原创作者: abruzzi
第六章 正则表达式
正则表达式是对字符串的结构进行的形式化描述,非常简洁优美,而且功能十分强大。很多的语言都不同程度的支持正则表达式,而在很多的文本编辑器如Emacs,vim,UE中,都支持正则表达式来进行字符串的搜索替换工作。UNIX下的很多命令行程序,如awk,grep,find更是对正则表达式有良好的支持。
JavaScript同样也对正则表达式有很好的支持,RegExp是JavaScript中的内置“类”,通过使用RegExp,用户可以自己定义模式来对字符串进行匹配。而JavaScript中的String对象的replace方法也支持使用正则表达式对串进行匹配,一旦匹配,还可以通过调用预设的回调函数来进行替换。
正则表达式的用途十分广泛,比如在客户端的JavaScript环境中的用户输入验证,判断用户输入的身份证号码是否合法,邮件地址是否合法等。另外,正则表达式可用于查找替换工作,首先应该关注的是正则表达式的基本概念。
关于正则表达式的完整内容完全是另外一个主题了,事实上,已经有很多本专著来解释这个主题,限于篇幅,我们在这里只关注JavaScript中的正则表达式对象。
6.1正则表达式基础概念
本节讨论正则表达式中的基本概念,这些基本概念在很多的正则表达式实现中是一致的,当然,细节方面可能会有所不同,毕竟正则表达式是来源于数学定义的,而不是程序员。JavaScriipt的正则表达式对象实现了perl正则表达式规范的一个子集,如果你对perl比较熟悉的话,可以跳过这个小节。脚本语言perl的正则表达式规范是目前广泛采用的一个规范,Java中的regex包就是一个很好的例子,另外,如vim这样的应用程序中,也采用了该规范。
6.1.1 元字符与特殊字符
元字符,是一些数学符号,在正则表达式中有特定的含义,而不仅仅表示其“字面”上的含义,比如星号(*),表示一个集合的零到多次重复,而问号(?)表示零次或一次。如果你需要使用元字符的字面意义,则需要转义。
下面是一张元字符的表:
元字符 | 含义 |
^ | 串的开始 |
$ | 串的结束 |
* | 零到多次匹配 |
+ | 一到多次匹配 |
? | 零或一次匹配 |
\b | 单词边界 |
特殊字符,主要是指注入空格,制表符,其他进制(十进制之外的编码方式)等,它们的特点是以转义字符(\)为前导。如果需要引用这些特殊字符的字面意义,同样需要转义。
下面为转移字符的一张表:
字符 | 含义 |
字符本身 | 匹配字符本身 |
\r | 匹配回车 |
\n | 匹配换行 |
\t | 制表符 |
\f | 换页 |
\x# | 匹配十六进制数 |
\cX | 匹配控制字符 |
6.1.2 范围及重复
我们经常会遇到要描述一个范围的例子,比如,从0到3的数字,所有的英文字母,包含数字,英文字母以及下划线等等,正则表达式规定了如何表示范围:
标志符 | 含义 |
[…] | 在集合中的任一个字符 |
[^…] | 不在集合中的任一个字符 |
. | 出\n之外的任一个字符 |
\w | 所有的单字,包括字母,数字及下划线 |
\W | 不包括所有的单字,\w的补集 |
\s | 所有的空白字符,包括空格,制表符 |
\S | 所有的非空白字符 |
\d | 所有的数字 |
\D | 所有的非数字 |
\b | 退格字符 |
结合元字符和范围,我们可以定义出很强大的模式来,比如,一个简化版的匹配Email的正则表达是为:
Js代码
var emailval = /^[\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+$/; emailval.test("kmustlinux@hotmail.com");//true emailval.test("john.abruzzi@pl.kunming.china");//true emailval.test("@invalid.com");//false,不合法var emailval = /^[\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+$/; emailval.test("kmustlinux@hotmail.com");//trueemailval.test("john.abruzzi@pl.kunming.china");//trueemailval.test("@invalid.com");//false,不合法
[\w-]表示所有的字符,数字,下划线及减号,[\w-]+表示这个集合最少重复一次,然后紧接着的这个括号表示一个分组(分组的概念参看下一节),这个分组的修饰符为星号(*),表示重复零或多次。这样就可以匹配任意字母,数字,下划线及中划线的集合,且至少重复一次。
而@符号之后的部分与前半部分唯一不同的是,后边的一个分组的修饰符为(+),表示至少重复一次,那就意味着后半部分至少会有一个点号(.),而且点号之后至少有一个字符。这个修饰主要是用来限制输入串中必须包含域名。
最后,脱字符(^)和美元符号($)限制,以……开始,且以……结束。这样,整个表达式的意义就很明显了。
再来看一个例子:在C/Java中,变量命名的规则为:以字母或下划线开头,变量中可以包含数字,字母以及下划线(有可能还会规定长度,我们在下一节讨论)。这个规则描述成正则表达式即为下列的定义:
Js代码
var variable = /[a-zA-Z_][a-zA-Z0-9_]*/; print(variable.test("hello")); print(variable.test("world")); print(variable.test("_main_")); print(variable.test("0871"));var variable = /[a-zA-Z_][a-zA-Z0-9_]*/; print(variable.test("hello"));print(variable.test("world"));print(variable.test("_main_"));print(variable.test("0871"));
将会打印:
true
true
true
false
前三个测试字符均为合法,而最后一个是数字开头,因此为非法。
通过加推导(+),星推导(*),以及谓词,我们可以灵活的对范围进行重复,但是我们仍然需要一种机制来提供诸如4位数字,最多10个字符等这样的精确的重复方式。这就需要用到下表中的标记:
标记 | 含义 |
{n} | 重复n次 |
{n,} | 重复n或更多次 |
{n,m} | 重复至少n次,至多m次 |
有了精确的重复方式,我们就可以来表达如身份证号码,电话号码这样的表达式,而不用担心出做,比如:
Js代码
- var pid = /\d{15}|\d{18}/;//身份证
- var mphone = /\d{11}/;//手机号码
- var phone = /\d{3,4}-\d{7,8}/;//电话号码
- mphone.test("13893939392");//true
- phone.test("010-99392333");//true
- phone.test("0771-3993923");//true
var pid = /\d{15}|\d{18}/;//身份证var mphone = /\d{11}/;//手机号码var phone = /\d{3,4}-\d{7,8}/;//电话号码 mphone.test("13893939392");//truephone.test("010-99392333");//truephone.test("0771-3993923");//true
6.1.3 分组与引用
在正则表达式中,括号是一个比较特殊的操作符,它可以有三中作用,这三种都是比较常见的:
第一种情况,括号用来将子表达式标记起来,以区别于其他表达式,比如很多的命令行程序都提供帮助命令,键入h和键入help的意义是一样的,那么就会有这样的表达式:
h(elp)?//字符h之后的elp可有可无
这里的括号仅仅为了将elp自表达式与整个表达是隔离(因为h是必选的)。
第二种情况,括号用来分组,当正则表达式执行完成之后,与之匹配的文本将会按照规则填入各个分组,比如,某个数据库的主键是这样的格式:四个字符表示省份,然后是四个数字表示区号,然后是两位字符表示区县,如yunn0871cg表示云南省昆明市呈贡县(当然,看起来的确很怪,只是举个例子),我们关心的是区号和区县的两位字符代码,怎么分离出来呢?
Js代码
var pattern = /\w{4}(\d{4})(\w{2})/; var result = pattern.exec("yunn0871cg"); print("city code = "+result[1]+", county code = "+result[2]); result = pattern.exec("shax0917cc"); print("city code = "+result[1]+", county code = "+result[2]);var pattern = /\w{4}(\d{4})(\w{2})/;var result = pattern.exec("yunn0871cg");print("city code = "+result[1]+", county code = "+result[2]);result = pattern.exec("shax0917cc");print("city code = "+result[1]+", county code = "+result[2]);
正则表达式的exec方法会返回一个数组(如果匹配成功的话),数组的第一个元素(下标为0)表示整个串,第一个元素为第一个分组,第二个元素为第二个分组,以此类推。因此上例的执行结果即为:
写道city code = 0871, county code = cg
city code = 0917, county code = cc
第三种情况,括号用来对引用起辅助作用,即在同一个表达式中,后边的式子可以引用前边匹配的文本,我们来看一个非常常见的例子:我们在设计一个新的语言,这个语言中有字符串类型的数据,与其他的程序设计语言并无二致,比如:
Js代码
var str = "hello, world"; var str = 'fair enough';var str = "hello, world";var str = 'fair enough';
均为合法字符,我们可能会设计出这样的表达式来匹配该声明:
Js代码
var pattern = /['"][^'"]*['"]/;var pattern = /['"][^'"]*['"]/;
看来没有什么问题,但是如果用户输入:
Js代码
var str = 'hello, world"; var str = "hello, world';var str = 'hello, world";var str = "hello, world';
我们的正则表达式还是可以匹配,注意这两个字符串两侧的引号不匹配!我们需要的是,前边是单引号,则后边同样是单引号,反之亦然。因此,我们需要知道前边匹配的到底是“单”还是“双”。这里就需要用到引用,JavaScript中的引用使用斜杠加数字来表示,如\1表示第一个分组(括号中的规则匹配的文本),\2表示第二个分组,以此类推。因此我们就设计出了这样的表达式:
Js代码
var pattern = /(['"])[^'"]*\1/;var pattern = /(['"])[^'"]*\1/;
在我们新设计的这个语言中,为了某种原因,在单引号中我们不允许出现双引号,同样,在双引号中也不允许出现单引号,我们可以稍作修改即可完成:
Js代码
var pattern = /(['"])[^\1]*\1/;var pattern = /(['"])[^\1]*\1/;
这样,我们的语言中对于字符串的处理就完善了。
6.2 使用正则表达式
创建一个正则表达式有两种方式,一种是借助RegExp对象来创建,另一种方式是使用正则表达式字面量来创建。在JavaScript内部的其他对象中,也有对正则表达式的支持,比如String对象的replace,match等。我们可以分别来看:
6.2.1 创建正则表达式
使用字面量:
Js代码
- var regex = /pattern/;
var regex = /pattern/;
使用RegExp对象:
Js代码
var regex = new RegExp("pattern", switchs);var regex = new RegExp("pattern", switchs);
而正则表达式的一般形式描述为:
Js代码
var regex = /pattern/[switchs];var regex = /pattern/[switchs];
这里的开关(switchs)有以下三种:
修饰符 | 描述 |
i | 忽略大小写开关 |
g | 全局搜索开关 |
m | 多行搜索开关(重定义^与$的意义) |
比如,/java/i 就可以匹配java/Java/JAVA,而/java/则不可。而g开关用来匹配整个串中所有出现的子模式,如/java/g匹配”javascript&java”中的两个”java”。而m开关定义是否多行搜索,比如:
Js代码
var pattern = /^javascript/; print(pattern.test("java\njavascript"));//false pattern = /^javascript/m; print(pattern.test("java\njavascript"));//truevar pattern = /^javascript/;print(pattern.test("java\njavascript"));//falsepattern = /^javascript/m;print(pattern.test("java\njavascript"));//true
RegExp对象的方法:
方法名 | 描述 |
test() | 测试模式是否匹配 |
exec() | 对串进行匹配 |
compile() | 编译正则表达式 |
RegExp对象的test方法用于检测字符串中是否具有匹配的模式,而不关心匹配的结果,通常用于测试,如上边提到的例子:
Js代码
var variable = /[a-zA-Z_][a-zA-Z0-9_]*/; print(variable.test("hello"));//true print(variable.test("world"));//true print(variable.test("_main_"));//true print(variable.test("0871"));//falsevar variable = /[a-zA-Z_][a-zA-Z0-9_]*/; print(variable.test("hello"));//trueprint(variable.test("world"));//trueprint(variable.test("_main_"));//trueprint(variable.test("0871"));//false
而exec则通过匹配,返回需要分组的信息,在分组及引用小节中我们已经做过讨论,而compile方法用来改变表达式的模式,这个过程与重新声明一个正则表达式对象的作用相同,在此不作深入讨论。
6.2.2 String中的正则表达式
除了正则表达式对象及字面量外,String对象中也有多个方法支持正则表达式操作,我们来通过例子讨论这些方法:
方法 | 作用 |
match | 匹配正则表达式,返回匹配数组 |
replace | 替换 |
split | 分割 |
search | 查找,返回首次发现的位置 |
Js代码
var str = "life is very much like a mirror."; var result = str.match(/is|a/g); print(result);//返回[“is”, “a”]var str = "life is very much like a mirror.";var result = str.match(/is|a/g);print(result);//返回[“is”, “a”]
这个例子通过String的match来匹配str对象,得到返回值为[“is”, “a”]的一个数组。
Js代码
var str = "<span>Welcome, John</span>"; var result = str.replace(/span/g, "div"); print(str); print(result);var str = "<span>Welcome, John</span>";var result = str.replace(/span/g, "div");print(str);print(result);
得到结果:
Html代码
- <span>Welcome, John</span>
- <div>Welcome, John</div>
<span>Welcome, John</span><div>Welcome, John</div>
也就是说,replace方法不会影响原始字符串,而将新的串作为返回值。如果我们在替换过程中,需要对匹配的组进行引用(正如之前的\1,\2方式那样),需要怎么做呢?还是上边这个例子,我们要在替换的过程中,将Welcome和John两个单词调换顺序,编程John, Welcome:
Js代码
var result = str.replace(/(\w+),\s(\w+)/g, "$2, $1"); print(result);var result = str.replace(/(\w+),\s(\w+)/g, "$2, $1");print(result);
可以得到这样的结果:
Html代码
- <span>John, Welcome</span>
<span>John, Welcome</span>
因此,我们可以通过$n来对第n个分组进行引用。
Js代码
var str = "john : tomorrow :remove:file"; var result = str.split(/\s*:\s*/); print(str); print(result);var str = "john : tomorrow :remove:file";var result = str.split(/\s*:\s*/);print(str);print(result);
得到结果:
john : tomorrow :remove:file
john,tomorrow,remove,file
注意此处split方法的返回值result是一个数组。其中包含了4个元素。
Js代码
var str = "Tomorrow is another day"; var index = str.search(/another/); print(index);//12var str = "Tomorrow is another day";var index = str.search(/another/);print(index);//12
search方法会返回查找到的文本在模式中的位置,如果查找不到,返回-1。
6.3 实例:JSFilter
本小节提供一个实例,用以展示在实际应用中正则表达式的用途,当然,一个例子不可能涵盖所有的内容,只是一个最常见的场景。
考虑这样一种情况,我们在UI上为用户提供一种快速搜索的能力,使得随着用户的键入,结果集不断的减少,直到用户找到自己需要的关键字对应的栏目。在这个过程中,用户可以选择是否区分大小写,是否全词匹配,以及高亮一个记录中的所有匹配。
显然,正则表达式可以满足这个需求,我们在这个例子中忽略掉诸如高亮,刷新结果集等部分,来看看正则表达式在实际中的应用:
图1 在列表中使用JSFilter(结果集随用户输入而变化)
来看一个代码片段:
Js代码
this.content.each(function(){ var text = $(this).text(); var pattern = new RegExp(keyword, reopts); if(pattern.test(text)){ var item = text.replace(pattern, function(t){ return "<span class=\""+filterOptions.highlight+"\">"+t+"</span>"; }); $(this).html(item).show(); }else{//clear previous search result $(this).find("span."+filterOptions.highlight).each(function(){ $(this).replaceWith($(this).text()); }); } });this.content.each(function(){ var text = $(this).text(); var pattern = new RegExp(keyword, reopts); if(pattern.test(text)){ var item = text.replace(pattern, function(t){ return "<span class=\""+filterOptions.highlight+"\">"+t+"</span>"; }); $(this).html(item).show(); }else{//clear previous search result $(this).find("span."+filterOptions.highlight).each(function(){ $(this).replaceWith($(this).text()); }); }});
其中,content是结果集,是一个集合,其中的每一个项目都可能包含用户输入的关键字,keyword是用户输入的关键字序列,而reopts为正则表达式的选项,可能为(i,g,m),each是jQuery中的遍历集合的方式,非常方便。程序的流程是这样的:
l 进入循环,取得结果集中的一个值作为当前值
l 使用正则表达式对象的test方法进行测试
l 如果测试通过,则高亮标注记录中的关键字
l 否则跳过,进行下一条的检测
遍历完所有的结果集,生成了一个新的,高亮标注的结果集,然后将其呈现给用户。而且可以很好的适应用户的需求,比如是否忽略大小写检查,是否高亮所有,是否全词匹配,如果自行编写程序进行分析,则需要耗费极大的时间和精力。
图2 在表格中使用JSFilter(不减少结果集)
这个例子来源于一个实际的项目,我对其进行了适度的简化,完整的代码可以参考附件。