD]   //最直白的正则。。

 也可以这样：

[a-dA-D]    //使用‘-’，可以简化连续的字符的书写，比上面那个稍好。

 也可以使用模式修饰符：

(?i:[abcd])  //在(?i:)里面的字符，不区分大小写，全部匹配

 2. (?-i…)   取消不区分大小写

这个更简单，就是在上面那个符号内范围内，如果你想局部区分大小写，可以用这个。不举例了~

3. (?s…) 点号通配模式

这个有必要说一下，本文刚开始就介绍了一个特别有用的元字符‘.’，上面说它可以指代任何一个字符，除了换行符。那么，如果你想用“.*”来匹配一大段文字的话，里面有很多换行符，实现起来就很困难了。

所以，我们可以指定“.”暂时可以匹配换行符，所以可以写成：

(?s:.*)  //在这个括号内，显式指定'.'匹配任何字符，包括换行符。

 4. (?m…)   增强的行锚点模式（也成为多行文本模式）

增强的行锚点可以改变‘^’和‘$’的匹配效果。正常情况下，‘^’和‘$’不会受到文本中换行符的干扰，也就是说如果一段文字中有多个换行符，那么正常情况下‘^’和‘$’分别匹配这段文字的开头和结尾。

但是如果开启了增强的行锚点模式，‘^’和‘$’就会分别匹配这段文字的第一个换行符之前的文字的开头和结尾。

例如：

My Life Getting Better \n NO1

 然后有：

^.*$  //匹配结果为：My Life Getting Better \n NO1
(?m:^.*$)  //匹配结果为：My Life Getting Better

 可以看出明显的不同。。

三. 把正则应用于日常工作中

不仅是在代码里可以用到正则，平时工作与生活也可以用得到。

可以用正则写一写小工具来提高效率，比如查log，或者查文本，可以用正则进行模糊搜索、排版等等。

举个例子，使用 git 时，经常需要 cherry-pick 许多个 commit：

commit 64a70be5205848bb89f11df9555f10f0bb118b62 (HEAD -> master)
Author: xxx 
Date:   Fri Mar 1 17:36:26 2019 +0800

    xxx默认示例

commit 36f4a80471dbd9c923f762919c541f0f4f921760
Author: xxx 
Date:   Fri Mar 1 17:33:02 2019 +0800

    Update README.md

commit 0fa181462d932e8ff5ccc94f805423e6d41bed46
Author: xxx 
Date:   Fri Mar 1 17:31:53 2019 +0800

    Initial commit

怎么提取里面的 commit id 呢，用正则就很简单，只需要扫一下这个文本，提取出来就好。说实话刚开始我是手动一个一个的拷贝出来的，因为一般也就十几个 commit，手动拷贝也很快，但是直到遇到了一次有几十个 commit 的，还是写了个工具，把文本写入文件，然后用正则几毫秒就可以过滤出来。

四. 需要学习的还有很多

1. 正则表达式的效率

没错，正则表达式也是讲效率的，同一个目标字符串，同一个匹配要求，不同的正则表达式其效率可能差别很大。所以，作为一名合格的程序员，不仅要实现功能，还要时刻考虑效率的问题。

2. 正则的流派和搜索引擎

正则是有很多流派的，不同的流派之间可能会有略微的不同，但是基本大同小异。

正则的驱动引擎分为两种：DFA 和 NFA。分别是确定型有限自动机和非确定型有限自动机，DFA的特点是“文本主导”，NFA的特点是“表达式主导”。

不同的编程语言可能属于不同的流派，也可能使用不同的驱动引擎，这会导致其在对正则的支持上会略有不同。比如 NFA 比 DFA 支持的正则特性要多。

当然，这些都可以先不用考虑，因为一般体会不到这种差别。。遇到具体语言时，Google 查一下就好。

3. 元字符转义

上面提到了很多正则里的元字符，它们出现在正则表达式中会有着自己特殊的含义。那么，在正则匹配过程中，如果我们就是想匹配这些字符呢。那就需要转义了，转义的表示方式是在被转义的元字符前面加一个反斜杠。

比如我们想匹配下面的字符串：

[私たち]

用下面的正则可以匹配么

[私たち]    //这个正则的意思是：匹配单个代码点，这个代码点可以是‘私’、‘た’、‘ち’中的任意一个

当然不行。。 

这里我们需要对“[”和“]”进行转义，变成这样

\[私たち\]  //这里使用‘\’对元字符进行转义，使其变成一个普通的字符

 当然，有些语言中，‘\’本身也需要转义，比如在Java中就需要下面这种表示：

\\[私たち\\]

其他的元字符同理~~ 

4. 正则的字符编码问题

上面多次提到，一个正则符号匹配单个或者多个“字符”，这个“字符”需要着重解释一下。

编码字符集有很多，比如Unicode、GBK、ASCII等等。。编程中最常用的编码字符集是Unicode。最常使用的编码格式是UTF-8 。UTF-8支持的字符范围和Unicode一样广泛，并且能够区分Unicode字符和ASCII字符，变长编码的方式也使得其存储效率较高，因此在编程中广泛被使用。

字符的存储方式是二进制编码，比如一个ASCII字符就占一个字节的空间，范围是0~127 。那么，每一个字符，在Unicode字符集中就对应着一个十六进制数字。我们把这个数字称为“代码点”（代码点指的是该字符在Unicode对应表中对应的数值）。我们需要注意的是，正则匹配时，匹配的“单个字符”其实并不准确，准确得说，应该是“单个代码点”。

绝大多数字符都对应一个代码点，有少数字符对应多个代码点。当我们用“.”去匹配这些字符时，会得不到我们想要的结果。

比如一个汉字对应一个代码点，所以我们可以用“.”去匹配单个汉字。

Unicode中有很多组合字符，这些字符看上去像是一个代码点，但是其实需要用多个代码点去表示。

比如，有兴趣的可以试一下用“.”去匹配下面这些字符：

กิิ ก้้ ก็็ ก็็ กิิ ก้้ ก็็ กิิ ก้้ กิิ ก้้ ก็็ ก็็ กิิ ก้้ ก็็ กิิ ก้้      //这里的每一个字符都对应着两个代码点

PS：说这些东西的目的是能够对编码有一定的了解。实际开发中基本用不到。不过对字符编码还是需要多了解一下，很重要~

五. 总结

精通正则表达式不仅要学会语法，更要在实际问题中不断练习。只有不断思考，不断尝试，才能将正则用在刀刃上，切切实实提升开发效率，达到应有的效果。

最后附上两个正则的教程，一个比较基础，另一个则是比较权威的教程。大家根据自己的需要选择吧。希望对大家能有一定的帮助。谢谢。

正则表达式30分钟入门教程

精通正则表达式（第三版）

公众号无法放外链，点击阅读原文下载吧。