正则表达式基础语法

由于我经常忘记正则表达式的用法，所有本博客主要是以备忘录的形式记录正则表达式的基础语法。需要注意正则表达式的语法其实并不统一。

目的

正则表达式是操作字符的一种语法，最常用于匹配字符串中的某部分。正则表达式的英文是Regular Expression，也常简写为regex。如果要检验自己写的正则表达式是否正确，可以使用在线正则表达式测试。通常来说，正则表达式是会返回被匹配的部分，而不是被匹配到的整行字符串。

语法

常见字符

语法	说明
abc	匹配字符abc
[abc]	匹配[]中的字符，可以是其中一个，也可以是多个
[^abc]	匹配[]中以外的字符，不能包含abc
\d（等价于[0-9]）	匹配数字
\D	匹配非数字
\s	匹配空白字符
\S	匹配非空白符号
\w（相当于[a-zA-Z0-9_]）	匹配字母、数字、下划线
\W	匹配非字母、数字、下划线
\b	匹配单词边界，虽然大部分边界可能都是空格，但是也可能是其他特殊字符。比如要专门匹配一个单词很有用，比如\bcat\b
\B	匹配非单词边界，即就在单词内部去匹配

特殊字符

语法	说明
\	通常来说是作为转义字符，既匹配字符\n，但是会被误认为是匹配换行，所有需要\\n
^	表示字符串的开头
$	表示字符串的结尾
.	匹配除了\n外的任意单个字符
*	匹配前面字符0次或多次，比如dog*，可以匹配do和dogggg
+	匹配前面字符1次或多次，比如dog+，可以匹配dog和dogggg
?	匹配前面字符0次或1次。比如dog?，可以匹配do和dog
?	表示非贪婪匹配，比如<div> hello world </div>，如果是<.*>，会返回<div> hello world </div>；如果是<.*?>，则只会返回<div>和</div>。所以前面讲的都是贪婪匹配，即只要满足条件就尽可能多的匹配；?相当于是对前面的贪婪匹配进行限制，把前面讲的语法限制为非贪婪匹配，即只匹配满足条件的最小单位（?这个特殊字符用法比较多，需要额外注意）
{n}	匹配前面的字符n次
{n,}	匹配前面的字符至少n次
{n,m}	匹配前面的字符n-m次，至少n次，最多m次

到这里可以看看这个例子了。

• ^ 表示匹配字符串的开头。
• [a-zA-Z0-9_-] 表示字符集，包含小写字母、大写字母、数字、下划线和连接字符 -。
• {3,15} 表示前面的字符集最少出现 3 次，最多出现 15 次，从而限制了用户名的长度在 3 到 15 个字符之间。
• $ 表示匹配字符串的结尾。

分组

类比编程的语法来讲，可以看作是一个临时变量，之后可以通过捕获，获取到匹配到的值。也可以看作是一个整体的表达式，里面可以是(cat|dog)

语法	含义
(...)	捕获组
(?:...)	非捕获组，也是一个整个的表达式，只是不作为临时变量

例如，匹配hahahaha，应该是(ha)+

零宽断言

之前的语法中，正则引擎都是每个位置都去试试看是否满足条件。而零宽断言就是从当前位置判断，成功就成功，失败就失败，不会再看之后的其他位置。

语法	含义
(?=...)	正向前瞻：后面必须是
(?!...)	反向前瞻：后面不能是
(?<=...)	正向后顾：前面必须是
(?<!...)	反向后顾：前面不能是

零宽断言：

• 零宽：对匹配的宽度是0，满足就满足，不满足就失败，不去尝试其他位置
• 断言：只是检查条件是否合法，不会真把字符匹配进去。类似于if判断

相关概念理解：

• 正向：表示肯定，后面只能匹配xxx
• 反向：表示否定，后面不能匹配xxx
• 前瞻：前面满足条件后再向右看，检查后面的内容
• 后顾：后面满足条件后再向左看，检查前面的内容

前瞻后顾如果理解困难，可以直接理解为要把判断条件放在字符的前面还是后面。如果是前瞻，那么放后面；如果是后顾，那么放前面。

举例：

1. a(?=b)：正向前瞻，匹配到a后，后面必须是b。匹配到ab，但是最终返回只会返回a，因为零宽断言只是判断
2. a(?!b)：反向前瞻，匹配到a后，后面不能是b。匹配到ac，但是最后返回的还是只有a
3. (?<=\$)\d+：正向后顾，匹配到数字100后，看前面是不是$，如果是就匹配到$100，但是最终返回的还是100
4. (?<!\$)\d+：反向后顾，匹配到数字100后，看前面是不是$，如果不是就匹配到$100，但是最终返回的还是100

实际情景：现在有很多行字符串，选择其中不包含免费的字符串

• 不包含：反向
• 整个字符串里都不包含：前瞻。这里可能有点难理解，也就是直接从字符串开头开始匹配，看后面是否有免费字符。

答案：^(?!.*免费)，表示从字符串开头开始匹配判断后面是否存在免费字符。但是这不能返回结果，因为零宽断言只是判断。完整的是^(?!.*免费).*$，需要分成两部分看，前面半部分是^(?!.*免费)，后面半部分是.*$。前面相当于一个判断，筛选出来了不包含免费字符的字符串，后面才真正返回字符，而且是一直匹配直到字符串结束$。虽然不加$，也能有类似的效果，但是加上后能确保匹配到字符串结束，语义上更完整。

参考文献

1. 菜鸟教程 正则表达式 - 语法
2. 正则表达式手册
3. 正则表达式-语法大全