简单的练习:

题目

  1. 与搜索字符串开始处的 3 个数字匹配。
  2. 与除 a、b 和 c 以外的任何字符匹配。
  3. '1234567'.match(/\d{1,3}/g)的结果。
  4. 不以“th”开头的单词匹配。
  5. 对密码应用以下限制:其长度必须介于 4 到 8 个字符之间,并且必须至少包含一个数字。
  6. 匹配一个中文字符。

答案

  1. 与搜索字符串开始处的 3 个数字匹配:/^\d{3}/
  2. 与除 a、b 和 c 以外的任何字符匹配: /[^abc]/
  3. ‘1234567’.match(/\d{1,3}/g),根据贪婪原则,结果是 ["123", "456", "7"]
  4. 不以“th”开头的单词匹配:/\b(?!th)\w+\b/
  5. 对密码应用以下限制:其长度必须介于 4 到 8 个字符之间,并且必须至少包含一个数字: /^(?=.*\d).{4,8}$/ 。首先.{4,8} 表示与包含 4-8 个字符的字符串匹配;然后.*表示单个字符(除换行符 \n 外)零次或多次,且后面跟着一个数字,注意(?=)只匹配一个位置。
  6. 匹配一个中文字符:/[\u4e00-\u9fa5]/

当然,可能答案不唯一,不必较真啦~ 主要目的是回忆熟悉一下语法~
如果还不了解正则,可以前往正则表达式理论篇 了解哇~

真正的实践来了

要想在复杂性和完整性之间取得平衡,一个重要因素是要了解将要搜索的文本
好的正则表达式:

  • 只匹配期望的文本,排除不期望的文本
  • 易于控制和理解
  • 保证效率

有时候处理各种极端情况会降低成本/收益的比例。所以某些情况下,不完全依赖正则表达式完成全部工作,比如某些字段用子表达式()括起来,让内存记忆下来,然后再用其他程序来验证。

不过本文还是从学习正则的角度出发,全部依赖正则表达式来写的哇~~

匹配美元

正则表达式:/^\$[0-9]+(\.[0-9][0-9])?$/

分为四部分:

  • ^\$ 以美元符号开头。
  • [0-9]+ 至少包含一个数字。
  • (\.[0-9][0-9])? 由一个点和两位数组成,匹配0次或1次,因为可能是整数或者是小数。
  • $ 最后的$表示以数字结尾的。

缺点:不能匹配$1,000

匹配24小时制的时间,比如 09:59

  • 小时部分

方法一:分类逻辑为第一个数字(0、1、2),可以分为三部分:上午 00点到09点(0可选);白天10到19点;晚上20到23点。

因此有三个多选分支,得到的结果为:

1
0?[0-9]|1[0-9]|2[0-3]

还可以优化一下,合并前面的两个多选分支,得到:

1
[01]?[0-9]|2[0-3]

方法二:分类逻辑为第二个数字,可以分为两部分:[0-3]和[4-9]。为什么这么分?看看下面这个图就知道了,[0-3]多了一行(以2为第一个数字):

24hour

因此有两个多选分支,结果为:

1
[012]?[0-3]|[01]?[4-9]

  • 分钟部分

分钟数比较简单,第一个数范围在0-5之间,第二个数在0-9之间,因此得到分钟数为:

1
[0-5][0-9]
  • 最后的结果:

小时部分用(?:)包起来,起到一个分组的作用,且不保存匹配项;
冒号、分钟数拼起来;
最后加上一个分界\b表示单词的开始或结束,得到最终的结果:

1
2
3
/\b(?:[01]?[0-9]|2[0-3]):[0-5][0-9]\b/
// 或者
/\b(?:[012]?[0-3]|[01]?[4-9]):[0-5][0-9]\b/
  • 验证:
1
2
3
var reg = /\b(?:[01]?[0-9]|2[0-3]):[0-5][0-9]\b/;
'现在是09:49点'.match(reg); // ["09:49"]
'现在是009:490点'.match(reg); // null

其实这个结果不能说完全正确,首先你要明白这个正则用在什么地方,比如是数据验证或者
复杂的字符串搜寻替换。

情景一:填写表单中的字符串必须为24小时制的时间,那么可能第一个\b需要改成^,第二个\b改成$

情景二:用于复杂的字符串搜寻替换时,可能也会匹配这样子的字符串如’跑步用时19:50’,明显的,’19:50’表示19分50秒,而不是表示24小时制的时间19点50分。

匹配IP地址

IP地址的规则:点号分开的四个字段,每个字段在0-255之间。

  • 第一步:

如果一个字段是一个数或两个数,肯定是在0-255的范围内的;
如果三位数,那么以0或者1开头的三位数也是合法的,即000-199。

从上面的陈述中我们就可以得到三个多选分支:

1
\d|\d\d|[01]\d\d

我们稍微合并一下这三个多选分支,得到:

1
[01]?\d\d?
  • 第二步:

我们再来看以2开头的三位数:

第二位数小于5的时候,第三位数范围[0-9]都可以;第二位数等于5的时候,第三位数范围[0-5] ,因此得到两个多选分支:

1
2[0-4]\d|25[0-5]
  • 第三步:

前两步合并起来,得到一个字段0-255的表示方法:

1
[01]?\d\d?|2[0-4]\d|25[0-5]
  • 第四步:

四个字段合并起来,IP地址正则如下:

1
/^(?:[01]?\d\d?|2[0-4]\d|25[0-5])\.(?:[01]?\d\d?|2[0-4]\d|25[0-5])\.(?:[01]?\d\d?|2[0-4]\d|25[0-5])\.(?:[01]?\d\d?|2[0-4]\d|25[0-5])$/

点号要转义一下,^和$需要加上,否则可能匹配52123.3.22.993,因为其中的123.3.22.99是符合的。(?:)起到分组的作用,且不保存匹配项。

一些测试结果:

1
2
3
4
5
6
var reg = /^(?:[01]?\d\d?|2[0-4]\d|25[0-5])\.(?:[01]?\d\d?|2[0-4]\d|25[0-5])\.(?:[01]?\d\d?|2[0-4]\d|25[0-5])\.(?:[01]?\d\d?|2[0-4]\d|25[0-5])$/;
'123.11.22.33.44'.match(reg); // null
'52123.3.22.993'.match(reg); // null
'123.11.22.33'.match(reg); // ["123.11.22.33"]
'0.0.0.0'.match(reg); // ["0.0.0.0"]

虽然0.0.0.0是合法的,但它是非法的IP地址,使用正则的否定顺序环视功能(零宽负向先行断言),可加上(?!0+.0+.0+.0+$) :

1
2
3
4
var reg = /^(?!0+.0+.0+.0+$)(?:[01]?\d\d?|2[0-4]\d|25[0-5])\.(?:[01]?\d\d?|2[0-4]\d|25[0-5])\.(?:[01]?\d\d?|2[0-4]\d|25[0-5])\.(?:[01]?\d\d?|2[0-4]\d|25[0-5])$/;
'123.11.22.33'.match(reg); // ["123.11.22.33"]
'0.0.0.0'.match(reg); // null

匹配分隔符之内的文本

常见的匹配要求

  • 匹配/**/之间的css注释。
  • 匹配引文字符串””,且容许其中包含转义的引号\”。
  • 匹配一个HTML tag,也就是尖括号之内的文本,例如。

匹配思路的步骤

  1. 匹配起始分隔符。
  2. 匹配正文(即结束分隔符之前的所有文本)。
  3. 匹配结束分隔符。

容许引文字符串中出现转义引号

大概思路

描述:起始分隔符和结束分隔符都是",且正文中容许出现转义之后的引号\"

简单情况分析:

举例:匹配类似 I "start \"x3\" end" U 文本的 "start \"x3\" end" 引文字符串,注意\"属于转义引号。

  • 起始分隔符和结束分隔符都是"
  • 字符不是引号,肯定是正文。即[^"]表示不是引号的其他任意字符。
  • 引号"前面有反斜线\,且被反斜线\转义,则也属于正文。例如start\"引号的前面有一个反斜线,那么这个引号也属于正文。即(?<=\)”表示匹配一个引号,它的前面有一个\,注意正则的反斜线也要用\来转义一下,因为\是特殊字符。

用非捕获分组(?:)[^"]|(?<=\\)"括起来,给个量词*,表示匹配正文0次或多次。
因此可以写出正则表达式: /"(?:[^"]|(?<=\\)")*"/
注意:ES7才支持逆序环视(?<=)

验证1:

验证正则:/"(?:[^"]|(?<=\\)")*"/

1
2
3
4
5
'I "start \"x3\" end" U'.match(/"(?:[^"]|(?<=\\)")*"/);
// 结果: [""start ""]
'I "start \\"x3\\" end" U'.match(/"(?:[^"]|(?<=\\)")*"/);
// 结果:[""start \"x3\" end""]

为什么第2个才是对的呢?我们看一下返回的input属性就了解了:

input属性

验证2:

验证正则:/"(?:[^"]|(?<=\\)")*"/

1
2
3
4
'I "start \\"x3\\\\" end" U'.match(/"(?:[^"]|(?<=\\)")*"/);
// 结果与期望不符合:[""start \"x3\\" end""]
// 期望:[""start\"x3\\"]
// 注意返回的input属性为:"I "start \"x3\\" end" U"

引号”前面有反斜线\,但是这个反斜线不是转义引号的,那么引号就不应该属于正文,而是属于结束分隔符。
什么情况反斜线\不转义引号呢?
这个反斜线\本身就是被转义的情况。

上面的结果按照预期结果应该返回 [""start\"x3\\"],但是现在多了end"
因此验证这个正则表达式不正确。

也就是说,正文中可出现转义的字符,因此得出正则\\. ,注意第一个\表示转义第二个\,点表示匹配除换行符 \n 之外的任何单个字符),例如可以匹配\+或者\\。而且转义的字符已经包含了\"的情况,因此正则(?<=\\)"可以不用写了,且替换成\\.

因此改正后的正则:/"(?:\\.|[^"])*"/

你可能注意到了,我把[^”]和\.的位置调换一下,后面的验证3会讲到为什么要这么做。

验证3:

验证正则:/"(?:\\.|[^"])*"//"(?:[^"]|\\.)*"/

1
2
3
4
5
6
7
8
9
'I "start \\"x3\\\\" end" U'.match(/"(?:\\.|[^"])*"/);
// 结果与期望符合:[""start \"x3\\""]
// input: "I "start \"x3\\" end" U"
// [^"]和\\.的位置调换
'I "start \\"x3\\\\" end" U'.match(/"(?:[^"]|\\.)*"/);
// 结果与期望不符合:[""start \""]
// 期望:[""start\"x3\\"]
// input: "I "start \"x3\\" end" U"

[^"]\\.的位置调换后,结果与期望不符合。那是因为[^"]匹配start \后,遇到紧接着的"不匹配,交给后面的多选分支\\.,也不匹配,又刚好结束分隔符是",导致匹配成功,结束匹配。

因此两个正则之间 正确的正则是 /"(?:\\.|[^"])*"/

验证4:

验证:/"(?:\\.|[^"])*"/

1
2
3
4
'I "start \\"x3\\" end U'.match(/"(?:\\.|[^"])*"/);
// 结果与期望不符合:[""start \"x3\""]
// 注意end后面少了",期望结果是null,不匹配
// input: "I "start \"x3\" end U"

上面的字符串 "start\"x3\" 其实是没有结束分隔符的,但是还是匹配了。那是因为正则[^"]\\. 一起作用,导致匹配到了文本U末尾,后续想找结束分隔符的时候,结果却找不到,所以只能回溯文本去找结束分隔符,最后找到了 x3\后面的引号,匹配成功,结束匹配。

回溯会导致不期望的结果,由于是卡在多选分支上出错的,因此猜测多选分支|匹配内容出现重叠。

你想想,如果符合正文的反斜线,不是以[^"]方式匹配,而是以\\.的方式匹配,那就不会把好好的\"拆开来匹配了。

综上所述,一定要让反斜线是以\\.的方式匹配,字符串里的反斜杆不能以[^"]方式匹配。
因此将[^"]改成[^\\"]。这样子就可以确保正确识别正文特殊的\"和结束分隔符"了。

注意:很多字符在[]都会失去本来的意义,但是反斜杠字符 \ 仍为转义字符。若要匹配反斜杠字符,请使用两个反斜杠 \\

改正的正则:/"(?:\\.|[^\\"])*"/

验证5

验证:/"(?:\\.|[^\\"])*"/

1
2
3
4
5
6
7
8
'I "start \\"x3\\" end U'.match(/"(?:\\.|[^\\"])*"/);
// 结果与期望符合:null
// input: "I "start \"x3\" end" U"
'I "start \\"x3\\" end" U'.match(/"(?:\\.|[^\\"])*"/);
// 结果与期望符合:[""start \"x3\" end""]
// input: "I "start \"x3\" end" U"

为了优化,我们可以把[^\\"]放在前面,因为普通字符的匹配可能性更大。
注意:优化正则提高效率最需要考虑的问题:改动是否会影响匹配。只有在排序与匹配成功无关时才不会影响准确性,才能重新安排多选分支的顺序。

优化后的正则:/"(?:[^\\"]|\\.)*"/

HTML Tag

经历了容许引文字符串中出现转义引号的例子分析,瞬间觉得这个容易了许多。

描述与要求:匹配类似<input name=123 value=">" >的HTML标签,起始分隔符是<,结束分隔符是>,且HTML 标签属性值中可以出现>

起始分隔符和结束分隔符都是明确的,我们来分类一下正文。

  • 双引号引用文本
  • 单引号引用文本
  • 除了>和引号之外的任意字符

可能你会当心单双引号引用文本,会像“容许引文字符串中出现转义引号”那么复杂。幸好是HTML Tag的属性值中不允许出现转义引号,因为平常的转义符号\变成了普通字符。

根据三种情况,分别写出三个正则:

  • "[^"]*"
  • '[^']*'
  • [^'">]

好了,用多选分支连起来"[^"]*"|'[^']*'|[^'">],再用非捕获分组(?:)将多选分支括起来,如(?:"[^"]*"|'[^']*'|[^'">]),用*表示匹配任意次,最后前后加上开始结束分隔符,搞定:

/<(?:"[^"]*"|'[^']*'|[^'">])*>/

验证:

1
2
'<input name=123 value=">" >'.match(/<(?:"[^"]*"|'[^']*'|[^'">])*>/)
// 结果: ["<input name=123 value=">" >"]

体会:

看到没有,几乎每个正则都包含多选分支,只要你懂得将数据分类,离成功就不远了。哈哈哈哈哈。

参考

《精通正则表达式》
http://imweb.io/topic/56e804ef1a5f05dc50643106

感谢您的阅读,本文由 凹凸实验室 版权所有。如若转载,请注明出处:凹凸实验室(https://aotu.io/notes/2016/12/07/regexp-practice/