本文是一篇正则表达式高级教程,主要通过对正则表达式几个概念的介绍,深入探讨正则表达式高级功能,以期达到通俗化解释正则表达式高深概念的目的。

深入理解正则表达式应用

[TOC]

前面已经写过一篇文章《我眼里的正则表达式(入门)》介绍过正则表达式的基础和基本套路正则三段论定锚点,去噪点,取数据了,接下来这篇文章,补充一点相对高级的概念:

概念一:按单字符匹配
概念二:匹配优先和不匹配优先
概念三:贪婪模式与非贪婪模式
概念四:环视(断言)
概念五:平衡组
概念六:模式修饰符
附:正则三段论应用

概念一:按单字符匹配

正则里面的数据都是按照单个字符来进行匹配的,这个通过数值区间的例子最容易体现出来,比如,示例一:

我要匹配0-15的数值区间,用正则来写的话,便是[0-9]|1[0-5],这里,便是把0-9这种单字符的情况,和10-15这种多字符的情况拆分开了,使用分支|来区分开,表示要么是0-9,要么是10-15。
上面是两位数值的情况,现在延伸至1-65535,我个人的处理思想是从大到小,一块块分解:

65530-65535 ==> 6553[0-5] 末位区间0-5
65500-65529 ==> 655[0-2][0-9] 第四位区间0-2,末位区间0-9
65000-65499 ==> 65[0-4][0-9]{2} 第三位区间0-4,后两位0-9
60000-64999 ==> 6[0-4][0-9]{3} 第二位区间0-4,后三位0-9
10000-59999 ==> [1-5][0-9]{4} 第一位区间1-5,后四位0-9
1-9999 ==> [1-9][0-9]{0,3} 第一位只能是1-9,后三位可有可无

最后组合起来:
(6553[0-5]|655[0-2][0-9]|65[0-4][0-9]{2}|6[0-4][0-9]{3}|[1-5][0-9]{4}|[1-9][0-9]{0,3})
便得到1-65535匹配正则。

根据数据处理需求,可以在正则前后加上^$,以匹配整个数据串,或者前后加入\b,把它当做单词边界处理。没有限定字符的边界往往是js正则判断中常见的错误之一

概念二:匹配优先和不匹配优先

匹配优先和不匹配优先从字面理解也是比较容易的,所谓匹配优先,就是,能匹配我就先匹配;不匹配优先就是,能不匹配我就先不匹配,这段匹配先跳过,先看看后面的匹配能不能通过。

概念三:贪婪模式与非贪婪模式

正则的贪婪模式和非贪婪模式是一个比较容易混淆的概念,不过,我们可以这么理解,一个人很贪婪,所以他会能拿多少拿多少,换过来,那就是贪婪模式下的正则表达式,能匹配多少就匹配多少,尽可能最多。而非贪婪模式,则是能不匹配就不匹配,尽可能最少。

下面举个例子,示例二:

需求:匹配1后面跟任意个0
源串:10001
使用贪婪模式:10* 结果:1000 和 1
使用非贪婪模式:10*? 结果:1 和 1

首先,*是匹配0个或多个的意思。

贪婪模式下,它表示,首先匹配一个1,然后匹配1后面的0,最多可以匹配3个0,因此得到1000,然后第二次又匹配到一个1,但是后面没有0,因此得到1;
非贪婪模式下,它表示,首先匹配一个1,然后1后面的0,能不匹配就不匹配了,所以,它每次都只是匹配了一个1。

看到这里,也许,有些人觉得,哎呀,我懂了!
那么,下来我们改改,看看你是不是真懂了。

示例三:

需求:匹配1后面跟任意个0,再跟一个1
源串:10001
使用贪婪模式:10*1 结果:10001
使用非贪婪模式:10*?1 结果:10001

为什么这两次的结果一样了?

因为,正则表达式要判断完这整个正则才算成功,这种情况下,

贪婪模式,首先匹配一个1,然后匹配1后面尽可能多的0,发现3个,再匹配0后面的一个1,正则表达式匹配完,完成匹配,得到10001;
非贪婪模式,首先匹配一个1,然后,0*?是非贪婪模式,它不想匹配了(非贪婪模式不匹配优先),看看后面是不是1了?然后发现哎妈呀,后面是个0啊,然后它回头,不能再偷懒了,用0*?匹配一个0吧,然后匹配到10,又不想匹配了,看看后面有没有1了,还是没有,又回去用0*?匹配掉一个0,得到100,继续偷懒,但是发现后面还不是1,然后又用0*?匹配得到1000,最后,发现真不容易啊,终于看到1了,匹配得到10001,正则表达式匹配完,完成匹配。

看到这里,是不是懂了?
那究竟哪个模式好呢?

什么时候使用贪婪模式,什么时候使用非贪婪模式,哪个性能好,哪个性能不好,不能一概而论,要根据情况分析。
下面我举个例子:
源码:

1
2
<a href="http://www.zjmainstay.cn/my-regexp" target="_blank" title="我眼里的正则表达式(入门)">我眼里的正则表达式(入门)</a>
<a title="我眼里的正则表达式(入门)" href="http://www.zjmainstay.cn/my-regexp" target="_blank">我眼里的正则表达式(入门)</a>

正则1:<a [^>]*?href="([^"]*?)"[^>]*?>([^<]*?)</a>(238次)
正则2:<a [^>]*?href="([^"]*)"[^>]*>([^<]*)</a>(65次)
正则3:<a [^>]*href="([^"]*)"[^>]*>([^<]*)</a>(136次)
附:执行次数的获取请下载正则表达式测试工具:RegexBuddy 4.1.0-正则测试工具.rar,使用里面的Debug功能。

正则1是通用写法,正则2是在确定字符不会溢出的情况下消除非贪婪模式,正则3是证明并不是全部消除非贪婪模式就是最优。

因此,关于贪婪模式好还是非贪婪模式好的讨论,只能说根据需求而定,不过,在平时的时候用,一般使用非贪婪模式较多,因为贪婪模式经常会由于元字符范围限制不严谨而导致匹配越界,得到非预期结果。

在确定的数据结构里,可以尝试使用[^>]*>这样的排除字符贪婪模式替换非贪婪模式,提升匹配的效率。注意,贪婪部分([^>]*)的匹配,最好不要越过其后面的字符(>),否则会导致贪婪模式下的回溯,如正则3,[^>]*的匹配越过了href,一直匹配到>为止,而这时候再匹配href,会匹配不到而导致多次回溯处理,直到回溯到href前的位置,后面才继续了下去。

另外,需要注意一点,无论使用贪婪模式还是非贪婪模式,在不同语言需要注意回溯次数和嵌套次数的限制,比如在PHP中,pcre.backtrack_limit=100000pcre.recursion_limit=100000

概念四:环视(断言/零宽断言)

环视,在不同的地方又称之为零宽断言,简称断言。
用一句通俗的话解释:
环视,就是先从全局环顾一遍正则,(然后断定结果,)再做进一步匹配处理。
断言,就是先从全局环顾一遍正则,然后断定结果,再做进一步匹配处理。

两个虽然字面不一样,意思却是同一个,都是做全局观望,再做进一步处理。

环视的作用相当于对其所在位置加了一个附加条件,只有满足这个条件,环视子表达式才能匹配成功

环视主要有以下4个用法:
(?<=exp) 匹配前面是exp的数据
(?<!exp) 匹配前面不是exp的数据
(?=exp) 匹配后面是exp的数据
(?!exp) 匹配后面不是exp的数据

示例四:
(?<=B)AAA 匹配前面是B的数据,即BAAA匹配,而CAAA不匹配
(?<!B)AAA 匹配前面不是B的数据,即CAAA匹配,而BAAA不匹配
AAA(?=B) 匹配后面是B的数据,即AAAB匹配,而AAAC不匹配
AAA(?!B) 匹配后面不是B的数据,即AAAC能匹配,而AAAB不能匹配

另外,还会看到(?!B)[A-Z]这种写法,其实它是[A-Z]范围里,排除B的意思,前置的(?!B)只是对后面数据的一个限定,从而达到过滤匹配的效果。

因此,环视做排除处理是比较实用的,比如,示例五:

需求:字母、数字组合,不区分大小写,不能纯数字或者纯字母,6-16个字符。
通用正则:^[a-z0-9]{6,16}$ 字母数字组合,6-16个字符
排除纯字母:(?!^[a-z]+$)
排除纯数字:(?!^[0-9]+$)
组合起来:(?!^[a-z]+$)(?!^[0-9]+$)^[a-z0-9]{6,16}$

注意,环视部分是不占宽度的,所以有零宽断言的叫法。
所谓不占宽度,可以分成两部分理解:
1、环视的匹配结果不纳入数据结果
2、环视它匹配过的地方,下次还能用它继续匹配。

如果不是环视,则匹配过的地方,不能再匹配第二次了。

上面示例四体现了:环视的匹配结果不纳入数据结果,它的结果:

1
2
3
4
(?<=B)AAA     源串:BAAA  结果:AAA
(?<!B)AAA 源串:CAAA 结果:AAAAAA
(?=B) 源串:AAAB 结果:AAAAAA
(?!B) 源串:AAAC 结果:AAA

而示例五体现了:环视它匹配过的地方,下次还能用它继续匹配
因为,整个匹配过程中,正则表达式一共走了3次字符串匹配,第一次匹配不全部是字母,第二次匹配不全部是数字,第三次匹配全部是字母数字组合,6-16个字符。

1
2
3
4
扩展部分:
`[A-Z](?<=B)` [A-Z]范围等于B
`[A-Z](?<!B)` [A-Z]范围排除B
`(?!B)[A-Z]` [A-Z]范围排除B

概念五:平衡组

平衡组并不是所有程序语言都支持,而我本人使用的PHP语言就不支持,所以平时接触也是比较少的。

平衡组主要用到下面四个语法:

1
2
3
4
(?'group') 把捕获的内容命名为group,并压入堆栈(Stack)    
(?'-group') 从堆栈上弹出最后压入堆栈的名为group的捕获内容,如果堆栈本来为空,则本分组的匹配失败
(?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话,继续匹配yes部分的表达式,否则继续匹配no部分
(?!) 零宽负向先行断言,由于没有后缀表达式,如没有(?!B)的B,试图匹配总是失败

在PHP中是支持(?(group)yes|no)语法的,这里的group是分组编号,即子模式编号,如(A)?(?(1)yes|no) ,匹配Ayes 和 no

下面这里引用《正则表达式30分钟入门教程#平衡组》关于<>配对匹配的例子,展示平衡组用法,

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
<                         #最外层的左括号
[^<>]* #最外层的左括号后面的不是括号的内容
(
(
(?'Open'<) #碰到了左括号,在黑板上写一个"Open"
[^<>]* #匹配左括号后面的不是括号的内容
)+
(
(?'-Open'>) #碰到了右括号,擦掉一个"Open"
[^<>]* #匹配右括号后面不是括号的内容
)+
)*
(?(Open)(?!)) #在遇到最外层的右括号时,判断黑板上还有没有没擦掉的"Open";如果还有,则匹配失败
> #最外层的右括号

平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配嵌套的<div>标签:
<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>

概念六:模式修饰符

模式修饰符在许多程序语言中都支持的,比如最常见的是i,不区分大小写,如javascript里的/[a-z0-9]/i,表示匹配字母数字,不区分大小写。

本人在写php正则时常用的模式修饰符主要有is,如:
$pattern = '#[a-z0-9]+#is';

模式修饰符s的作用主要是的.能够匹配换行,在处理换行数据时,通常会用到。

在PHP中,模式修饰符有两种用法,一种是上面的,在分隔符后面的模式修饰符,它的作用范围是全局;另一种是在正则表达式中间的。
例如:

正则:/((?i)[A-Z]+)c/
测试字符:abcABC
匹配:abc
说明:局部(ab)的大小写被忽略了,(?i)的作用范围在分组1内

如果把正则改成:/([A-Z]+)c/i,则匹配结果将是:abcABC
示例地址:PHP正则表达式中间的模式修饰符

关于PHP模式修饰符的讲解,请查看PHP手册中的《PHP模式修饰符》。

七:正则三段论应用

我眼里的正则表达式(入门)》 和 本文《深入正则表达式应用》几乎倾尽本人正则学习全部思想,但是很多读者反馈,看晕了!看到如此点评,实属无奈,因此,有必要追加本节,来个整体统筹运用,希望能让大家犹如拨云见月,洞悉其中的精义。

正则三段论:定锚点,去噪点,取数据

两篇文章中,最重要的部分当属正则三段论定锚点,去噪点,取数据,它是整个正则处理过程中的灵魂,它贯穿整个正则撰写过程。

下面举例说明它的思想,示例六:

1
2
源数据:标题:深入正则表达式应用,作者:Zjmainstay
需求:匹配作者名字

我要从源数据取到Zjmainstay这个作者名,那么,在这里,作者:就是我们所说的锚点,因为在上面这段数据中它能够唯一定位到我们的数据Zjmainstay(就在它后面),因此,我们得到

(1) 定锚点:作者:

而在这里,我们不需要关心标题什么的,因此,标题:深入正则表达式应用,就是我们的噪点,因此,我们得到

(2) 去噪点

最后,我们确定作者:后面就是我们的数据,这个数据可以是任意字符,因此,我们得到正则:
作者:(.*)

而噪点部分,因为不会对数据取值造成干扰,直接去掉,不需要引入正则中。

下面再举一个噪点干扰的例子,示例七:

1
2
源数据: <a href="http://www.zjmainstay.cn/my-regexp" class="demo8" title="正则三段论应用举例">正则表达式入门教程</a>
需求:提取链接和标题,还有a标签的文字

看到这个源数据和需求,我们必须定位好锚点,主要有:

  1. <a //必须是a标签
  2. href=" 和 " //href=””的内容得到链接
  3. title=" 和 " //title=””的内容得到标题
  4. > 和 </a> //>和</a>的内容得到标签文字

然后,其他的都是噪点,使用.*?替代,需要提取的数据部分使用括号获取子模式,得到分组数据,因此得到正则:
<a href="(.*?)".*?title="(.*?)">(.*?)</a>

看到这里,也许有朋友觉得,我还是不会写,那么,再来一个更简单的构建方法,细化步骤,从源串逐步得到正则,示例八:

  1. 直接拷贝源串,特殊字符处理转义(本例没特殊字符)
    1
    <a href="http://www.zjmainstay.cn/my-regexp" class="demo8" title="正则三段论应用举例">正则表达式入门教程</a>
  2. 从左到右,一段段转化
    1
    2
    3
    4
    2.1 <a href="(.*?)" class="demo8" title="正则三段论应用举例">正则表达式入门教程</a>
    2.2 <a href="(.*?)".*?title="正则三段论应用举例">正则表达式入门教程</a>
    2.3 <a href="(.*?)".*?title="(.*?)">正则表达式入门教程</a>
    2.4 <a href="(.*?)".*?title="(.*?)">(.*?)</a>
  3. 得到最终的正则
    <a href="(.*?)".*?title="(.*?)">(.*?)</a>

至此,正则三段论的基本思想已经展示完毕,大家还有什么不解请评论留言,本人看到会第一时间给予回复。

熟悉正则三段论处理思想,剩下的便是基本语义的熟练程度了,这个通过多用多练可以达到熟能生巧的境界。

最后留下一句至尊提醒.万能字符,大家看着用,遇到换行使用[\s\S]替换.即可。

(完)

附:

正则表达式速查表https://cs.hufeifei.cn/regex/

正则测试工具 RegexBuddy 4.1.0-正则测试工具.rar

正则表达式工具RegexBuddy使用教程 正则表达式工具RegexBuddy使用教程

Mac 正则表达式工具 Mac正则表达式测试工具