正则表达式 详解，10分钟学会

大家好，欢迎来到停止重构的频道。

本期我们讨论正则表达式。

正则表达式是一种用于匹配和操作文本的工具，常用于文本查找、文本替换、校验文本格式等场景。

正则表达式不仅是写代码时才会使用，在平常使用的很多文本编辑软件，都是支持正则表达式搜索或替换的。

如vs code、notepad++、word、excel等，其中，word、excel中的正则表达式语法存在一些差异。

​我们将从以下几点展开讨论：

1、正则表达式介绍与应用

2、正则表达式语法详解

3、记不住语法的解决方案

1、正则表达式 介绍 & 应用

首先是正则表达式的介绍与应用。

正则表达式是一种用于匹配和操作文本的工具，可以用于文本查找、文本替换、文本格式校验等场景​。

正则表达式本身也是一段文本，或者说是一条字符串。

如图所示，示例1的正则表达式可以检查字符串是否符合邮箱的格式，示例2的正则表达式可以查找所有a开头的单词。

在程序开发中，正则表达式可用于字符串或文本的查找、替换、格式校验，以下Python为例。

示例1为查找a开头的所有单词。​

示例2为替换手机号中间数字为*号。

​示例3为校验字符串是否符合邮箱格式。

这里顺便一提，一般数据库，如MySQL，都是支持正则表达式查询的。

正则表达式可以通过简单的一条字符串，告诉程序应该执行什么样的文本匹配和操作。

如果是正常写代码的话，将是一大段代码，且维护性特别差。

不过，正则表达式的处理性能一般都不会太高，且越复杂的正则表达式处理起来越慢。

但是一般的应用开发是不需要考虑这个性能的。

​在我们开源的代码生成器Christmas中，也大量使用正则表达式，感兴趣的小伙伴可以下载翻看。

在日常办公中，很多文本处理软件也是支持正则表达式检索或替换的。

如word，在搜索框输入一条正则表达式，即可搜索出所有手机号。

2、语法：大纲

接下来详细讲解正则表达式的语法。

这里需要特别说明的是，不同正则表达式解析引擎可能有细微的语法差别，我们下面介绍的是最为通用的正则表达式标准。

​正则表达式说白了就是高级版关键字搜索。

对比普通的关键字搜索，正则表达式加入了很多具有特殊意义的元字符，通过加入这些元字符，即可实现灵活性更高的模糊匹配​。

理论上只要记住这些元字符，就几乎等于掌握了正则表达式。

但是元字符总共有几十个且很难记忆，所以通过列举的方式介绍每个元字符，并不是很好的介绍方法。

​我们尝试将正则表达式的语法结构化，将正则表达式语法分为：普通字符、字符集合、限定符、定位符、子表达式、省略符、修饰符。

2-1、语法：普通字符

首先是普通字符

普通字符可以理解为明确的关键字，主要包括文字字符、符号​。

文字字符指的是英文字母、数字、中文字这些，文字字符在正则表达式中直接写就可以了。

如需要匹配get这个单词，正则表达式则直接写为get。

而符号，像%、_这些一般也是直接写就可以了。如需要匹配_get，正则表达式也是_get。

但是一些符号由于在正则表达式中有特殊含义，如果需要匹配这些符号，则需要\转义。

图中是需要转义的特殊符号，如需要匹配get*，正则表达式是get\*。

​普通字符除了文字字符、符号以外，还有一些不太常用的非打印字符、16进制、8进制、Unicode编码字符等。

这些都不需要记住，用到的时候再查就行。

2-2、语法：字符集合

​​接下来是字符集合。

字符集合是单个字符的值范围，只要符合这个范围的字符都算是匹配成功。字符集合包含在一对[]之间，[]内，每一个字符都是允许匹配的值。

字符集合适合匹配多个关键字，且这多个关键字中只有个别字符存在差异的情况​。

如需匹配文本中的get、got，这两个关键字只有中间的字符存在差异，所以采用字符集合是合理的。

​​这里需要特别说明的是，字符集合是单个字符的值范围。

如需匹配文本中的get、goat这两个单词，由于这两个单词的差异不仅仅在一个字符上，所以不能采用字符集合。

​字符集合中，为了简化连续字符，可以使用-标识连续字符的范围。

如需匹配文本中的gat、gbt、gct，正则表达式如图所示。

如果希望字符集合为排除在外的范围，则可以在字符集合的最开端添加^号。

2-3、语法：限定符

接下来是限定符。限定符是为了给前一个字符追加出现次数范围，常用的限定符为*号、+号、?号。

*号表示要求前一个字符出现0次或多次。

+号表示要求前一个字符出现1次或多次。

?号表示要求前一个字符出现0次或1次。

​如需要匹配文本中的god、good、goood，由于都是以g开头、d结尾，且中间包含1个或以上个o字符，则正则表达式为go+d。

​如果以上常用的限定符不能满足需求，如指定3次、3-6次等。可以使用{}标注具体次数。

当限定符前面的字符是一个模糊的匹配范围，如一个字符集合，则会发生贪婪匹配的问题。

默认情况下，正则表达式会匹配到尽量多的字符，这也称为贪婪匹配。

如示例1中，会匹配文本中的gadxxgod一长串字符串（贪婪匹配)。

​但如果我们不希望匹配这个长字符串，而是其中的gad、god这两个字符串。

则应该如示例2中，在示例一的限定符后追加?号即可实现非贪婪匹配，就可以匹配到gad、god这两个字符串。

2-4、语法：定位符

接下来是定位符，定位符是标记匹配位置而存在的。

定位符只有四个，整个字符串的开端、整个字符串的末尾、单词边界、非单词边界。

​​以校验字符串是否为11位手机号为例，加入定位符更有利于精细匹配。

2-5、语法：子表达式

接下来是子表达式，子表达式是内嵌的子正则表达式。

子表达式写在一对()中间，子表达式与正则表达式的语法相同，子表达式内可以再内嵌子表达式。

​那子表达式有什么用呢？

子表达式可以看作是一个整体，如示例所示，当子表达式后添加限定符后，则可以匹配文本中连续的got字符串。

子表达式也可以作为多种情况的匹配范围，子表达式中用|分割多个子表达式，以表示多种情况。

如需要匹配文本中的get、goat两个字符串，正则表达式如图所示。

​子表达式也可以标记子匹配项，如需要匹配文本中AABB形式的字符串，示例中的\1表示与第1个子匹配项相同的内容，\2表示与第2个子匹配项相同的内容。

这里值得一提的是，在正则表达式标准中，每个子表达式的匹配结果会单独存储。

​如果子表达式的匹配结果不需要存储，可以在子表达式前添加标记，不过这个在日常使用中不太常用。

​另外，子表达式也可以作为预查匹配项，预查匹配项可以理解为自定义的定位符​。因为定位符只有四个，但是实际应用中，是远远不够的。

如图中示例，预查匹配项可以指定目标结果的前或后的特征，子表达式作为预查匹配项时，需要根据4种不同的预查匹配模式，添加对应的标识。

2-6、语法：省略符

通过以上语法，其实已经可以写出全部功能的正则表达式。但是一些局部未免有些啰嗦，所以出现了省略符。

省略符是一些为了简化正则表达式而存在的元字符，一般以\开头，如示例中的\d即可代表所有数字的字符集合。

常用的省略符如图所示，但是省略符仅仅是为了简化正则表达式而存在的，每个省略符都有对应的替代方案，所以省略符不必强行记忆。

2-7、语法：修饰符

最后是修饰符，严格意义上讲，修饰符并不是正则表达式的一部分。

修饰符是指定匹配策略的，如不区分大小写、多行匹配等，所以相同正则表达式，在指定不同修饰符情况下，匹配的结果会有所区别。

修饰符一般是4个，且修饰符可以叠加使用，但是某些正则表达式代码库可能存在不同的匹配策略，可能存在多于4个修饰符的设置。

这里需要特别说明的是，有些软件虽然支持正则表达式搜索，但不一定开放修饰符的设置。

3、记不住语法的解决方案

​在以上语法讲解中，我们已经尽量结构化了，但是仍然有很多难以记忆的标记或语法。

除非是每天都使用正则表达式，否则是不可能随随便便就写出一条准确无误的正则表达式的。

以我个人为例，​虽然使用正则表达式很多年，但是一到写正则表达式的时候，还是需要翻看手册。

所以记不住语法是正常的

平常写正则表达式时，可以先在在线网站测试一下。

当然，如果你有一个AI助手，最好的方法是直接问AI，只要不是特别复杂或特殊的，AI助手一般都能直接给出答案，AI助手甚至能标注各个片段的作用。

总结

最后，正则表达式非常实用也足够流行，在非常多的文本处理软件中，都支持正则表达式​。大多数编程语言的标准库也包含正则表达式的支持。

但是在我们看来，正则表达式的某些元字符或标记的设计并不友好，注定是难以记忆的。

当然很多开源项目也尝试对正则表达式的语法进行改进，如google的re2，但是大多数人并不会选用。

毕竟正则表达式虽然很常用，但对于大多数人来说，也没有到天天都需要使用的程度，更何况现在有比搜索引擎更高效的AI助手呢。