转载

深入正则表达式应用

前面已经写过一篇文章《我眼里的正则表达式（入门）》介绍过正则表达式的基础和基本套路 正则三段论 ： 定锚点，去噪点，取数据 了，接下来这篇文章，补充一点相对高级的概念：

 1. 概念一：按单字符匹配  2. 概念二：匹配优先和不匹配优先  3. 概念三：贪婪模式与非贪婪模式  4. 概念四：环视（断言）  5. 概念五：平衡组  6. 概念六：模式修饰符  7. 附：正则三段论应用

概念一：按单字符匹配

正则里面的数据都是按照单个字符来进行匹配的，这个通过数值区间的例子最容易体现出来，比如，示例一：

我要匹配 0-15 的数值区间，用正则来写的话，便是 [0-9]|1[0-5] ，这里，便是把0-9这种单字符的情况，和10-15这种多字符的情况拆分开了，使用分支 | 来区分开，表示要么是0-9，要么是10-15。

上面是两位数值的情况，现在延伸至1-65535，我个人的处理思想是从大到小，一块块分解：

1. 65530-65535  ==>  6553[0-5]          末位区间0-5 2. 65500-65529  ==>  655[0-2][0-9]      第四位区间0-2，末位区间0-9 3. 65000-65499  ==>  65[0-4][0-9]{2}    第三位区间0-4，后两位0-9 4. 60000-64999  ==>  6[0-4][0-9]{3}     第二位区间0-4，后三位0-9 5. 10000-59999  ==>  [1-5][0-9]{4}      第一位区间1-5，后四位0-9 6. 1-9999       ==>  [1-9][0-9]{0,3}    第一位只能是1-9，后三位可有可无

最后组合起来：

(6553[0-5]|655[0-2][0-9]|65[0-4][0-9]{2}|6[0-4][0-9]{3}|[1-5][0-9]{4}|[1-9][0-9]{0,3})

便得到1-65535匹配正则。

根据数据处理需求，可以在正则前后加上 ^ 和 $ ，以匹配整个数据串，或者前后加入 /b ，把它当做单词边界处理。 没有限定字符的边界往往是js正则判断中常见的错误之一 。

概念二：匹配优先和不匹配优先

匹配优先和不匹配优先从字面理解也是比较容易的，所谓匹配优先，就是，能匹配我就先匹配；二不匹配优先就是，能不匹配我就先不匹配，这段匹配先跳过，先看看后面的匹配能不能通过。

概念三：贪婪模式与非贪婪模式

正则的贪婪模式和非贪婪模式是一个比较容易混淆的概念，不过，我们可以这么理解，一个人很贪婪，所以他会能拿多少拿多少，换过来，那就是贪婪模式下的正则表达式，能匹配多少就匹配多少，尽可能最多。

下面举个例子，示例二：

需求：匹配1后面跟任意个0 源串：10001 使用贪婪模式：10*       结果：1000 和 1 使用非贪婪模式：10*?    结果：1 和 1

首先， * 是匹配0个或多个的意思。

贪婪模式下，它表示，首先匹配一个1，然后匹配1后面的0，最多可以匹配3个0，因此得到1000，然后第二次又匹配到一个1，但是后面没有0，因此得到1；

非贪婪模式下，它表示，首先匹配一个1，然后1后面的0，能不匹配就不匹配了，所以，它每次都只是匹配了一个1。

看到这里，也许，有些人觉得，哎呀，我懂了！那么，下来我们改改，看看你是不是真懂了。

示例三：

需求：匹配1后面跟任意个0，再跟一个1 源串：10001 使用贪婪模式：10*1       结果：10001 使用非贪婪模式：10*?1    结果：10001

为什么这两次的结果一样了？

因为，正则表达式要判断完这整个正则才算成功，这种情况下，

贪婪模式，首先匹配一个1，然后匹配1后面尽可能多的0，发现3个，再匹配0后面的一个1，正则表达式匹配完，完成匹配，得到10001；

非贪婪模式，首先匹配一个1，然后，0*?是非贪婪模式，它不想匹配了（非贪婪模式不匹配优先），看看后面是不是1了？然后发现哎妈呀，后面是个0啊，然后它回头，不能再偷懒了，用0*?匹配一个0吧，然后匹配到10，又不想匹配了，看看后面有没有1了，还是没有，又回去用0*?匹配掉一个0，得到100，继续偷懒，但是发现后面还不是1，然后又用0*?匹配得到1000，最后，发现真不容易啊，终于看到1了，匹配得到10001，正则表达式匹配完，完成匹配。

看到这里，是不是懂了？

那究竟哪个模式好呢？

关于贪婪模式好还是非贪婪模式好的讨论，只能说根据需求而定，不过，在平时的时候用，一般使用非贪婪模式较多，因为贪婪模式经常会由于 元字符范围限制不严谨 而导致匹配越界，得到非预期结果。

概念四：环视（断言/零宽断言）

环视，在不同的地方又称之为零宽断言，简称断言。

用一句通俗的话解释：

环视，就是先从全局环顾一遍整个正则，（然后断定结果，）再做进一步匹配处理。

断言，就是先从全局环顾一遍整个正则，然后断定结果，再做进一步匹配处理。

两个虽然字面不一样，意思却是同一个，都是做全局观望，再做进一步处理。

环视主要有以下4个用法：

(?<=exp) 匹配前面是exp的数据

(?<!exp) 匹配前面不是exp的数据

(?=exp) 匹配后面是exp的数据

(?!exp) 匹配后面不是exp的数据

示例四：

(?<=B)AAA 匹配前面是B的数据，即BAAA匹配，而CAAA不匹配

(?<!B)AAA 匹配前面不是B的数据，即CAAA匹配，而BAAA不匹配

AAA(?=B) 匹配后面是B的数据，即AAAB匹配，而AAAC不匹配

AAA(?!B) 匹配后面不是B的数据，即AAAC能匹配，而AAAB不能匹配

另外，还会看到 (?!B)[A-Z] 这种写法，其实它是 [A-Z]范围 里， 排除B 的意思，前置的(?!B)只是对后面数据的一个限定，从而达到过滤匹配的效果。

因此，环视做排除处理是比较实用的，比如，示例五：

需求：字母、数字组合，不区分大小写，不能纯数字或者纯字母，6-16个字符。 通用正则：^[a-z0-9]{6,16}$    字母数字组合，6-16个字符 排除纯字母：(?!^[a-z]+$) 排除纯数字：(?!^[0-9]+$) 组合起来：(?!^[a-z]+$)(?!^[0-9]+$)^[a-z0-9]{6,16}$

注意， 环视部分是不占宽度的 ，所以有零宽断言的叫法。

所谓不占宽度，可以分成两部分理解：

1、环视的匹配结果不纳入数据结果

2、环视它匹配过的地方，下次还能用它继续匹配。

如果不是环视，则匹配过的地方，不能再匹配第二次了。

上面示例四体现了： 环视的匹配结果不纳入数据结果 ，它的结果：

(?<=B)AAA     源串：BAAA  结果：AAA (?<!B)AAA     源串：CAAA  结果：AAA AAA(?=B)      源串：AAAB  结果：AAA AAA(?!B)      源串：AAAC  结果：AAA

而示例五体现了： 环视它匹配过的地方，下次还能用它继续匹配

因为，整个匹配过程中，正则表达式一共走了3次字符串匹配，第一次匹配不全部是字母，第二次匹配不全部是数字，第三次匹配全部是字母数字组合，6-16个字符。

扩展部分： `[A-Z](?<=B)`   [A-Z]范围等于B `[A-Z](?<!B)`   [A-Z]范围排除B `(?!B)[A-Z]`    [A-Z]范围排除B

概念五：平衡组

平衡组并不是所有程序语言都支持，而我本人使用的PHP语言就不支持，所以平时接触也是比较少的。

平衡组主要用到下面四个语法：

    (?'group') 把捕获的内容命名为group,并压入堆栈(Stack)     (?'-group') 从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败     (?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话，继续匹配yes部分的表达式，否则继续匹配no部分     (?!) 零宽负向先行断言，由于没有后缀表达式，如没有(?!B)的B，试图匹配总是失败

在PHP中是支持(?(group)yes|no)语法的，这里的group是分组编号，即子模式编号，如(A)?(?(1)yes|no) ，匹配Ayes 和 no

下面这里引用《正则表达式30分钟入门教程#平衡组》的例子，展示平衡组用法，

<       #最外层的左括号  [^<>]*    #最外层的左括号后面的不是括号的内容  (   (    (?'Open'<) #碰到了左括号，在黑板上写一个"Open"    [^<>]*    #匹配左括号后面的不是括号的内容   )+   (    (?'-Open'>)   #碰到了右括号，擦掉一个"Open"    [^<>]*  #匹配右括号后面不是括号的内容   )+  )*  (?(Open)(?!))   #在遇到最外层的右括号时，判断黑板上还有没有没擦掉的"Open"；如果还有，则匹配失败 >       #最外层的右括号 平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配嵌套的<div>标签： <div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>

概念六：模式修饰符

模式修饰符在许多程序语言中都支持的，比如最常见的是 i ，不区分大小写，如javascript里的/[a-z0-9]/i，表示匹配字母数字，不区分大小写。

本人在写php正则时常用的模式修饰符主要有 i 和 s ，如：

$pattern = '#[a-z0-9]+#is';

模式修饰符s的作用主要是的 . 能够匹配换行，在处理换行数据时，通常会用到。

关于PHP模式修饰符的讲解，请查看 PHP手册中的《 PHP模式修饰符》。

七：正则三段论应用

《我眼里的正则表达式（入门）》和本文《深入正则表达式应用》几乎倾尽本人正则学习全部思想，但是很多读者反馈，看晕了！看到如此点评，实属无奈，因此，有必要追加本节，来个整体统筹运用，希望能让大家犹如拨云见月，洞悉其中的精义。

两篇文章中，最重要的部分当属 正则三段论 ： 定锚点，去噪点，取数据 ，它是整个正则处理过程中的灵魂，它贯穿整个正则撰写过程。

下面举例说明它的思想，示例六：

源数据：标题：深入正则表达式应用，作者：Zjmainstay 需求：匹配作者名字

我要从源数据取到 Zjmainstay 这个作者名，那么，在这里， 作者： 就是我们所说的锚点，因为在上面这段数据中它能够唯一定位到我们的数据 Zjmainstay （就在它后面），因此，我们得到

(1) 定锚点： 作者：

而在这里，我们不需要关心标题什么的，因此， 标题：深入正则表达式应用， 就是我们的噪点，因此，我们得到

(2) 去噪点

最后，我们确定 作者： 后面就是我们的数据，这个数据可以是任意字符，因此，我们得到正则：

作者：(.*)

而噪点部分，因为不会对数据取值造成干扰，直接去掉，不需要引入正则中。

下面再举一个噪点干扰的例子，示例七：

源数据： <a href="http://www.zjmainstay.cn/my-regexp" class="demo8" title="正则三段论应用举例">正则表达式入门教程</a> 需求：提取链接和标题，还有a标签的文字

看到这个源数据和需求，我们必须定位好锚点，主要有：

<a //必须是a标签
href=" 和 " //href=""的内容得到链接
title=" 和 " //title=""的内容得到标题
> 和 </a> //>和的内容得到标签文字

然后，其他的都是噪点，使用.*?替代，需要提取的数据部分使用括号获取子模式，得到分组数据，因此得到正则：

<a href="(.*?)".*?title="(.*?)">(.*?)</a>

看到这里，也许有朋友觉得，我还是不会写，那么，再来一个更简单的构建方法，细化步骤，从源串逐步得到正则，示例八：

1. 直接拷贝源串，特殊字符处理转义（本例没特殊字符）  <a href="http://www.zjmainstay.cn/my-regexp" class="demo8" title="正则三段论应用举例">正则表达式入门教程</a> 2. 从左到右，一段段转化  2.1 <a href="(.*?)" class="demo8" title="正则三段论应用举例">正则表达式入门教程</a>  2.2 <a href="(.*?)".*?title="正则三段论应用举例">正则表达式入门教程</a>  2.3 <a href="(.*?)".*?title="(.*?)">正则表达式入门教程</a>  2.4 <a href="(.*?)".*?title="(.*?)">(.*?)</a> 3. 得到最终的正则  <a href="(.*?)".*?title="(.*?)">(.*?)</a>

至此，正则三段论的基本思想已经展示完毕，大家还有什么不解请评论留言，本人看到会第一时间给予回复。

熟悉正则三段论处理思想，剩下的便是基本语义的熟练程度了，这个通过多用多练可以达到熟能生巧的境界。

最后留下一句 至尊提醒 ： . 是 万能字符 ，大家看着用，遇到换行使用 [/s/S] 替换 . 即可。

（完）

正文到此结束