RegExp正则表达式基础语法示例教程

简介

很多时候，特别是写程序或者处理网页文本的时候，我们都有过这样的需求：要从一堆字符串里，把符合某种复杂规则的给揪出来。正则表达式，就是用来干这个的——它本质上是一套描述文本规则的代码，一门专门用来匹配字符串的“小语言”。

用通配符类比一下就很好理解了。Windows/Dos下搜索文件，大家都用过*和?吧？比如搜*.doc就是把所有Word文档都找出来。这里的*被解释成“任意字符串”。正则表达式干的事类似，但更精准——当然，也更复杂。

比如，你在英文小说里找“hi”，直接写个正则表达式 hi 就行。

这几乎是最简单的正则了，它就匹配两个字符：前一个h，后一个i。大部分工具还支持忽略大小写，勾上之后，hi、HI、Hi、hI都能匹配上。

但问题来了——很多单词都包含“hi”，比如him、history、high。要是光用hi去搜，这些词里的“hi”也会被找出来。要是只想找“hi”这个独立的单词，就得用\bhi\b。

这里的\b是个特别的符号，我们叫它元字符，它代表单词的边界——也就是单词开头或结尾的位置。注意，它不是匹配空格、标点符号这些字符本身，而是匹配一个位置。

再复杂一点，如果你想找“hi”后面不远处跟着一个“Lucy”，那就可以写\bhi\b.*\bLucy\b。

这里.是另一个元字符，匹配除了换行符以外的任意字符。而*也是元字符，但它不匹配字符，也不匹配位置，而是表示数量——它说明前面的内容可以重复任意次，直到整个表达式匹配成功。

所以.*连在一起，意思就是“任意数量的任意字符（但不能有换行）”。那么\bhi\b.*\bLucy\b的含义就很清楚了：先是一个独立的单词hi，然后是一堆任意字符，最后是独立的单词Lucy。

组合使用更多元字符，能构造出更强大的表达式。比如这个：0\d\d-\d\d\d\d\d\d\d\d，匹配的是以0开头，跟两个数字，然后一个连字符，最后是8个数字——标准的中国电话号码格式（仅限3位区号）。

这里的\d是新的元字符，匹配一个数字（0~9里的任意一个）。-不是元字符，就匹配它本身，也就是连字符。

不想写那么多重复的\d？可以简写为0\d{2}-\d{8}。这里的{2}和{8}表示前面的\d必须连续重复匹配2次、8次。

总的来说，正则表达式就是一种专门用来匹配字符串的编程语言。它一般不单独用，而是结合具体编程语言（比如C++、Python、Perl）或工具（比如vim）来使用。

在线工具

正则表达式写起来确实有点绕，好在有不少在线工具可以帮你验证表达式对不对。

• Regulex：一个Ja vaScript正则表达式可视化工具，边写边看匹配过程，很直观。

元字符

基本元字符用一张表汇总一下，平时当速查手册用很方便。

分组与引用

直接在字符后面加上限定符，就能重复单个字符。但要是想重复多个字符呢？比如重复“ab”，这就得用上小括号了——它用来指定一个子表达式，也叫分组，然后在这个分组后面加上重复次数。

举个例子：(ab)+ 可以匹配“ab”、“abab”、“ababab”，但不能匹配“a”或“b”。

• 捕获分组

正则表达式里有几种不同类型的分组。捕获分组是最常见的，它会捕获匹配到的内容，并自动分配一个编号（从1开始）。之后通过这个编号就能引用分组里的内容。

一个典型例子：

(\d{4})-(\d{2})-(\d{2})  # 匹配日期格式 YYYY-MM-DD

这个表达式会创建3个分组：① 4位数字的年份；② 2位数字的月份；③ 2位数字的日期。

• 分组引用

分组最强大的功能之一，就是可以在正则表达式内部或外部引用已经匹配到的内容。

在正则表达式内部引用前面的分组，用 \num 这种写法，num就是分组索引。

(\w+) \1  # 匹配重复的单词，如 "hello hello"

这个模式会匹配两个相同的单词，中间用空格隔开。这里的 \1 就是对第一个分组的引用。

• 非捕获分组

用 (?:pattern) 语法，可以实现只分组，但不捕获。比如 (?:Mr|Ms|Mrs)\. (\w+) 匹配“Mr. Smith”，但只捕获“Smith”这部分。

• 命名分组与引用

在一些高级语言里，还可以给分组起个名字，增强可读性。不同语言的语法不太一样。

以Python为例：

### Named Capturing Group(?P\d{4})-(?P\d{2})-(?P\d{2})### Reference(?P\w+) (?P=word) 

运算符优先级

正则表达式从左到右计算，遵循优先级顺序，跟算术表达式很像。相同优先级的从左到右，不同优先级的先高后低。

具体的优先级顺序如下：

贪婪模式

默认情况下，正则表达式里的限定符都是“贪婪”的——它们会尽可能多地匹配字符。以a.*b为例，搜aabab的话，它会匹配整个字符串aabab，因为这是最长的、以a开头以b结尾的字符串。这种行为叫贪婪匹配。

但有时候我们想要相反的——懒惰匹配，也就是尽可能少地匹配。只要在限定符后面加个?，就变成懒惰模式了。比如.*?就表示“匹配任意数量的重复，但能用最少的就用最少的”。

同样以a.*?b为例，它匹配的是最短的、以a开头以b结尾的字符串。如果用来搜aabab，它会匹配到aab（第1到第3个字符）和ab（第4到第5个字符）。

注意，第一个匹配是aab而不是ab（第2到第3个字符），这是因为正则表达式里还有一条规则，优先级比贪婪/懒惰更高：最先开始的匹配拥有最高优先权。

其他重复限定符也都支持用?进入懒惰模式：