正则表达式是描述一组字符串特征的模式,用来匹配特定的字符串。” ——Ken Thompson
什么是正则表达?
正则表达式其实就是一种pattern、一种模式、一种格式、一种规则,它主要是用在文本字符串处理的时候,想要在一堆文本中找到满足某种格式、规则的字符串。
它起源于上个20世纪50年代科学家在数学领域做的一些研究工作,后来才被引入到计算机领域中。从它的命名我们可以知道,它是一种用来描述规则的表达式。
比如,你要写一个应用, 想设定一个用户命名的规则, 让用户名包含字符,数字,下划线和连字符,以及限制字符的个数,好让名字看起来没那么丑。那么,以下正则表达式来验证一个用户名:
以上的正则表达式可以接受 johndoe, jo-hndoe, john12_as. 但不匹配Jo, 因为它包含了大写的字母而且太短了。
那么,要想学正则表达试,初学者应该从哪些方面入手?
这里强烈安利的几个学习教程和资源:
1.正则表达式30分钟入门教程
http://deerchao.net/tutorials/regex/regex.htm
推荐理由:特别适合想要快速入门的同学,结合实例可以让你理解基本的原理和语法。
2.高效入门正则表达式
https://github.com/ziishaned/learn-regex/blob/master/translations/README-cn.md
推荐理由:Github上一篇简单的正则表达式教程,提供了十几种语言(包括中文),这篇教程覆盖到了你在实际应用中99%的场景。
3.regex101网站——能可视化展示正则匹配结果
https://regex101.com
4.regexper网站——能够直观展示正则表达式的状态机图
https://regexper.com
正则的进阶——从底层工作机制来理解正则表达式
很多同学在入门某个语言或工具时,总是习惯先从实例上手学习,往往忽略了对语言最底层的一些原理,这里引用@小胡子哥的“进阶正则表达式”一文,来帮助你更好的熟悉和运用正则表达式。
注:此次引用,在原文基础上做了删减,想看完整内容,请转至,
https://www.cnblogs.com/hustskyking/p/how-regular-expressions-work.html
正则表达式的工作机制
画了一个草图,简单的说明了下正则表达式的工作原理。
你写的任何一个正则直接量或者 RegExp 都会被浏览器编译为一个原生代码程序。第一次匹配是从头个字符开始,匹配成功时,他会查看是否还有其他的路径没有匹配到,如果有的话,回退到上一次成功匹配的位置,然后重复第二步操作,不过此时开始匹配的位置(lastIndex)是上次成功位置加 1.这样说有点难以理解,下面写了一个 demo,这个 demo 就是实现一个正则表达式的解析引擎,因为逻辑和效果的表现都太复杂了,所以只做了一个简单的演示:
Reg:
/H(i|ello), barret/g
Str:
如果上面的 demo 跑不起来,请戳这里:
http://qianduannotes.duapp.com/demo/regexp/index.html
如果要深入了解正则表达式的内部原理,必须先理解匹配过程的一个基础环节——回溯。他是驱动正则的一个基本动力,也是性能消耗、计算消耗的根源。
回溯
正则表达式中出现最多的是分支和量词。上面的 demo 中可以很清楚的看到 hi 和 hello 这两个分支,当匹配到第一个字符 h 之后,进入 (i | ello) 的分支选择,首先是进入 i 分支,当 i 分支匹配完了之后,再回到分支选择的位置,重新选择分支。简单点说,分支就是 | 操作符带来的多项选择问题,而量词指的是诸如 *,+?,{m,n} 之类的符号,正则表达式必须决定何时尝试匹配更多的字符。下面结合回溯详细说说分支和量词。
1.分支
继续分析上面那个案例。 'Lalala. Hi, barret. Hello, John'.match(/H(i|ello), barret/g),首先会查找 H 字符,在第九位找到 H 之后,正则子表达式提供了两个选择 (i|ello),程序会先拿到最左边的那个分支,进入分支后,在第十位匹配到了 i,接着匹配下一个字符,下一个字符是逗号,接着刚才的位置又匹配到了这个逗号,然后再匹配下一个,依次类推,直到完整匹配到整个正则的内容,此时程序会在 Hi,barret后面做一个标记,表示在这里进行了一次成功的匹配。但程序到此并没有结束,因为后面加了一个全局参数,依然使用这个分支往后匹配,很显然,到了 Hello 的时候,Hi 分支匹配不了了,于是程序会回溯到刚才我们做标记的位置,并进入第二个分支,从做标记的位置重新开始匹配,依次循环。
只要正则表达式没有尝试完所有的可选项,他就会回溯到最近的决策点(也就是上次匹配成功的位置)。
2.量词
量词这个概念特别简单,只是在匹配过程中有贪婪匹配和懒惰匹配两种模式,结合回溯的概念理解稍微复杂。还是用几个例子来说明。
1)贪婪
str = 'AB1111BA111BA';
reg = /AB[sS]+BA/;
console.log(str.match(reg));
首先是匹配AB,遇到了 [sS]+,这是贪婪模式的匹配,他会一口吞掉后面所有的字符,也就是如果 reg 的内容为 AB[sS]+,那后面的就不用看了,直接全部匹配。而往后看,正则后面还有B字符,所以他会先回溯到倒数第一个字符,匹配看是否为 B,显然倒数第一个字符不是B,于是他又接着回溯,找到了B字母,找到之后就不继续回溯了,而是往后继续匹配,此刻匹配的是字符A,程序发现紧跟B后的字母确实是A,那此时匹配就结束了。如果没有看明白,可以再读读下面这个图:
2) 懒惰(非贪婪)
str = 'AB1111BA111BA';
reg = /AB[sS]+?BA/;
console.log(str.match(reg));
与上面不同的是,reg 中多了一个 ? 号,此时的匹配模式为懒惰模式,也叫做非贪婪匹配。此时的匹配流程是,先匹配AB,遇到[sS]+?,程序尝试跳过并开始匹配后面的字符B,往后查看的时候,发现是数字1,不是要匹配的内容,继续往后匹配,知道遇到字符B,然后匹配A,发现紧接着B后面就有一个A,于是宣布匹配完成,停止程序。
如果匹配的内容是 AB1111BA,那贪婪和非贪婪方式的正则是等价的,但是内部的匹配原理还是有区别的。为了高效运用正则,必须搞清楚使用正则时会遇到那些性能消耗问题。
逗比的程序
//去测试下这句代码
'TTTTTTTT'.match(/(T+T+)+K/);
//然后把前面的T重复次数改成30
//P.S:小心风扇狂转,CPU暴涨
我们来分析下上面这段代码,上面使用的都是贪婪模式,那么他会这样做:
这段程序并不会智能的去检测字符串中是否存在 K。如果匹配失败,他会选择其他的匹配方式(路径)去匹配,从而造成疯狂的回溯和重新匹配,结果可想而知。这是回溯失控的典型例子。
前瞻和反向引用
1.前瞻和引用
前瞻有两种。一种是负向前瞻,JS中使用 (?!xxx) 来表示,他的作用是对后面要匹配的内容做一个预判断,如果后面的内容是xxx,则此段内容匹配失败,跳过去重新开始匹配。另一种是正向前瞻,(?=xxx),匹配方式和上面相反,还有一个长的类似的是 (?:xxx),这个是匹配xxx,他是非捕获性分组匹配,即匹配的内容不会创建反向引用。具体内容可以去文章开头提到的文档中查看。
反向引用,这个在 replace 中用的比较多,在 replace 中:
而在正则表达中,主要就是 , 之类的数字引用。前瞻和反向引用使用恰当可以大大的减少正则对资源的消耗。举个例子来简单说明下这几个东西:
问题:使用正则匹配过滤后缀名为 .css 和 .js 的文件。
如:test.wow.js test.wow.css test.js.js等等。
有人会立马想到使用负向前瞻,即:
//过滤js文件
/(?!.+.js$).*/.exec('test.wow.js')
//过滤js和css文件
/(?!.+.js$|.+.css$).*/.exec('test.wow.js')
/(?!.+.js$|.+.css$).*/.exec('test.wow.html')
但是你自己去测试下,拿到的结果是什么。匹配非js和非css文件可以拿到正确的文件名,但是我们期望这个表达式对js和css文件的匹配结果是null,上面的表达式却做不到。问题是什么,因为(?!xxx)和(?=xxx)都会消耗字符,在做预判断的时候把 .js 和 .css 给消耗了,所以这里我们必须使用非捕获模式。
我们来分析下这个正则:
(?:(?!.+.js$|.+.css$).)*
--- ---------------- -
| | |
+----------------------+
↓ |
非捕获,内部只有一个占位字符
|
↓
负向前瞻以.js和.css结尾的字符串
最后一个星号是贪婪匹配,直接吞掉全部字符。
这里讲的算是有点复杂了,不过在稍复杂的正则中,这些都是很基础的东西了,想在这方面提高的童鞋可以多研究下。
2.原子组
JavaScript的正则算是比较弱的,他没有分组命名、递归、原子组等功能特别强的匹配模式,不过我们可以利用一些组合方式达到自己的目的。上面的例子中,我们实际上用正则实现了一个或和与的功能,上面的例子体现的还不是特别明显,再写个例子来展示下:
不管怎么打乱顺序,只要string中包含“我”,“是”,“李”,“靖”这四个字,结果都是true。
类似(?=xxx),就相当于一个原子组,原子组的作用就是消除回溯,只要是这种模式匹配过的地方,回溯时都不会到这里和他之前的地方。上面的程序 'TTTTTTTT'.match(/(T+T+)+K/);可以通过原子组的方式处理:
'TTTTTTTT'.match(/(?=(T+T+))+K/);
如此便能彻底消除回溯失控问题。
- 完 -
与其他程序设计语言一样,学习正则表达式的关键是实践,实践,再实践。 ——本·福塔(Ben Forta)
[美] 本·福塔(Ben Forta)著 门佳 杨涛 等 (译)
联系客服