正则表达式？How to do?

正则表达式

正则表达式（Regular Expressions，简称regex或regexp）是一种强大的文本处理工具，用于匹配、查找、替换字符串中的特定模式。

详细文档 在线调试工具

基础概念

• 模式（Pattern）：正则表达式本身就是一个模式，用于描述一系列可能的字符串。
• 匹配（Match）：当一个字符串符合正则表达式的模式时，我们说这个字符串与该模式匹配。
• 元字符（Metacharacters）：具有特殊意义的字符，例如.、*、+、?等。
• 转义（Escaping）：使用反斜杠\来取消元字符的特殊意义，使它们作为普通字符参与匹配。

常见元字符及其功能

字面字符

• 字面字符是最简单的正则表达式元素，直接代表自己。例如，a 仅匹配字母 a。

元字符

• 元字符是具有特殊意义的字符，用来构造复杂的匹配模式。
  • .：匹配除换行符外的任何单个字符。
  • ^：匹配字符串的开始位置。如：^a 匹配以 a 开始的字符串
  • $：匹配字符串的结束位置。如，a$ 匹配以 a 结束的字符串
  • *：匹配前面的表达式零次或多次。如：ab*c，表示 匹配 ac、abc、abbc 等，即 a 后跟零个或多个 b，再跟c。
  • +：匹配前面的表达式一次或多次。如：ab+c，表示 匹配 abc、abbc 等，即 a 后跟一个或多个 b，再跟 c。
  • ?：匹配前面的表达式零次或一次。如：ab?c，表示 匹配 ac 或 abc，即 a 后跟零个或一个 b，再跟 c.
  • {n}：匹配前面的表达式恰好 n 次。
  • {n,}：匹配前面的表达式至少 n 次。
  • {n,m}：匹配前面的表达式至少 n 次，但不超过 m 次。如a{2,4}, 表示匹配两到四个连续的 a。
    示例
  • []：定义一个字符集，匹配括号内的任何一个字符。
  • [^...]：定义一个否定字符集，匹配不在括号内的任何字符。
  • ()：创建一个捕获组，可以用来引用组内的内容。如：(ab)c，表示匹配 abc，并将 ab 作为一个组捕获。
  • |：逻辑或，表示选择前面或后面的一个表达式。如：ab|cd，表示匹配 ab 或者 cd
  • \：转义字符，用来转义后续的特殊字符。如：\.，表示匹配点号 .（因为 . 是元字符，需要用 \ 转义）

字符类

• 字符类是预定义的字符集，简化了常见字符集的书写。
  • \d：匹配任何数字，等价于 [0-9]。
  • \D：匹配任何非数字，等价于 [^0-9]。
  • \s：匹配任何空白字符，包括空格、制表符、换页符等。如：\s+，表示匹配一个或多个空白字符（空格、制表符、换行符等）
  • \S：匹配任何非空白字符。
  • \w：匹配任何字母数字字符，包括下划线 _，等价于 [a-zA-Z0-9_]。
  • \W：匹配任何非字母数字字符，等价于 [^a-zA-Z0-9_]。
  • \b：匹配单词边界。
  • \B：匹配非单词边界。

模式修饰符

• 修饰符用来改变正则表达式的匹配行为。
  • i：忽略大小写。
  • g：全局匹配（不只匹配第一次出现）。
  • m：多行匹配，使 ^ 和 $ 能够匹配每一行的开始和结束。
  • u：Unicode 模式，在支持 Unicode 的环境中启用 Unicode 字符类。
  • y：粘附模式，从上次匹配结束的地方开始匹配。

其他

• (?:pattern): 匹配 pattern 但不捕获该匹配的子表达式，即它是一个非捕获匹配，不存储供以后使用的匹配。这对于用"or"字符 (|) 组合模式部件的情况很有用。
  • 例如，industr(?:y|ies) 是比 industry|industries更经济的表达式。
• (?=pattern):执行正向预测先行搜索的子表达式，该表达式匹配处于匹配 pattern 的字符串的起始点的字符串。它是一个非捕获匹配，即不能捕获供以后使用的匹配。
  • 例如，‘Windows (?=95|98|NT|2000)’ 匹配"Windows 2000"中的"Windows"，但不匹配"Windows 3.1"中的"Windows"。预测先行不占用字符，即发生匹配后，下一匹配的搜索紧随上一匹配之后，而不是在组成预测先行的字符后。
• (?!pattern):执行反向预测先行搜索的子表达式，该表达式匹配不处于匹配 pattern 的字符串的起始点的搜索字符串。它是一个非捕获匹配，即不能捕获供以后使用的匹配。
  • 例如，‘Windows (?!95|98|NT|2000)’ 匹配"Windows 3.1"中的 “Windows”，但不匹配"Windows 2000"中的"Windows"。预测先行不占用字符，即发生匹配后，下一匹配的搜索紧随上一匹配之后，而不是在组成预测先行的字符后。

实例及解析

匹配电子邮件地址

^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$

• ^：确保电子邮件地址位于字符串的开始。
• [a-zA-Z0-9_.+-]+：匹配一个或多个用户名部分的字符。
• @：匹配 @ 符号。
• [a-zA-Z0-9-]+：匹配一个或多个域名部分的字符。
• \.：匹配点号 .。
• [a-zA-Z0-9-.]+：匹配顶级域名部分。
• $：确保电子邮件地址位于字符串的末尾。

匹配手机号码

^\+?1?\d{9,15}$

• ^：确保号码位于字符串的开始。
• \+?：可选的加号 +。
• 1?：可选的前缀 1。
• \d{9,15}：匹配 9 到 15 位数字。
• $：确保号码位于字符串的末尾。

匹配日期格式

\d{4}-(0[1-9]|1[012])-(0[1-9]|[12][0-9]|3[01])

• \d{4}：匹配四位数字（年份）。
• -：匹配短横线 -。
• (0[1-9]|1[012])：匹配月份，范围从 01 到 12。
• (0[1-9]|[12][0-9]|3[01])：匹配天数，范围从 01 到 31。

常用案例

• 整数或者小数：^[0-9]+\.{0,1}[0-9]{0,2}$
• 英文字母：^[A-Za-z]+$
• 汉字：^[\u4e00-\u9fa5]{0,}$
• 邮箱：^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$
• 域名：[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(/.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+/.?
• url：[a-zA-z]+://[^\s]* 或 ^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$
• 手机号码：^1[35789]\d{9}$
• 校验IP-v4地址：\\b(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\b
• 校验IP-v6地址：(([0-9a-fA-F]{1,4}:){7,7}[0-9a-fA-F]{1,4}|([0-9a-fA-F]{1,4}:){1,7}:|([0-9a-fA-F]{1,4}:){1,6}:[0-9a-fA-F]{1,4}|([0-9a-fA-F]{1,4}:){1,5}(:[0-9a-fA-F]{1,4}){1,2}|([0-9a-fA-F]{1,4}:){1,4}(:[0-9a-fA-F]{1,4}){1,3}|([0-9a-fA-F]{1,4}:){1,3}(:[0-9a-fA-F]{1,4}){1,4}|([0-9a-fA-F]{1,4}:){1,2}(:[0-9a-fA-F]{1,4}){1,5}|[0-9a-fA-F]{1,4}:((:[0-9a-fA-F]{1,4}){1,6})|:((:[0-9a-fA-F]{1,4}){1,7}|:)|fe80:(:[0-9a-fA-F]{0,4}){0,4}%[0-9a-zA-Z]{1,}|::(ffff(:0{1,4}){0,1}:){0,1}((25[0-5]|(2[0-4]|1{0,1}[0-9]){0,1}[0-9])\\.){3,3}(25[0-5]|(2[0-4]|1{0,1}[0-9]){0,1}[0-9])|([0-9a-fA-F]{1,4}:){1,4}:((25[0-5]|(2[0-4]|1{0,1}[0-9]){0,1}[0-9])\\.){3,3}(25[0-5]|(2[0-4]|1{0,1}[0-9]){0,1}[0-9]))
• 身份证号码18位：^[1-9]\\d{5}[1-9]\\d{3}((0\\d)|(1[0-2]))(([0|1|2]\\d)|3[0-1])\\d{3}([0-9]|X)$

使用场景

• 验证输入：如电子邮件地址、电话号码格式等。
• 搜索和替换：在文档中查找特定模式的文本，并进行替换。
• 数据提取：从大量文本中提取有用信息，如日期、价格等。
• 文本清理：去除不需要的字符或格式化文本。

注意事项

• 性能问题：复杂的正则表达式可能会导致性能下降，尤其是在处理大数据集时。
• 安全性：不当的正则表达式使用可能导致安全漏洞，如拒绝服务攻击。
• 测试：在实际应用之前，应该充分测试正则表达式以确保其正确性和鲁棒性。