摘要:关于,新手理解起来可能比较困难,尤其是一些很牛逼的预查正则表达式。非贪婪与贪婪的问题贪婪出现在这种不确定数量的匹配中,所谓的贪婪,表示正则表达式在匹配的时候,尽可能多的匹配符合条件的内容。
学习了半年的正则表达式,也不能说一直学习吧,就是和它一直在打交道,如何用正则表达式解决自己的问题,并且还要考虑如何在匹配大量的文本时去优化它。慢慢的觉得正则已经成为自己的一项技能,逐渐的从一个正则表达式小白变成一个伪精通者。
那么,我不打算详细介绍正则表达式的使用,或者说这篇文章并不是入门教程,所以如果你对正则表达式一无所知或者处于入门阶段,建议你还是先去看看下面这些正则表达式入门的文章。
阮一峰老师的正则教程
MDN 正则介绍
胡子哥正则表达式 30 分钟入门
阮一峰 ES6 正则表达式扩展
百度百科 正则表达式 很详细,可以当作手册参考
当然正则的教程很多,不限于此,如果你对正则已经了解了,那么可以开始下面的内容了,文章中可能还会涉及一些效率的问题。
new RegExp 和 // 正则对象创建区别如果写过 Python 的同学,都一定会知道 Python 中可以在字符串前面加个小写的 r ,来表示防止转义。防止转义的意思就是说:str = r" " 等价于 str = " ",加了 r 会防止 被转义。
为什么要介绍这个,因为这就是 new RegExp 和 // 的区别,因为我们知道在正则表达式中会频繁的使用转义字符 wsd 等,但是它们在内存中的是以 wsd 存储的,看个例子:
//推荐写法 var regex1 = /w+/g; regex1 // /w+/g //RegExp 写法 var regex2 = new RegExp("w+","g"); regex2 // /w+/g //错误写法 var regex3 = new RegExp("w+","g"); regex3 // /w+/g
你也看出来了,错误写法只能匹配 wwwww 这样的字符串,曾经我就见过有人把他们弄混了,还说第一个第三个没有区别。第二种方法的输出,还是 /w+/g,中间还是要转换,所以推荐第一种写法。
当然,还有比较奇葩的:
var regex4 = new RegExp(/w+/g); regex4 // /w+/g
MSDN 上关于 RegExp 的介绍。
那么,如何能像 Python 的 r"" 那样,实现一个防转义的功能呢?我这里有一种很蹩脚的方法(仅供娱乐!):
var str1 = "dws"; str1; // "dws" var str2 = /dws/; str2.source; // "dws"
没错,就是 srouce,不知道 source 的同学快去面壁吧。(这方法确实很抠脚!)
i、g、m 修饰符这几个修饰符只是针对 JS 来说的,像 Python 中还有 re.S 表示 . 可以匹配换行符。
对于 i 表示忽略字母大小写,不是很常用,因为它有很多替代品,比如:/[a-zA-Z]/ 可以用来替代 /[a-z]/i,至于两者处理长文本的时间效率,我自己没有研究过,不下定论。
使用 i 需要注意的地方,就是 i 会对正则表达式的每一个字母都忽略大小写,当我们需要部分单词的时候,可以考虑一下/(?:t|T)he boy/。
g 表示全局匹配,在印象中,可能很多人会觉得全局匹配就是当使用 match 的时候,把所有符合正则表达式的文本全部匹配出来,这个用途确实很广泛,不过 g 还有其他更有意思的用途,那就是 lastIndex 参数。
var str = "1a2b3c4d5e6f", reg = /dwd/g; str.match(reg); //["1a2", "3c4", "5e6"]
为什么不包括2b3,4d5,因为正则表达式匹配的时候,会用 lastIndex 来标记上次匹配的位置,正常情况下,已经匹配过的内容是不会参与到下次匹配中的。带有 g 修饰符时,可以通过正则对象的 lastIndex 属性指定开始搜索的位置,当然这仅仅局限于函数 exec 和 test(replace 没研究过,没听说过可以控制 lastIndex,match 返回的是数组,无法控制 lastIndex),针对这个题目修改如下:
var str = "1a2b3c4d5e6f", reg = /dwd/g; var a; var arr = []; while(a = reg.exec(str)){ arr.push(a[0]); reg.lastIndex -= 1; } arr //["1a2", "2b3", "3c4", "4d5", "5e6"]
m 表示多行匹配,我发现很多人介绍 m 都只是一行略过,其实关于 m 还是很有意思的。首先,来了解一下单行模式,我们知道 JavaScript 正则表达式中的 . 是无法匹配 (换行,各个系统使用不一样) 的,像 Python 提供 re.S 表示 . 可以匹配任意字符,包括 ,在 JS 中如果想要表示匹配任意字符,只能用[sS] 这种蹩脚的方式了(还有更蹩脚的 [dD],[.s])。这种模式叫做开启或关闭单行模式,可惜 JS 中无法来控制。
多行模式跟 ^ $ 两兄弟有关,如果你的正则表达式没有 ^$,即时你开启多行模式也是没用的。正常的理解/^123$/只能匹配字符串123,而开启多行模式/^123$/g能匹配["123"," 123","123 "," 123 "],相对于 ^$ 可以匹配 了。
var str = " a"; /^a/.test(str); //false /^a/m.test(str); //true
有人说,m 没用。其实在某些特殊的格式下,你知道你要匹配的内容会紧接着 或以 结尾,这个时候 m 就非常有用,比如 HTTP 协议中的请求和响应,都是以 划分每一行的,响应头和响应体之间以 来划分,我们需要匹配的内容就在开头,通过多行匹配,可以很明显的提高匹配效率。
原理性的东西,我们还是要知道的,万一以后会用到。
(?:) 和 (?=) 区别在正则表达式中,括号不能乱用,因为括号就代表分组,在最终的匹配结果中,会被算入字匹配中,而 (?:) 就是来解决这个问题的,它的别名叫做非捕获分组。
var str = "Hello world!"; var regex = /Hello (w+)/; regex.exec(str); //["Hello world", "world"] var regex2 = /Hello (?:w+)/; regex2.exec(str); //["Hello world"] //replace 也一样 var regex3 = /(?:ab)(cd)/ "abcd".replace(regex3,"$1") //"cd"
可以看到 (?:) 并不会把括号里的内容计入到子分组中。
关于 (?=),新手理解起来可能比较困难,尤其是一些很牛逼的预查正则表达式。其实还有个 (?!),不过它和 (?=) 是属于一类的,叫做正向肯定(否定)预查,它还有很多别名比如零宽度正预测先行断言。但我觉得最重要的只要记住这两点,预查和非捕获。
预查的意思就是在之前匹配成功的基础上,在向后预查,看看是否符合预查的内容。正因为是预查,lastIndex 不会改变,且不会被捕获到总分组,更不会被捕获到子分组。
var str = "Hello world!"; var regex = /Hello (?=w+)/; regex.exec(str); //["Hello "]
和 (?:) 区别是:我习惯的会把匹配的总结果叫做总分组,match 函数返回数组每一项都是总分组,exec 函数的返回数组的第一项是总分组。(?:) 会把括号里的内容计入总分组,(?=) 不会把括号里的内容计入总分组。
说白了,还是强大的 lastIndex 在起作用。(?:) 和 (?=) 差别是有的,使用的时候要合适的取舍。
说了这么多关于 (?=) 的内容,下面来点进阶吧!现在的需求是一串数字表示钱 "10000000",但是在国际化的表示方法中,应该是隔三位有个逗号 "10,000,000",给你一串没有逗号的,替换成有逗号的。
var str = "10000000"; var regex = /d(?=(d{3})+$)/g; str.replace(regex, "$&,"); //"10,000,000"
我们分析一下 regex,/d(?=(d{3})+$)/g 它是全局 g,实际上它匹配的内容只有一个 d,(?=(d{3})+$) 是预判的内容,之前说过,预判的内容不计入匹配结果,lastIndex 还是停留在 d 的位置。(?=(d{3})+$) 到结尾有至少一组 3 个在一起的数字,才算预判成功。
d = 1 的时候,不满足预判,向后移一位,d = 0,满足预判,replace。
(?!) 前瞻判断(?=) 和 (?!) 叫做正向预查,但往往是正向这个词把我们的思维给束缚住了。正向给人的感觉是只能在正则表达式后面来预判,那么预判为什么不能放在前面呢。下面这个例子也非常有意思。
一个简单密码的验证,要保证至少包含大写字母、小写字母、数字中的两种,且长度 8~20。
如果可以写多个正则,这个题目很简单,思路就是:/^[a-zA-Zd]{8,20}$/ && !(/[a-z]+/) && !(/[A-Z]+/) && !(/d+/),看着眼都花了,好长一串。
下面用 (?!) 前瞻判断来实现:
var regex = /^(?![a-z]+$)(?![A-Z]+$)(?!d+$)[a-zA-Zd]{8,12}$/; regex.test("12345678"); //false regex.test("1234567a"); //true
分析一下,因为像 (?!) 预判不消耗 lastIndex,完全可以放到前面进行前瞻。(?![a-z]+$) 的意思就是从当前 lastIndex (就是^)开始一直到 $,不能全是小写字母,(?![A-Z]+$) 不能全是大写字母,(?!d+$) 不能全是数字,[a-zA-Zd]{8,12}$ 这个是主体,判断到这里的时候,lastIndex 的位置仍然是 0,这就是 (?!) 前瞻带来的效率。
对 JS 正则不支持 (?<=) 个人看法我们都知道,JS 中的正则表达式是不支持正回顾后发断言的 (?<=),当然也不支持 (?。有时候会觉得这种正回顾后发断言确实很有帮助,它可以让我们的思维更清晰,哪些是真正匹配的正则,哪些是断言的正则。在 Python 中我们就可以轻松的使用 (?<=),但是在 JS 中不行。
原因可能是采用的正则引擎不一样导致,既然不支持,那我们也只能通过现有的条件来改进我们所写的正则,下面就说一说我的理解。
对于一个非全局匹配的正则表达式,完全可以通过 (?:) 来实现。比如对于 /(?<=Hello) (.*)$/(这个在 JS 中是不支持的),可以使用 /(?:Hello) (.*)$/作为一个简单的替代,这两个正则的差别就在于最终的匹配分组上面,总分组略有不同,但总有办法可以解决。但要注意,这是非全局匹配,反正只匹配一次。
那如果是全局匹配呢?又该如何实现 (?<=)?
var str = "a1b2c3d"; //var regex = /(?<=w)dw/g //str.match(regex) => ["1b","2c","3d"] var regex2 = /(?:w)dw/g str.match(regex2); //["a1b", "c3d"]
很明显,只通过 (?:) 就显得有点力不从心了,我们想要的结果是 ["1b","2c","3d"],却返回其中的第一和第三个,少了第二个。
这时候,又要拿出强大的 lastIndex:
var str = "a1b2c3d"; var regex = /(?:w)(dw)/g; var m,arr = []; while(m = regex.exec(str)){ arr.push(m[1]); regex.lastIndex --; } arr; //["1b", "2c", "3d"]
和前面的例子很类似,通过重写 lastIndex 的值,达到模仿 (?<=) 的作用。
非贪婪与贪婪的问题贪婪出现在 + * {1,} 这种不确定数量的匹配中,所谓的贪婪,表示正则表达式在匹配的时候,尽可能多的匹配符合条件的内容。比如 /hello.*world/ 匹配"hello world,nice world"会匹配到第二个 world 结束。
鉴于上面的情况,可以使用 ? 来实现非贪婪匹配。? 在正则表达式中用途很多,正常情况下,它表示前面那个字符匹配 0 或 1 次,就是简化版的 {0,1},如果在一些不确定次数的限制符后面出现,表示非贪婪匹配。/hello.*?world/ 匹配"hello world,nice world" 的结果是 hello world。
我刚开始写正则的时候,写出来的正则都是贪婪模式的,往往得到的结果和预想的有些偏差,就是因为少了 ? 的原因。
我初入正则的时候,非贪婪模式还给我一种错觉。还是前面的那个例子,被匹配的内容换一下,用/hello.*?world/ 匹配"hello word,nice world",因为 word 不等于 world,在第一次尝试匹配失败之后,应该返回失败,但结果却是成功的,返回的是 "hello word,nice world"。
一开始我对于这种情况是不理解的,但仔细想想也对,这本来就应该返回成功。至于如何在第一次尝试匹配失败之后,后面就不再继续匹配,只能通过优化 .*。如果我们把 .*?end 这样子来看,.* 会把所有字符都吞进去,慢慢吐出最后几个字符,和 end 比较,如果是贪婪,吐到第一个满足条件的就停止,如果是非贪婪,一直吐到不能吐为止,把离自己最近的结果返回。
所以,贪婪是返回最近的一次成功匹配,而不是第一次尝试。
避免回溯失控回溯可以杀死一个正则表达式,这一点都不假。关于正则表达式回溯也很好理解,就是正则引擎发现有两条路可以走时,它会选择其中的一条,把另一条路保存以便回溯时候用。
比如正则 /ab?c/ 在成功匹配到 a 之后,后面可以有 b,也可以没有 b,这时候要提供两种选择。还有其他类型的回溯,比如 /to(night|do)/。当然影响性能的回溯就要和 .* .+ .{m} 有关。
所谓的回溯失控,就是可供选择的路径太多,看一个常见回溯失控的例子,正则 /(A+A+)+B/ ,如果匹配成功,会很快返回,那么匹配失败,非常可怕。比如来匹配 10 个 A AAAAAAAAAA,假设第一个 A+ 吞了 9 个 A,整个正则吐出最后一个字符发现不是 B,这一轮吐完,还不能返回 false,因为还有其他路可以选择;第一个 A+ 吞 8 个 A,....一直这样回溯下去,回溯次数的复杂度大概是 2 的 n 次方吧。
当然你可能会说,自己不会写这样傻的正则表达式。真的吗?我们来看一个匹配 html 标签的正则表达式,/[sS]*?
[sS]*?[sS]*?[sS]*?[sS]*? (感觉这样写也很傻)。如果一切都 OK,匹配一个正常的 HTML 页面,工作良好。但是如果不是以