如何掌握正則表達式

這篇文章主要講解了“如何掌握正則表達式”，文中的講解內(nèi)容簡單清晰，易于學(xué)習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學(xué)習“如何掌握正則表達式”吧！

1. 正則常見規(guī)則

1.1 字符匹配

字符說明\轉(zhuǎn)義符\d[0-9]。表示是一位數(shù)字。\D[^0-9]。表示除數(shù)字外的任意字符。\w[0-9a-zA-Z_]。表示數(shù)字、大小寫字母和下劃線。\W[^0-9a-zA-Z_]。非單詞字符。\s[\t\v\n\r\f]。表示空白符，包括空格、水平制表符、
垂直制表符、換行符、回車符、換頁符。\S[^\t\v\n\r\f]。非空白符。.[^\n\r]。通配符，表示幾乎任意字符。
換行符、回車符、行分隔符和段分隔符除外。\uxxxx查找以十六進制數(shù) xxxx 規(guī)定的 Unicode 字符。\f匹配一個換頁符 (U+000C)。\n匹配一個換行符 (U+000A)。\r匹配一個回車符 (U+000D)。\t匹配一個水平制表符 (U+0009)。\v匹配一個垂直制表符 (U+000B)。\0匹配 NULL（U+0000）字符， 不要在這后面跟其它小數(shù)，因為 \0是一個
八進制轉(zhuǎn)義序列。[\b]匹配一個退格(U+0008)。（不要和\b 混淆了。）[abc]any of a, b, or c[^abc]not a, b, or c[a-g]character between a & g

1.2 位置匹配

字符說明\b是單詞邊界，具體就是\w 和\W 之間的位置，也包括\w 和 ^ 之間的位置，
也包括\w 和之間的位置。具體說來就是與、與、與，與之間的位置。\B是\b 的反面的意思，非單詞邊界。例如在字符串中所有位置中，扣掉\b，
剩下的都是\B 的。^abc$字符串開始、結(jié)束的位置

1.3 組

字符說明(abc)capture group，捕獲組\nbackreference to group #n，分組引用，引用第 n 個捕獲組匹配的內(nèi)容,
其中 n 是正整數(shù)(?:abc)non-capturing group，非捕獲組

1.4 先行斷言

字符說明a(?=b)positive lookahead，先行斷言，a 只有在 b 前面才匹配a(?!b)negative lookahead，先行否定斷言，a 只有不在 b 前面才匹配

1.5 后行斷言

字符說明(?<=b)apositive lookbehind，后行斷言，a 只有在 b 后面才匹配(?<!b)anegative lookbehind，后行否定斷言，a 只有不在 b 后面才匹配

1.6 量詞和分支

字符說明a*0 or morea+1 or morea?0 or 1a{5}exactly fivea{2,}two or morea{1,3}between one & threea+?
a{2,}?match as few as possible，惰性匹配，就是盡可能少的匹配

以下都是惰性匹配：
{m,n}?
{m,}?
??
+?
*?

1.7 分支

字符說明ab|cdmatch ab or cd，匹配'ab'或者'cd'字符子串

1.8 修飾符

字符說明i執(zhí)行對大小寫不敏感的匹配。g執(zhí)行全局匹配（查找所有匹配而非在找到第一個匹配后停止）。m執(zhí)行多行匹配。u開啟"Unicode 模式"，用來正確處理大于\uFFFF 的 Unicode 字符。也就是說，會正確處理四個字節(jié)的 UTF-16 編碼。s允許 . 匹配換行符。yy 修飾符的作用與 g 修飾符類似，也是全局匹配，后一次匹配都從上一次匹配成功的下一個位置開始。不同之處在于，g 修飾符只要剩余位置中存在匹配就可，而 y 修飾符確保匹配必須從剩余的第一個位置開始，這也就是"粘連"的涵義

2. 運算符優(yōu)先級

運算符描述\轉(zhuǎn)義符(), (?:), (?=), []圓括號和方括號*, +, ?, {n}, {n,}, {n,m}限定符^, $, \任何元字符、任何字符定位點和序列（即：位置和順序）|替換，"或"操作
字符具有高于替換運算符的優(yōu)先級，使得"m|food"匹配"m"或"food"。若要匹配"mood"或"food"，請使用括號創(chuàng)建子表達式，從而產(chǎn)生"(m|f)ood"。

3. 正則回溯

3.1 什么是回溯算法

以下是來自摘自維基百科的部分解釋：

回溯法是一種通用的計算機算法，用于查找某些計算問題的所有（或某些）解決方案，特別是約束滿足問題，逐步構(gòu)建候選解決方案，并在確定候選不可能時立即放棄候選（"回溯"）完成有效的解決方案。

回溯法通常用最簡單的遞歸方法來實現(xiàn)，在反復(fù)重復(fù)上述的步驟后可能出現(xiàn)兩種情況：

找到一個可能存在的正確的答案

在嘗試了所有可能的分步方法后宣告該問題沒有答案

在最壞的情況下，回溯法會導(dǎo)致一次復(fù)雜度為指數(shù)時間的計算。

3.2 什么是正則回溯

正則引擎主要可以分為兩大類：一種是 DFA(Deterministic finite automaton 確定型有窮自動機)，另一種是 NFA（NFA Non-deterministic finite automaton 　非確定型有窮自動機）。NFA 速度較 DFA 更慢，并且實現(xiàn)復(fù)雜，但是它又有著比 DFA 強大的多的功能，比如支持反向引用等。像 javaScript、java、php、python、c#等語言的正則引擎都是 NFA 型，NFA 正則引擎的實現(xiàn)過程中使用了回溯。

3.2.1 沒有回溯的正則

舉一個網(wǎng)上常見的例子，正則表達式/ab{1,3}c/g 去匹配文本'abbc'，我們接下來會通過 RegexBuddy 分析其中的匹配過程，后續(xù)的一個章節(jié)有關(guān)于 RegexBuddy 的使用介紹。

如上圖所示，讓我們一步一步分解匹配過程：

1. 正則引擎先匹配 a。

2. 正則引擎盡可能多地(貪婪)匹配 b。

3. 正則引擎匹配 c，完成匹配。

在這之中，匹配過程都很順利，并沒發(fā)生意外(回溯)。

3.2.2 有正則回溯的正則

讓我們把上面的正則修改一下，/ab{1,3}c/g 改成/ab{1,3}bc/g，接下再通過 RegexBuddy 查看分析結(jié)果。

我們再一步一步分解匹配過程：

1. 正則引擎先匹配 a。

2. 正則引擎盡可能多地(貪婪)匹配 b{1,3}中的 b。

3. 正則引擎去匹配 b，發(fā)現(xiàn)沒 b 了，糟糕！趕緊回溯！

4. 返回 b{1,3}這一步，不能這么貪婪，少匹配個 b。

5. 正則引擎去匹配 b。

6. 正則引擎去匹配 c，完成匹配。

以上，就是一個簡單的回溯過程。

3.3 正則回溯的幾種常見形式

從上面發(fā)生正則回溯的例子可以看出來，正則回溯的過程就是一個試錯的過程，這也是回溯算法的精髓所在?；厮輹黾悠ヅ涞牟襟E，勢必會影響文本匹配的性能，所以，要想提升正則表達式的匹配性能，了解回溯出現(xiàn)的場景(形式)是非常關(guān)鍵的。

3.3.1 貪婪量詞

在 NFA 正則引擎中，量詞默認都是貪婪的。當正則表達式中使用了下表所示的量詞，正則引擎一開始會盡可能貪婪的去匹配滿足量詞的文本。當遇到匹配不下去的情況，就會發(fā)生回溯，不斷試錯，直至失敗或者成功。

量詞說明a*0 or morea+1 or morea?0 or 1a{5}exactly fivea{2,}two or morea{1,3}between one & three

當多個貪婪量詞挨著存在，并相互有沖突時，秉持的是"先到先得"的原則，如下所示：


let string = "12345"; let regex = /(\d{1,3})(\d{1,3})/; console.log( string.match(regex) ); // => ["12345", "123", "45", index: 0, input: "12345"]

3.3.2 惰性量詞

貪婪是導(dǎo)致回溯的重要原因，那我們盡量以懶惰匹配的方式去匹配文本，是否就能避免回溯了呢？答案是否定的。

讓我們還是看回最初的例子，/ab{1,3}c/g 去匹配 abbc。接下來，我們再把正則修改一下，改成/ab{1,3}?c/g 去匹配 abbc，以懶惰匹配的方式去匹配文本，RegexBuddy 執(zhí)行步驟如下圖所示：

1. 正則引擎先匹配 a。

2. 正則引擎盡可能少地(懶惰)匹配 b{1,3}中的 b。

3. 正則引擎去匹配 c，糟糕！怎么有個 b 擋著，匹配不了 c ??！趕緊回溯！

4. 返回 b{1,3}這一步，不能這么懶惰，多匹配個 b。

5. 正則引擎再去匹配 c，糟糕！怎么還有 b 擋著，匹配不了 c ??！趕緊回溯！

6. 返回 b{1,3}這一步，不能這么懶惰，再多匹配個 b。

7. 正則引擎再去匹配 c，匹配成功，棒棒噠！

本來是好端端不會發(fā)生回溯的正則，因為使用了惰性量詞進行懶惰匹配后，反而產(chǎn)生了回溯了。所以說，惰性量詞也不能瞎用，關(guān)鍵還是要看場景。

3.3.3 分組

分支的匹配規(guī)則是：按照分支的順序逐個匹配，當前面的分支滿足要求了，則舍棄后面的分支。

舉個簡單的分支栗子，使用正則表達式去匹配 /abcde|abc/g 文本 abcd，還是通過 RegexBuddy 查看執(zhí)行步驟：

1. 正則引擎匹配 a。

2. 正則引擎匹配 b。

3. 正則引擎匹配 c。

4. 正則引擎匹配 d。

5. 正則引擎匹配 e，糟糕！下一個并不是 e，趕緊回溯！

6. 上一個分支走不通，切換分支，第二個分支正則引擎匹配 a。

7. 第二個分支正則引擎匹配 b。

8. 第二個分支正則引擎匹配 c，匹配成功！

由此，可以看出，分組匹配的過程，也是個試錯的過程，中間是可能產(chǎn)生回溯的。

4. 正則的分析與調(diào)試

RegexBuddy 是個十分強大的正則表達式學(xué)習、分析及調(diào)試工具。RegexBuddy 支持 C++、Java、JavaScript、Python 等十幾種主流編程語言。通過 RegexBuddy，能看到正則一步步創(chuàng)建的過程。結(jié)合測試文本，你能看到正則一步步執(zhí)行匹配的過程，這對于理解正則回溯和對正則進行進一步優(yōu)化，都有極大的幫助。

4.1 安裝分析調(diào)試工具

可以在 RegexBuddy 的官方網(wǎng)站下載及獲取 RegexBuddy。

下載完后，一步步點擊安裝即可。

4.2 工具界面介紹

下圖便是 RegexBuddy 界面的各個面板及相關(guān)功能。

4.3 創(chuàng)建正則

為了方便使用，可以在布局設(shè)置那里將布局設(shè)置成 Side by Side Layout。

在正則輸入?yún)^(qū)輸入你的正則 regex1，查看 Create 面板，就會發(fā)現(xiàn)面板上顯示了正則的創(chuàng)建過程(或者說是匹配規(guī)則)，在 Test 面板區(qū)域輸入你的測試文本，滿足 regex1 匹配規(guī)則的部分會高亮顯示，如下圖所示。

4.4 使用 RegexBuddy 的 Debug 功能

選中測試文本，點擊 debug 就可以進入 RegexBuddy 的 debug 模式，個人覺得這是 RegexBuddy 最強大地方，因為它可以讓你清楚地知道你輸入的正則對測試文本的匹配過程，執(zhí)行了多少步，哪里發(fā)生了回溯，哪里需要優(yōu)化，你都能一目了然。

4.5 使用 RegexBuddy 的 Library 功能

RegexBuddy 的正則庫內(nèi)置了很多常用正則，日常編碼過程中需要的很多正則表達式都能在該正則庫中找到。

4.6 更多工具推薦

• 正則可視化-regexper

• 正則可視化-regulex

• 正則在線調(diào)試

5. 正則性能優(yōu)化

正則是個很好用的利器，如果使用得當，如有神助，能省掉大量代碼。當如果使用不當，則是處處埋坑。所以，本章節(jié)的重點就是總結(jié)如何寫一個高性能的正則表達式。

5.1 避免量詞嵌套

舉個簡單的例子對比：

我們使用正則表達式/a*b/去匹配字符串 aaaaa，看下圖 RegexBuddy 的執(zhí)行過程：

我們將以上正則修改成/(a*)*b/去匹配字符串 aaaaa，再看看 RegexBuddy 的執(zhí)行結(jié)果過程：

以上兩個正則的基本執(zhí)行步驟可以簡單認為是：

1. 貪婪匹配

2. 回溯

3. 直至發(fā)現(xiàn)匹配失敗

但令人驚奇的是，第一個正則的從開始匹配到匹配失敗這個過程只有 14 步。而第二個正則卻有 128 步之多?？上攵?，嵌套量詞會大大增加正則的執(zhí)行過程。因為這其中進行了兩層回溯，這個執(zhí)行步驟增加的過程就如同算法復(fù)雜度從 O(n)上升到 O(n^2)的過程一般。

所以，面對量詞嵌套，我們需作出適當?shù)霓D(zhuǎn)化消除這些嵌套：


(a*)* <=> (a+)* <=> (a*)+ <=> a* (a+)+ <=> a+

5.2 使用非捕獲組

NFA 正則引擎中的括號主要有兩個作用：

1. 主流功能，提升括號中內(nèi)容的運算優(yōu)先級

2. 反向引用

反向引用這個功能很強大，強大的代價是消耗性能。所以，當我們?nèi)绻恍枰玫嚼ㄌ柗聪蛞玫墓δ軙r，我們應(yīng)該盡量使用非捕獲組，也就是:


// 捕獲組與非捕獲組 () => (?:)

5.3 分支優(yōu)化

分支也是導(dǎo)致正則回溯的重要原因，所以，針對正則分支，我們也需要作出必要的優(yōu)化。

5.3.1 減少分支數(shù)量

首先，需要減少分支數(shù)量。比如不少正則在匹配 http 和 https 的時候喜歡寫成：


/^http|https/

其實上面完全可以優(yōu)化成：


/^https?/

這樣就能減少沒必要的分支回溯

5.3.2 縮小分支內(nèi)的內(nèi)容

縮小分支中的內(nèi)容也是很有必要的，例如我們需要匹配 this 和 that ，我們也許會寫成：


/this|that/

但上面其實完全可以優(yōu)化成


/th(?:is|at)/

有人可能認為以上沒啥區(qū)別，實踐出真知，讓我們用以上兩個正則表達式去匹配一下 that。

我們會發(fā)現(xiàn)第一個正則的執(zhí)行步驟比第一個正則多兩步，那是因為第一個正則的回溯路徑比第二個正則的回溯路徑更長了，最終導(dǎo)致執(zhí)行步驟變長。

5.4 錨點優(yōu)化

在能使用錨點的情況下盡量使用錨點。大部分正則引擎會在編譯階段做些額外分析, 判斷是否存在成功匹配必須的字符或者字符串。類似^、$ 這類錨點匹配能給正則引擎更多的優(yōu)化信息。

例如正則表達式 hello(hi)?$ 在匹配過程中只可能從字符串末尾倒數(shù)第 7 個字符開始, 所以正則引擎能夠分析跳到那個位置, 略過目標字符串中許多可能的字符, 大大提升匹配速度。

感謝各位的閱讀，以上就是“如何掌握正則表達式”的內(nèi)容了，經(jīng)過本文的學(xué)習后，相信大家對如何掌握正則表達式這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關(guān)知識點的文章，歡迎關(guān)注！