概念引入

在程序中我们经常会遇到这样一种需求：

对一段文本（字符串）进行检索，找出满足某种规则的部分，比如说找出某段文本里面所有的：

• （单个）英文字母
• （由单个字母组成的）英语单词
• 以a开头或者以ing结尾的英语单词

或者进行验证，某段用户输入是不是：

• 电话号码：以1开头的9位数字
  
• email：更复杂的规则，比如包含@和.，其他由数字或字母组成……

所有这些，关键的关键，是定义规则。

这种规则，就可以用正则表达式（Regular Expression）来表示。

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

飞哥做一个提炼：

• 作用：定义一种规则
• 体现：一个字符串
  

几乎所有编程语言，都提供了对正则（表达式）的支持，但需要我们自己要学会编写正则表达式。

演示：使用匹配检测工具，找出所有的：a、9、ing……

单个字符，简单组合

普通字符

字母、数字、汉字、其他没有特殊定义的标点符号等

非打印字符

打印不出来的字符：

• 缩进：\t，又称之为“制表符”
• 换行：\n

特殊字符

又称为“元字符”，可匹配 '多种字符'，常用的有：

• \d：任意一个数字，0~9 中的任意一个 （digit）
• \w：任意一个字母或数字或下划线，也就是 A~Z,a~z,0~9,_ 中任意一个 （word）
• \s：包括空格、制表符、换页符等空白字符的其中任意一个（space）
• .：小数点可以匹配除了换行符（\n）以外的任意一个字符

注意上面的字母全是小写，如果变成大写就“取反”，比如：

• \D：所有非数字的字符
• \W：所有非字母数字下划线的字符
• \S：所有非空格（制表/换行等）字符

也可以将“非打印字符”视为特殊字符

边界符号

不匹配任何字符：

• ^：与字符串开始的地方匹配
• $：与字符串结束的地方匹配
  @想一想@：^和$有什么用呢？
  
• \b：匹配一个单词边界，也就是单词和空格之间的位置（break）
  

转义字符

上述特殊字符都有特殊含义（比如：^ $ .），但如果我们就需要匹配这些特殊字符呢？

用一个斜杠表示转义（即取消其特殊含义）即可，比如：\^ \$ \.

更多的选项

特殊字符有时候还不能满足我们的要求，比如说我们可能需要匹配一些自定义规则的字符：

• 奇数数字：可以把所有满足条件的字符罗列出来，即：

  [13579]

• 5-9之间的数字：可以用短横线（-）将起止数字连接起来，即

  [5-9]

  字母也一样，比如[a-d]，或者[X-Z]
• 不能为0的数字：可以用小尖符号表示取反，即：

  [^0]

单个字符用方括号 [ ]。多个字符就需要用竖线（|）表示"或" 关系。比如：

在这句话 this is a goverment for the people, thank you! 里面找到this和the，其正则表达式就可以是：

• this|the

  或者用圆括号包裹可选部分

• th(is|e)

注意：

• 方括号中使用竖线（|）没有“或”的意思
  
• ^符号在圆括号中没有“取反”的意思

重复

无论普通/特殊，正则表达式的字符都可以组合使用，比如：

• 1\d：表示以1开头，后面跟一个数字

但我想以1开头，后面跟9个或者若干个数字呢？

可以用{}指定可重复次数：

• {n}：表达式重复n次，比如：点击测试 "\w{2}" 相当于 "\w\w"； "a{5}" 相当于 "aaaaa"
• {m,n}：表达式至少重复m次，最多重复n次，比如："ba{1,3}"可以匹配 "ba"或"baa"或"baaa"
• {m,}：表达式至少重复m次，比如："\w\d{2,}"可以匹配 "a12","_456","M12344"...

简写方式

• ?：匹配表达式0次或者1次，相当于 {0,1}，比如： "1\D?"可以匹配 "1","1+"，不能匹配"11"
• +：表达式至少出现1次，相当于 {1,}，比如： "1\D+"可以匹配 "1+"，不能匹配"1","1-"...
  
• *：表达式不出现或出现任意次，相当于 {0,}，比如： "1\D*"可以匹配 "1","1+","1++"...

多个字符

如果重复的是多个字符，可以用圆括号将其括来，后面直接跟{}或简写方式。

比如，IP地址由数字和点（.）组合而成的，最多每3个数字后面就接1个点，比如：192.168.0.10。

正则表达式可以写成：

\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}

注意“\d{1,3}\.”重复了3次：这样显得比较累赘。

我们可以把“数字+.”视为一“组”，用圆括号（()）括起来，将其重复3次，如下所示：

(\d{1,3}\.){3}\d{1,3}

练习/演示：身份证

根据以下（简略）条件：

1. 身份证号码一共有18位数字
2. 第18位数字是校检码，除数之外，还可以是X
3. 第7~14位数字表示：出生年、月、日
   

写一个正则表达式验证（不是查找）用户输入的是不是身份证号码。

涉及的关键知识点：

• \d：数字
  
• {}：指定重复次数
  
• ^$：确保对整个字符串进行验证，而不是在字符串中查找
• []：末尾可以是数字，也可以是X；年份从1900到2100中19/20/21的问题
• |：解决月份01-12问题：0后面可以跟1-9，1后面只能跟0-2
  

贪婪与非贪婪

默认取最大长度的匹配结果：贪婪模式。

比如这句话：

this is a goverment, of the people，for the people, by the people!

里我想取this is a goverment,（以逗号结束）

用正则表达式：

.*,

得到的结果却是：

this is a goverment, of the people，for the people,

因为贪婪模式将government后面的，也视为可匹配“.”。如何解决这个问题呢？

• 方案一：用[^,]代替.

  [^,]*,

• 非贪婪模式，在截至字符前面加一个问号（?）即可

  .*?,

?的意思可理解为：到此为止，找到一个满足条件的就行！

非贪婪模式在找出引号括号等（文本中可能出现多个）界定中内容的时候非常有用。比如：找出本讲义前面若干段中（）中的数据

（[\s\S]*?）

@想一想@：用.代替[\s\S]和行不行？为什么？

零宽断言

上面的正则表达式取出的内容包括了圆括号，能不能只要圆括号里面的内容，不要圆括号本身呢？

• 去掉结尾

  (?=）)

• 去掉开头

  (?<=（)

这就是所谓的零宽断言（什么鬼名字？^_^）注意其语法特点：

• 要有一个圆括号把不包含的字符括起来。这里注意区分全角的（）和半角的()。
• 然后，?=用在末尾，?<=用在开头，这是有次序的

完整的写法：

(?<=（)[\s\S]*?(?=）)

意外：a开头之后的单词

可能你首先想到的正则是这样的：

(?<=a)\w+

但用文本

aside along apple banana

测试，你会发现anana也别匹配进来了。怎么办？

你想到了前面学的\b，于是你可能会使用：

\b(?<=a)\w+

但这是不对的，正确的写法是：

(?<=\ba)\w+

结论：零宽断言前后都不要再有其他表达式！

分组语法

比如我们想找出一段文字

好好学习天天向上

中重复的叠声词（好好，天天）

\S\S

只能找出所有的两个汉字，“学习”和“向上”不能满足要求。这就必须使用分组的语法。

捕获和引用

正则表达式中，用圆括号（()）括起来一部分内容，这被称之为：捕获；

捕获的内容还可以被正则表达式使用，引用的方式是反斜杠+数字，这杯称之为：引用。

所以，上述要求正确的写法应该是：

(\S)\1

其中：

• (\S)是第一个分组；
• \1代表该正则表达式中第一个分组捕获的内容（不是规则！）。如果表达式中有多个分组，可以依次用\2、\3……表示

比如说我们要找出“高高兴兴”“快快乐乐”“开开心心”这样的双叠音词，怎么办？

(\S)\1(\S)\2

注意：\1和\2的区别。

命名

还可以给捕获命名，比如：

(?<name>\S)\k<name>

注意：

• 分组中用?<name>指定捕获名称
  
• 后文中使用\k<name>引用
  

作业

1. 用正则表达式找出这段话
   I'm going to learn programing e.g. Java, C#, in 2021 when I am 23 years old. At that time, things will be different.里面的：
   
   1. 数字，比如：2、0、1……（答案：\d）
   2. 数字“串”，比如：2021、22
   3. 单词，比如：going、to、At（大小写都行）……不包含I'm、e.g.、C#（带有标点符号）和2021（数字）
   4. 字母个数等于4个、大于4个、小于4个的单词
   5. 以t开头的单词
      
   6. 以I或者i开头的“字段”（单词，以及单词简写比如I'm）
   7. 以大写字母开头的单词，比如Java、At，C#不是单词，还是不包含
   8. 以ing结尾的单词
   9. 以ing结尾的单词中不包含ing的部分
2. 继续完成身份证号码验证
3. 假设有下面这一段文本：【难】

   <h3 
       script  ="onclick:function(){}">
   	概念引入
   </h3>
   <img src= '/picture.jpg' alt='源栈logo' />
   <p style="color:red;">
   	在程序中我们经常会遇到这样一种<strong>需求</strong>：当name="飞哥"时 </p>

   写出正则表达式，能匹配得到：
   
   1. 相邻>和<之间的内容，比如：概念引入、在程序中我们经常会遇到这样一种
   2. 相邻<和>之间的内容，比如：<p style="color:red;">、<img src='/picture.jpg' alt='源栈logo' />、</p>
   3. 对2得到的内容再进行匹配，得到
      
      1. <后面的一个单词，比如：p、img（/p不要）
      2. ="前面的单词，比如：style、src、alt
         

源栈学历

在当前系列 编程语言 中继续学习：

多快好省！前端后端，线上线下，名师精讲

• 先学习，后付费；
• 不满意，不要钱。
• 编程培训班，我就选源栈

更多了解 加：