原文：理解正则表达式

在我初学正则表达式的时候，走了一些弯路，强行记忆了很多符号和用法。

等到我有更深入的理解的时候我发现，从翻译和概念的角度上切入，学习起来会顺畅得多。

本文以JavaScript里的正则表达式为例，讲解其中的关键要素。希望能帮助到初学者。

注：也只限于阐述关键要素，不会事无巨细地展开。

何为正则表达式？

在中文语境里，「正则」两个字有点让人发怵，仿佛高深数学或物理中的「正则化」和「归一化」，抽象而难懂。

其实放到英文里，它是regular expression，而regular有「规律、规范、整齐、合格、正规」等意味，「正则」只是其中一种翻译。

不把它翻译成一个词组，而翻译成一句话，大致是：表达规范和规则的句子。

这里的规范和规则，指的是一个字符串的形式规则。

至于JavaScript里的 RegExp 构造函数，是Regular Expression的前三个字母缩写。

正则表达式的格式

在JavaScript里，正则表达式有两个构造方式，一个是通过RegExp这个构造函数创建实例，另一个是正则表达式字面量写法。

var regexp1 = new RegExp('hello regular expression')
var regexp2 = /hello regular expression/

// test 方法，测试给定的字符串是否符合正则表达式所描述的字符串格式
regexp1.test('hello regular expression') // -> true
regexp1.test('hello word') // -> false

// exec 方法，是 execute 这个单词的缩写，「执行」。返回给定的字符串中符合「正则表达式所描述的字符串格式」的部分
regexp2.exec('hello regular expression') //  返回 'hello regular expression'
regexp2.exec('hello regular expression, more words') //  只返回 'hello regular expression'，其它部分不匹配

正则表达式里的元字符

元字符听起来也很抽象，其实换个例子就容易理解：学习如何学习，叫元学习；关于知识的知识，叫元知识。

元字符，则是描述字符的字符，比如，数字，字母，空格，换行等。

元编程，就是能生成代码的代码，在 Javascript 构造符合语法的字符串，放到eval(code)里运行一下，你就在元编程了。

然后看看元字符、元编程的英文：meta-character与meta-programming，对 meta 长个记性，怯魅。

列举几个元字符。元字符大多以反斜杠开头 ，因为前面展示的「正则表达式字面量」写法里，用的是两个斜杠包裹，所以得用反斜杠或其他标识符。

  • d，匹配单个数字；d 是 digit 这个单词的缩写，它的中文意思就是「数字」
  • w，匹配单个单词字符，w 是 word 的缩写，就是字母 a-z，数字 0-9，不包括逗号、句号、加减乘除号、括号等。
  • s，匹配单个空白字符，s 是 space 的缩写，就是空白的意思。
  • n，匹配换行符，n 是 newline 的缩写，中文就是换行。
  • r，匹配回车符，r 就是 return 的缩写，回车在这里就是它的中文意思。
  • t，匹配制表符，就是 tab 键打出来的一串用以缩进的空白字符，tab 是 tabel 的缩写，table 就有表格和制表的意思。
  • b，匹配单词边界，b 是 boundary 的缩写，中文就是边界的意思。

如你所见，所谓的元字符，就是反斜杠加单词缩写，来表征某个字符类型。这就是它们的设计原则。

正则表达式里的量词

元字符大多只能表示单个字符的类型。

我们还需要量词，以表示「有，有0到多个，有至少一个，有n个以上，有n到m个，以某个字符开头，以某个字符结尾等」。

这时你可以停下来，稍作思考，让你来设计，你会设计成什么样？

Javascript的设计如下：

  • n+，至少1个 n 类型的字符
  • n*，0到多个 n 类型的字符
  • n?，0 或 1 个 n 类型的字符
  • n{X}，X 个 n 类型的字符
  • n{X,Y}，X 到 Y 个 n 类型的字符
  • n{X,}，至少 X 个 n 类型的字符
  • n$，以 n 类型的字符结尾
  • ^n，以 n 类型的字符开头

如你所见，大致是一些类似数学里表达区间的意思。

正则表达式里的表达式

你可以戏谑地说它是「元表达式」。

其实，它们也是描述范围的，只是不是所有范围都是关于某个字符类型n 的数量和出现位置，有些范围跟多个字符组成的集合有关。

比如，在这几个字符类型之内，在这几个字符类型之外的，便利地表示 26 个字母，便利地表示 10 个数字字符。

Javascript的设计如下：

  • [abc]，匹配单个字符，它是abc的集合的元素
  • [^abc]，匹配单个字符，它不是abc的集合的元素
  • [0-9]，匹配单个字符，它是从0到9这个集合的元素
  • [a-z]，匹配单个字符，它是26 字母这个集合的元素
  • (red|blue|green)，匹配多个连续字符，它是 red blue green 这三个词的集合的元素

小试牛刀

匹配一个电话号码，形式如 020-88813243。

简单版本，(开头)三个数字+一个横杠+八个数字（结尾），就是/^d{3}-d{8}$/。

需求变化，只匹配 020 开头的电话号码，就是/^020-d{8}$/。

需求变化，支持分机，分机为 5 个数字，加后缀，就是/^020-d{8}-d{5}$/。

需求变化，电话号码可以是7个，用区间量词，就是/^020-d{7,8}-d{5}$/。

需求变化，有可能没有分机，用区间量词，中括号包裹住分机为一组，后面加个问号，表示0或多个，就是/^020-d{7,8}(-d{5})?$/。

需求变化，区隔符可能是横杠，也可能是星号或空格，用集合表达式，就是/^020[-*s]d{7,8}([-*s]d{5})?$/

结语

在我们理解了正则表达式的概念和设计思路之后，剩下的，就是查文档和寻找模式的工作了。

实在有难题，网上也可以搜索到现成的坚实的正则表达式可用。这里面的门道还是很多的，在此我们入个门，打个基础即可。

补充：正则表达式简要学习

元字符

元字符是功能性的匹配符号, 如:
b 单词的开头或结尾，也就是单词的分界处
* 匹配任意数量的字符
. 匹配除了换行之外的所有字符
d 匹配0到9单个数字
s 匹配任意的空白符，包括空格，制表符(Tab)，换行符，中文全角空格等
w匹配 字母 或 数字 或 下划线 或 汉字 等
^ 匹配字符串的开始
$ 匹配字符串的结束

字符转意

查找元字符本身的话，比如你查找.,或者*,就出现了问题：你没办法指定它们，因为它们会被解释成别的意思。这时你就得使用来取消这些字符的特殊意义。因此，你应该使用.和*。当然，要查找本身，你也得用\

字符类

[ ] 集合查找 ,比如 [abcde] 表示匹配里面包含的字符 , 常见的[0-9]和d等价, 即匹配一位数字, [a-z0-9A-Z_]也完全等同于w（如果只考虑英文的话）
(?0d{2}[) -]?d{8}首先是一个转义字符(,它能出现0次或1次?,然后是一个0，后面跟着2个数字d{2}，然后是)或-或空格中的一个，它出现0次或1次?，最后是8个数字d{8}

分枝条件

上面那个表达式也能匹配010)12345678或(022-87654321这样的“不正确”的格式。
正则表达式里的分枝条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用|把不同的规则分隔开。
0d{2}-d{8}|0d{3}-d{7}表示0开头接两位数字,-后面连着8位数的电话号码,比如020-12345678 或者 0开头接三位数字,-后面连着7位数的电话号码,比如0751-1234567
使用分枝条件时，要注意各个条件的顺序。原因是匹配分枝条件时，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管其它的条件了。

分组

如果想要重复多个字符又,你可以用小括号来指定子表达式(也叫做分组)
(d{1,3}.){3}d{1,3}是一个简单的IP地址匹配表达式。要理解这个表达式，请按下列顺序分析它：d{1,3}匹配1到3位的数字，(d{1,3}.){3}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复3次，最后再加上一个一到三位的数字(d{1,3})。
正则表达式中并不提供关于数学的任何功能，所以只能使用冗长的分组，选择，字符类来描述一个正确的IP地址：((2[0-4]d|25[0-5]|[01]?dd?).){3}(2[0-4]d|25[0-5]|[01]?dd?)

反义

有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外，其它任意字符都行的情况，这时需要用到反义：

符号 表示
W 匹配任意不是字母，数字，下划线，汉字的字符
S 匹配任意不是空白符的字符
D 匹配任意非数字的字符
B 匹配不是单词开头或结束的位置
[ ^x ] 匹配除了x以外的任意字符
[ ^aeiou ] 匹配除了aeiou这几个字母以外的任意字符

例子：
S+匹配不包含空白符的字符串。
<a[^>]+>匹配用尖括号括起来的以a开头的字符串

贪婪与懒惰

当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。以这个表达式为例：a.*b，它将会匹配最长的以a开始，以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。这被称为贪婪匹配。
有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?。这样.*?就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。
a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）
为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？简单地说，因为正则表达式有另一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权

符号 表示
*? 重复任意次，但尽可能少重复
+? 重复1次或更多次，但尽可能少重复
?? 重复0次或1次，但尽可能少重复
{n,m}? 重复n到m次，但尽可能少重复
{n,}? 重复n次以上，但尽可能少重复

参考: http://deerchao.net/tutorials/regex/regex.htm