正则表达式从入门到出门

引言

在程序员的日常工作中，似乎人人都会碰到正则表达式。诸如：校验密码强度、身份证号、邮箱格式等用法，它的功能如此强大，几乎可以完成任何搜索与匹配的功能。同时，它又如此繁琐与庞杂，让人望而却步，从未想过真正掌握与了解。需要使用时，常见做法是在搜索引擎苦苦求索。诚然，一些常用场景已有成熟的解决方案可供使用，然而，针对高度定制化需要自行构造正则的应用场景，无不抓耳挠腮痛苦万分。本文通过简单介绍正则表达式的基本语法及应用示例，希望在正则的使用上能带来一些帮助。

简介

正则表达式（regular expression，简称regex）起源于上世纪90年代在数学领域的一些研究工作，计算机领域在借鉴这些研究成果与思路之后，开发出了Unix平台中的Perl语言和grep等工具。在之后相当长的一段时间里，正则表达式仅用于Unix平台。而现在，几乎所有的平台都支持正则表达式。

那么，什么是正则表达式。简单来说，正则表达式是用来匹配和处理文本的字符串，有自己的特殊语法与指令。但是正则表达式并不是一种完备的程序语言，甚至算不上是一种能够直接安装并运行的程序。准确来说，正则表达式更像是内置于其他编程语言或软件产品中的“迷你”语言。

在如今常用的高级编程语言中，清一色都支持regex。只不过在具体的表达形式上略有差异。比如在java中，由于转义字符的原因，在遇到’\\’时需要使用’\\\\’进行转义，例如：常见的\\d需要写成\\\\d。在js中，则可以直接写成’\\d’。

基础规则

Regex: Everbright

Text: Everbright Technology CO.LTD

Everbright是一个正则表达式，可能很反直觉，但它确实是。正则表达式可以包含纯文本内容，甚至可以只是纯文本。它可以匹配到Everbright Technology CO.LTD中的Everbright。

再来看一个纯文本的正则表达式例子：

Ebchinatech

https://www.ebchinatech.com/ebchinatech/622504/index.html

正则表达式是大小写敏感的，因此上边例子中的Ebchinatech是匹配不到ebchinatech的。

“.”可以匹配除了换行符之外的任意一个字符

c.t

cat   cot   c1t   c_t   cert

“.”字符也可以一次使用多个，例如“..”可以连续匹配两个任意字符

c..t

cert   count

“.”也可以出现在表达式的任意位置

.a.

nas   IaaS   Paas

如果需要匹配的文本中，本身带有“.”

例如：test.txt  example.xls 这时就需要对.进行转义处理，在表达式中加上一个“\\”

例如：.a..\\.xls  就可匹配到.xls

IaaS.xls   paas.xls   aaaa.txt

“*”在正则表达式中指的紧挨着“*”的子表达式的可出现的次数>=0

go* 意味着“*”之前的字母o出现次数>=0

g   god   good   goooood

也可以把“.”与“*”组合起来使用

g.* 表示可匹配字母g后跟随任意字符(除换行符外)>=0次

g   god  g123d   gb2312

“+”在使用上与*有类似的地方，指的是紧挨着+的子表达式可出现的次数>=1

go+

g    god    good    goooood

“?”号表示子表达式可出现的次数为0或1次，也称作可选量词

colou?r  意味着?之前的u，可以出现也可以不出现，所以两个单词皆可匹配

color   colour

“()”可以简单理解成对表达式进行分组，通常和其他表达式组合使用

do(es)?  把括号中的es作为一个整体，通过与后边的“?”组合，表示es可有可无，故可以匹配如下结果。

do   does

(ha)+  同理，还有这个+号的例子

haha   hahaha   hah

“|”可以理解成条件判断中的或，只选择其中的一个

(c|r)at  表示匹配以c或r字母开头的字符

fat    cat   rat

“[]”用来定义一个字符集，有多种使用方式和表达形式

①  [ABC] 可以匹配[…]中的任意一个字符

a[ABC]c

aAc    aBc    aCc    aABc

② [^ABC]  ^表示匹配除了[…]中的任意字符，相当于对[…]取非

a[^ABC]c

abc      aABCc    aABc

③ [A-Z] 表示的是一个包含两个端点的范围，即匹配从A-Z的任何一个字符，相似的还有[0-9]，[a-z]。

[A-Z]

Abc      Bcd

“{}”用来表示重复的次数，有三种写法

①  {x,y} 表示匹配{}前面子表达式x-y次

go{1,2}d 表示匹配o出现1到2次的字符

god    good     goood

②  {x,} 表示匹配{}前面子表达式x到+次

fo{2,}d  因此，这个表达式可以匹配到fooood，但匹配不到fod

food   fod    fooood

③ {x} 这种写法明确了匹配的次数，即只匹配子表达式x次

fo{2}d

food      fod

“^”字符单独出现时，限定了匹配字符串的开始位置，通过下边的例子可以很好理解

^talk ([a-z]+ ?)*    “^”表示限定了开始的单词只能是talk，()作为一个整体，()后边的*表示()里的内容出现的次数>=0次。()中使用了字符集[a-z]匹配英文字母，后边的+表示字母可以出现>=1次。后边跟上一个空格和一个?表示空格可以出现也可以不出现。所以，这段正则就可以匹配到如下的内容：

talk is cheap

it is well known that talk is cheap

如果去掉开头的“^”，则可以得到下边的结果

talk ([a-z]+ ?)*

talk is cheap

it is well known that talk is cheap

“$”字符的含义与^正好相反，用来标识字符串的结尾。需要注意的是“$”出现在结尾字符的后边

([a-z]+ ?)*code$  第二个字符串没有以code结尾，所以匹配不到

talk is cheap show me the code

talk is cheap

特定字符类型

对于一些特定的字符类别，例如：纯数字、空白字符等，为了方便使用会将这类常用的表达式，进行简写定义。

上边的介绍中已经谈到了匹配数字的方式，比如：

[0-9]可以匹配到0到9的任意一个数字，\\d就是对其的一种简写定义，等价于[0-9]，可以匹配任何一个数字

[^0-9]匹配的是非数字的表达式，\\D与之等价。

可以看到\\d与\\D的含义正好相反。

接下来还会看到更多类似的定义，相同之处在于，通过大小写字母的区分，进行取反。

\\w可以用来匹配数字加字母以及下划线,即\\w等价于[a-zA-Z0-9_]

相反\\W则表示任何一个非数字、字母或下划线字符，等价于[^a-zA-Z0-9_]

空白字符指的是换行、制表位等特殊的字符，如\\n \\t \\r等，

在正则表达式中，使用\\s来匹配所有的空白字符

\\s等价于[\\f\\n\\r\\t\\v]

同理\\S等价于[^\\f\\n\\r\\t\\v]

正则表达式实战

前边简单介绍了正则表达式的常见语法与用法，接下来用实际案例，一起感受下正则表达式在真实环境中的应用。需要注意的一点是，对于相同的文本内容，可能会有多个不同的正则表达式，区别在匹配的精确度不同。一般来说，越简洁的表达式可读性越好，越长的表达式精确度越高。

匹配ipv4地址

ipv4地址在日常工作中特别常见，我们的案例就以它展开。

ipv4地址的地址范围是从0.0.0.0-255.255.255.255，为了便于管理，还对其进行了不同的分类。本则案例中，不考虑地址的分类及实际使用情况，仅通过正则表达式将这些地址匹配区分出来。

通过搜索引擎查询，大概会得到这样一个正则：

\\d+\\.\\d+\\.\\d+\\.\\d+

通过分析可以发现，这个流传甚广的正则是错误的。

表达式\\d等价于[0-9]，也就是0-9中的任意一个数字，\\d+表示数字的位数>=1直至无穷。显然这并不符合ipv4地址的范围。例如该表达式可以匹配上一个随机滚键盘出来的地址：

367345.543.123.457

介于此，我们尝试重写这段正则。

首先，只考虑组成ip的十进制数字，会发现它是一个0-255的自然数，位数最少为1位，最多为3位。

①当只有个位数字时，可以取到0-9任意一个数，因此：

可以得出表达式\\d

②当有两位数字时，十位不为0，个位可取到0-9中的任意一个数，因此在上述表达式的基础上可以得到：

[1-9]\\d

考虑将个位数和十位数的情况进行合并，加上?即可表示同时表示十位数与个位数

[1-9]?\\d

③当有三位数时，需要考虑多种情况。百位的数字只能取1-2，当百位数字为1时，十位、个位数字可取0-9中任意一个，无限制。当百位数字为2时，十位数字只能取0-5并且且当十位数字为5时，个位数字只能取0-5。

使用正则表达式翻译上述规则，则有：

百位数为1时：

1\\d{2}

百位数为2，十位数为5时:

25[0-5]

百位数为2,十位数不为5时:

2[0-4]\\d

上述各种情况，均可能出现，即逻辑关系‘或’，所以用|连接得到最终的正则表达式：

(25[0-5])|(2[0-4]\\d)|(1\\d{2})|([1-9]?\\d)

使用上述表达式可以正确匹配到组成ipv4地址的数字，一个ip地址由四组数字与三个分割符.组成。分隔符作为正则表达式中的关键字，需要进行转义。最终的正则表达式如下：

((25[0-5]|2[0-4]\\d|1\\d{2}|[1-9]?\\d)\\.){3}(25[0-5]|2[0-4]\\d|1\\d{2}|[1-9]?\\d)