文章目录
看正则的扩展前请先了解正则表达式:RegExp
对正则有兴趣想深入了解的可以看JavaScript正则表达式迷你书
正则的扩展
RegExp构造函数
ES5中,RegExp
构造函数的参数有两种情况。
var regex = new RegExp('xyz', 'i');
var regex = new RegExp(/xyz/i);
// 都等价于
var regex = /xyz/i;
但是,ES5 不允许此时使用第二个参数添加修饰符,否则会报错。
var regex = new RegExp(/xyz/, 'i');
// Uncaught TypeError: Cannot supply flags when constructing one RegExp from another
ES6 改变了这种行为。如果RegExp
构造函数第一个参数是一个正则对象,那么可以使用第二个参数指定修饰符。而且,返回的正则表达式会忽略原有的正则表达式的修饰符,只使用新指定的修饰符。
new RegExp(/abc/ig, 'i').flags
// "i"
上面代码中,原有正则对象的修饰符是ig
,它会被第二个参数i
覆盖。
字符串的正则方法
ES6 出现之前,字符串对象共有 4 个方法,可以使用正则表达式:match()
、replace()
、search()
和split()
。
ES6 将这 4 个方法,在语言内部全部调用RegExp
的实例方法,从而做到所有与正则相关的方法,全都定义在RegExp
对象上。
String.prototype.match
调用RegExp.prototype[Symbol.match]
String.prototype.replace
调用RegExp.prototype[Symbol.replace]
String.prototype.search
调用RegExp.prototype[Symbol.search]
String.prototype.split
调用RegExp.prototype[Symbol.split]
u修饰符
ES6添加了u
修饰符,含义为“Unicode模式”,用于处理大于\uFFF
的Unicode字符。
/^\uD83D/u.test('\uD83D\uDC2A') // false
/^\uD83D/.test('\uD83D\uDC2A') // true
上面代码中\uD83D\uDC2A
是一个四字节的编码,代表一个字符。但ES5不支持四字节编码,因此第二行代码为true
,加了u
后,ES6就会识别为一个字符,因此第一行为false
。
一旦加上u
修饰符号,就会修改下面这些正则表达式的行为。
- 点字符
点(.
)表示除换行符以外的任意单个字符。下面代码中,不添加u
修饰符,正则表达式就会认为字符串为两个字符,从而匹配失败。
var s = '𠮷';
/^.$/.test(s) // false
/^.$/u.test(s) // true
- Unicode字符表示法
ES6 新增了使用大括号表示 Unicode 字符,这种表示法在正则表达式中必须加上u
修饰符,才能识别当中的大括号,否则会被解读为量词。
/\u{61}/.test('a') // false
/\u{61}/u.test('a') // true
/\u{20BB7}/u.test('𠮷') // true
- 量词
使用u
修饰符后,所有量词都会正确识别码点大于0xFFFF
的 Unicode 字符。
/a{2}/.test('aa') // true
/a{2}/u.test('aa') // true
/𠮷{2}/.test('𠮷𠮷') // false
/𠮷{2}/u.test('𠮷𠮷') // true
- 预定义模式
\S
是预定义模式,匹配所有非空白字符。只有加了u
修饰符,它才能正确匹配码点大于0xFFFF
的 Unicode 字符。
/^\S$/.test('𠮷') // false
/^\S$/u.test('𠮷') // true
利用这一点,可以写出一个正确返回字符串长度的函数。
function codePointLength(text) {
var result = text.match(/[\s\S]/gu);
return result ? result.length : 0;
}
var s = '𠮷𠮷';
s.length // 4
codePointLength(s) // 2
- i修饰符
类似\u004B
和u212A
这种编码不同,字形相近,都是大写的K
,如果不加u
,就无法识别非规范的K
字符。
/[a-z]/i.test('\u212A') // false
/[a-z]/iu.test('\u212A') // true
- 转义
没有u
修饰符的情况下,正则中没有定义的转义(如逗号的转义\,
)无效,而在u
模式会报错。
/\,/ // /\,/
/\,/u // 报错
上面代码中,没有u
修饰符时,逗号前面的反斜杠是无效的,加了u
修饰符就报错。
RegExp.prototype.unicode
表示是否设置了u
修饰符
const r1 = /hello/;
const r2 = /hello/u;
r1.unicode // false
r2.unicode // true
y修饰符
y
修饰符叫做“粘连”(sticky)修饰符,作用与g
修饰符类似,后一次匹配都从上一次匹配成功的下一个位置开始。不同之处在于,g
修饰符只要剩余位置中存在匹配就可,而y
要确保匹配必须从剩余的第一个位置开始。
var s = 'aaa_aa_a';
var r1 = /a+/g;
var r2 = /a+/y;
r1.exec(s) // ["aaa"]
r2.exec(s) // ["aaa"]
r1.exec(s) // ["aa"]
r2.exec(s) // null
使用lastIndex
属性,可以更好地说明y
修饰符。
const REGEX = /a/g;
// 指定从2号位置(y)开始匹配
REGEX.lastIndex = 2;
// 匹配成功
const match = REGEX.exec('xaya');
// 在3号位置匹配成功
match.index // 3
// 下一次匹配从4号位开始
REGEX.lastIndex // 4
// 4号位开始匹配失败
REGEX.exec('xaya') // null
上面代码中,lastIndex
属性指定每次搜索的开始位置,g
修饰符从这个位置开始向后搜索,直到发现匹配为止。
y
修饰符同样遵守lastIndex
属性,但是要求必须在lastIndex
指定的位置发现匹配。
const REGEX = /a/y;
// 指定从2号位置开始匹配
REGEX.lastIndex = 2;
// 不是粘连,匹配失败
REGEX.exec('xaya') // null
// 指定从3号位置开始匹配
REGEX.lastIndex = 3;
// 3号位置是粘连,匹配成功
const match = REGEX.exec('xaya');
match.index // 3
REGEX.lastIndex // 4
实际上,y
修饰符号隐含了头部匹配的标志^
。y
修饰符的设计本意,就是让头部匹配的标志^
在全局匹配中都有效。
下面是replace
方法的例子:
const REGEX = /a/gy;
'aaxa'.replace(REGEX, '-') // '--xa'
下面是match
方法的例子:
'a1a2a3'.match(/a\d/y) // ["a1"]
'a1a2a3'.match(/a\d/gy) // ["a1", "a2", "a3"]
y修饰符的一个应用,是从字符串提取 token(词元),y
修饰符确保了匹配之间不会有漏掉的字符。
const TOKEN_Y = /\s*(\+|[0-9]+)\s*/y;
const TOKEN_G = /\s*(\+|[0-9]+)\s*/g;
tokenize(TOKEN_Y, '3 + 4')
// [ '3', '+', '4' ]
tokenize(TOKEN_G, '3 + 4')
// [ '3', '+', '4' ]
function tokenize(TOKEN_REGEX, str) {
let result = [];
let match;
while (match = TOKEN_REGEX.exec(str)) {
result.push(match[1]);
}
return result;
}
上面代码中,如果字符串里面没有非法字符,y
修饰符与g
修饰符的提取结果是一样的。但是,一旦出现非法字符,两者的行为就不一样了。
tokenize(TOKEN_Y, '3x + 4')
// [ '3' ]
tokenize(TOKEN_G, '3x + 4')
// [ '3', '+', '4' ]
上面代码中,g
修饰符会忽略非法字符,而y
修饰符不会,这样就很容易发现错误。
RegExp.prototype.sticky
表示是否设置了y修饰符。
var r = /hello\d/y;
r.sticky // true
RegExp.protoype.flags
返回正则表达式的修饰符。
// ES5 的 source 属性
// 返回正则表达式的正文
/abc/ig.source
// "abc"
// ES6 的 flags 属性
// 返回正则表达式的修饰符
/abc/ig.flags
// 'gi'
s修饰符:dotAll模式
正则表达式中,.
代表任意单个字符,但有两个例外。一是四个字节的UTF-16字符,这个可以用u
修饰符解决;二是行终止符。
行终止符:
- U+000A 换行符(
\n
) - U+000D 回车符(
\r
) - U+2028 行分隔符
- U+2029 段分隔符
/foo.bar/.test('foo\nbar')
// false
但是,很多时候我们希望匹配的是任意单个字符,这时有一种变通的写法。
/foo[^]bar/.test('foo\nbar')
// true
这种解决方案毕竟不太符合直觉,ES2018 引入s
修饰符,使得.
可以匹配任意单个字符。
/foo.bar/s.test('foo\nbar') // true
这被称为dotAll
模式,即点(dot)代表一切字符。
所以,正则表达式还引入了一个dotAll
属性,返回一个布尔值,表示该正则表达式是否处在dotAll
模式。
const re = /foo.bar/s;
// 另一种写法
// const re = new RegExp('foo.bar', 's');
re.test('foo\nbar') // true
re.dotAll // true
re.flags // 's'
/s
修饰符和多行修饰符/m
不冲突,两者一起使用的情况下,.
匹配所有字符,而^
和$
匹配每一行的行首和行尾。
后行断言
先行断言:x
只在y
前才能匹配必须写成/x(?=y)/
。
先行否定断言:x
只有不在y
前才匹配必须写成/x(?!y)/
。
/\d+(?=%)/.exec('100% of US presidents have been male') // ["100"]
/\d+(?!%)/.exec('that’s all 44 of them') // ["44"]
“后行断言”:x
只有在y
后面才匹配,必须写成/(?<=y)x/
。
“后行否定断言”:x
只有不在y
后面才匹配,必须写成/(?<!y)x/
。
/(?<=\$)\d+/.exec('Benjamin Franklin is on the $100 bill') // ["100"]
/(?<!\$)\d+/.exec('it’s is worth about €90') // ["90"]
下面是replace
方法的例子:
const RE_DOLLAR_PREFIX = /(?<=\$)foo/g;
'$foo %foo foo'.replace(RE_DOLLAR_PREFIX, 'bar');
// '$bar %foo foo'
后行断言是先匹配/(?<=y)x/
的x
,然后再回左边匹配y。这种“先右后左”的顺序导致了一些不符合预期的行为。
首先是组匹配:
/^(\d+)(\d+)$/.exec('1053') // ["1053", "105", "3"]
/(?<=(\d+)(\d+))$/.exec('1053') // ["", "1", "053"]
无后行断言时,第一个括号是贪婪模式,第二个只能捕获一个字符。
而后行断言时,第二个括号是贪婪模式,第一个只能捕获一个字符。(为什么第一个为""
呢?从美元符号的例子中可以看到,“后行断言”的括号之中的部分((?<=\$)
),是不计入返回结果的。)
其次是反斜杠引用,与通常的顺序相反。
/(?<=(o)d\1)r/.exec('hodor') // null
/(?<=\1d(o))r/.exec('hodor') // ["r", "o"]
上面代码中,如果后行断言的反斜杠引用(\1
)放在括号的后面,就不会得到匹配结果,必须放在前面才可以。因为后行断言是先从左到右扫描,发现匹配以后再回过头,从右到左完成反斜杠引用。
(PS:\1
表示匹配到的第一个括号中的内容,\2
表示匹配到的第二个括号中的内容,以此类推。)
Unicode 属性类
ES2018 引入了一种新的类的写法\p{...}
和\P{...}
,允许正则表达式匹配符合 Unicode 某种属性的所有字符。
const regexGreekSymbol = /\p{Script=Greek}/u;
regexGreekSymbol.test('π') // true
上面代码中,\p{Script=Greek}
指定匹配一个希腊文字母,所以匹配π
成功。
Unicode 属性类要指定属性名和属性值。
\p{UnicodePropertyName=UnicodePropertyValue}
某些属性也可以只写属性名,或者只写属性值
\p{UnicodePropertyName}
\p{UnicodePropertyValue}
\P{…}
是\p{…}
的反向匹配,即匹配不满足条件的字符。
这两类只对Unicode有效,所以用的时候一定要加上u
修饰符,否则会报错。
const regex = /^\p{Decimal_Number}+$/u;
regex.test('𝟏𝟐𝟑𝟜𝟝𝟞𝟩𝟪𝟫𝟬𝟭𝟮𝟯𝟺𝟻𝟼') // true
上面代码中,属性类指定匹配所有十进制字符,可以看到各种字型的十进制字符都会匹配成功。
下面是其他例子:
// 匹配所有数字
const regex = /^\p{Number}+$/u;
regex.test('²³¹¼½¾') // true
regex.test('㉛㉜㉝') // true
regex.test('ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫ') // true
// 匹配所有空格
\p{White_Space}
// 匹配各种文字的所有字母,等同于 Unicode 版的 \w
[\p{Alphabetic}\p{Mark}\p{Decimal_Number}\p{Connector_Punctuation}\p{Join_Control}]
// 匹配各种文字的所有非字母的字符,等同于 Unicode 版的 \W
[^\p{Alphabetic}\p{Mark}\p{Decimal_Number}\p{Connector_Punctuation}\p{Join_Control}]
// 匹配 Emoji
/\p{Emoji_Modifier_Base}\p{Emoji_Modifier}?|\p{Emoji_Presentation}|\p{Emoji}\uFE0F/gu
// 匹配所有的箭头字符
const regexArrows = /^\p{Block=Arrows}+$/u;
regexArrows.test('←↑→↓↔↕↖↗↘↙⇏⇐⇑⇒⇓⇔⇕⇖⇗⇘⇙⇧⇩') // true
具名组匹配
简介
正则表达式使用圆括号进行组匹配。
const RE_DATE = /(\d{4})-(\d{2})-(\d{2})/;
const matchObj = RE_DATE.exec('1999-12-31');
//["1999-12-31", "1999", "12", "31", index: 0, input: "1999-12-31", groups: undefined]
const year = matchObj[1]; // 1999
const month = matchObj[2]; // 12
const day = matchObj[3]; // 31
组匹配的问题:匹配含义难以辨别、只能用数字序号(matchObj[1]
)引用。
ES2018引入了具名组匹配,允许为每个组匹配指定名字。
const RE_DATE = /(?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2})/;
const matchObj = RE_DATE.exec('1999-12-31');
//["1999-12-31", "1999", "12", "31", index: 0, input: "1999-12-31", groups: {year: "1999", month: "12", day: "31"}]
const year = matchObj.groups.year; // "1999"
const month = matchObj.groups.month; // "12"
const day = matchObj.groups.day; // "31"
如果具名组没匹配,那么对应的groups
对象属性会是undefined
。
const RE_OPT_A = /^(?<as>a+)?$/;
const matchObj = RE_OPT_A.exec('');
//["", undefined, index: 0, input: "", groups: {as: undefined}]
matchObj.groups.as // undefined
'as' in matchObj.groups // true
解构赋值和替换(多看多用熟记于心)
解构赋值->直接从匹配结果上为变量赋值。
let {groups: {one, two}} = /^(?<one>.*):(?<two>.*)$/u.exec('foo:bar');
one // foo
two // bar
替换->用$<组名>
引用具名组。
let re = /(?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2})/u;
'2015-01-02'.replace(re, '$<day>/$<month>/$<year>')
// '02/01/2015'
上面代码中,replace
方法的第二个参数是一个字符串,而不是正则表达式。
replace
方法的第二个参数也可以是函数,该函数的参数序列如下。
'2015-01-02'.replace(re, (
matched, // 整个匹配结果 2015-01-02
capture1, // 第一个组匹配 2015
capture2, // 第二个组匹配 01
capture3, // 第三个组匹配 02
position, // 匹配开始的位置 0
S, // 原字符串 2015-01-02
groups // 具名组构成的一个对象 {year, month, day}
) => {
let {day, month, year} = groups;
return `${day}/${month}/${year}`;
});
具名组匹配在原来的基础上,新增了最后一个函数参数:具名组构成的一个对象。函数内部可以直接对这个对象进行解构赋值。
引用
如果要在正则表达式内部引用某个“具名组匹配”,可以用\k<组名>
。
const RE_TWICE = /^(?<word>[a-z]+)!\k<word>$/;
RE_TWICE.test('abc!abc') // true
RE_TWICE.test('abc!ab') // false
数字引用(\1
)依然有效。
const RE_TWICE = /^(?<word>[a-z]+)!\k<word>!\1$/;
RE_TWICE.test('abc!abc!abc') // true
RE_TWICE.test('abc!abc!ab') // false
正则匹配索引
正则实例的exec()
方法返回结果中有index
属性,可以获取整个匹配结果的开始位置。但如果包含组匹配则很难拿到每个组匹配的开始位置。
第三阶段提案提出为exec()
方法的返回结果加上indices
属性,在这个属性上可以拿到匹配的开始和结束位置。
const text = 'zabbcdef';
const re = /ab/;
const result = re.exec(text);
result.index // 1
result.indices // [ [1, 3] ]
indices
数组只有一个成员(没有组匹配),表示开始位置是1
,结束位置是3
。
注意,它的作用域是[开始位置, 结束位置)———包含开始位置,不包含结束位置。
下面例子中,包含2个组匹配,那么indices
数组就有3个成员,成员1是abbcdef
的位置,成员2是cd
的位置,成员3是ef
的位置
const text = 'zabbcdef';
const re = /ab+(cd(ef))/;
const result = re.exec(text);
result.indices // [ [1, 8], [4, 8], [6, 8] ]
如果包含具名组匹配,indices
数组会有一个groups
属性。该属性为对象,可获取开始和结束位置。
const text = 'zabbcdef';
const re = /ab+(?<Z>cd)/;
const result = re.exec(text);
result.indices.groups // { Z: [ 4, 6 ] }
const re1 = /ab+(?<Z>ce)?/;
const result1 = re1.exec(text);
result1.indices[1] // undefined
result1.indices.groups['Z'] // undefined
PS:以上仅为提案,因此目前执行result.indices
为undefined
。(2021-06-11)
String.prototype.matchAll()
如果正则表达式在字符串中有多个匹配,现在一般使用g
或y
修饰符在循环里取出。
var regex = /t(e)(st(\d?))/g;
var string = 'test1test2test3';
var matches = [];
var match;
while (match = regex.exec(string)) {
matches.push(match);
}
matches
// [
// ["test1", "e", "st1", "1", index: 0, input: "test1test2test3"],
// ["test2", "e", "st2", "2", index: 5, input: "test1test2test3"],
// ["test3", "e", "st3", "3", index: 10, input: "test1test2test3"]
// ]
ES2020增加了String.prototype.matchAll()
方法,一次性取出所有匹配。不过,他返回的是一个遍历器(Iterator)而非数组。
const string = 'test1test2test3';
const regex = /t(e)(st(\d?))/g;
for (const match of string.matchAll(regex)) {
console.log(match);
}
// ["test1", "e", "st1", "1", index: 0, input: "test1test2test3"]
// ["test2", "e", "st2", "2", index: 5, input: "test1test2test3"]
// ["test3", "e", "st3", "3", index: 10, input: "test1test2test3"]
遍历器转为数组:
// 转为数组的方法一
[...string.matchAll(regex)]
//[["test1", "e", "st1", "1", index: 0, input: "test1test2test3", groups: undefined], Array(4), Array(4)]
// 转为数组的方法二
Array.from(string.matchAll(regex))