深入理解正则表达式高级教程

深入理解正则表达式高级教程

一、按字符匹配

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：

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：

1.65530-65535   6553[0-5]
2.65500-65529   655[0-2][0-9]
3.65000-65499   65[0-4][0-9]{2}
4.60000-64999   6[0-4][0-9]{3}
5.10000-59999   [1-5][0-9]{4}
6.1-9999        [1-9][0-9]{0,3}

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})

根据数据处理需求，可以在正则前后加上^和$，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

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，就是能匹配的我就先匹配，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。

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：

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，最后可以匹配到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，下来我们改变，看看你是不是真的懂了。

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？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，看看后面是不是1了?然后发现使用0 * ？还可以继续匹配，然后匹配到10，以此继续，直到匹配到10001，完成匹配

看到这里，是不是懂了

那究竟哪个模式好用呢?

什么时候用贪婪模式，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

如下：

<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

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前的为止，后面才继续了下去

四、环视（断言/零宽断言）

环视，在不用的地方又称之为零宽断言，简称断言

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，意思确实同一个，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，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

实例如下:

(?<=B)AAA 匹配前面是B的数据，即BAAA匹配，CAAA不匹配

(?<!B)AAA 匹配前面不是B的数据, 即CAAA匹配，BAAA不匹配

AAA(?=B)匹配后面是B的数据，即AAAB匹配，AAAC不匹配

AAA(?!B)匹配后不是B的数据，即AAAC匹配，AAAB不匹配

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ISI，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，环视做排除处理还是比较实用的，比如:

需求：字母，数字组合，不区分大小写，不能纯数字或纯字母，6-16个字符
通用写法: ^[a-z0-9]{6,16}$ 
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

上面的第一个例子体现了，环视的匹配结果不纳入数据结果,他的结果:

(?<=B)AAA     源串：BAAA  结果：AAA
(?<!B)AAA     源串：CAAA  结果：AAA
AAA(?=B)      源串：AAAB  结果：AAA
AAA(?!B)      源串：AAAC  结果：AAA

而第二个例子体现了，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

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

五、平衡组

平衡组并不是所有程序语言都支持。

平衡组主要用到下面4个语法:

(?'group') 把捕获的内容命名为group,并压入堆栈
(?'-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，由于与没有后缀表达式，如没有(?!B)的B，试图匹配总是失败

六、正则三段论应用

两篇文章中，最重要的部分当属定锚点，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

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

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>

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。

原文地址:http://www.zjmainstay.cn/deep-regexp