正则表达式7种高级应用技巧教程
<div id="navCategory"><h5 class="catalogue">目录</h5><ul class="first_class_ul"><li><a href="#_label0">概念一：按单字符匹配</a></li><li><a href="#_label1">概念二：匹配优先和不匹配优先</a></li><li><a href="#_label2">概念三：贪婪模式与非贪婪模式</a></li><li><a href="#_label3">概念四：环视（断言/零宽断言）</a></li><li><a href="#_label4">概念五：平衡组</a></li><li><a href="#_label5">概念六：模式修饰符</a></li><li><a href="#_label6">概念七：正则三段论应用</a></li></ul></div><p>本文是一篇正则表达式高级教程，主要通过对正则表达式几个概念的介绍，深入探讨正则表达式高级功能，以期达到通俗化解释正则表达式高深概念的目的。</p><p>介绍过正则表达式的基础和基本套路正则三段论：定锚点，去噪点，取数据了，接下来这篇文章，补充一点相对高级的概念：<span>1. 概念一：按单字符匹配 2. 概念二：匹配优先和不匹配优先 3. 概念三：贪婪模式与非贪婪模式 4. 概念四：环视（断言） 5. 概念五：平衡组 6. 概念六：模式修饰符 7. 附：正则三段论应用</span></p>
<p class="maodian"><a name="_label0"></a></p><h2>概念一：按单字符匹配</h2>
<p>正则里面的数据都是按照单个字符来进行匹配的，这个通过数值区间的例子最容易体现出来，比如，示例一：</p>
<p>我要匹配0-15的数值区间，用正则来写的话，便是|1，这里，便是把0-9这种单字符的情况，和10-15这种多字符的情况拆分开了，使用分支|来区分开，表示要么是0-9，要么是10-15。<br />上面是两位数值的情况，现在延伸至1-65535，我个人的处理思想是从大到小，一块块分解：</p>
<div class="jb51code"><pre class="brush:plain;">1. 65530-65535==>6553 末位区间0-5
2. 65500-65529==>655 第四位区间0-2，末位区间0-9
3. 65000-65499==>65{2} 第三位区间0-4，后两位0-9
4. 60000-64999==>6{3} 第二位区间0-4，后三位0-9
5. 10000-59999==>{4} 第一位区间1-5，后四位0-9
6. 1-9999 ==>{0,3} 第一位只能是1-9，后三位可有可无</pre></div>
<p>最后组合起来：<br />(6553|655|65{2}|6{3}|{4}|{0,3})<br />便得到1-65535匹配正则。</p>
<p>根据数据处理需求，可以在正则前后加上^和$，以匹配整个数据串，或者前后加入\b，把它当做单词边界处理。没有限定字符的边界往往是js正则判断中常见的错误之一。</p>
<p class="maodian"><a name="_label1"></a></p><h2>概念二：匹配优先和不匹配优先</h2>
<p>匹配优先和不匹配优先从字面理解也是比较容易的，所谓匹配优先，就是，能匹配我就先匹配；不匹配优先就是，能不匹配我就先不匹配，这段匹配先跳过，先看看后面的匹配能不能通过。</p>
<p class="maodian"><a name="_label2"></a></p><h2>概念三：贪婪模式与非贪婪模式</h2>
<p>正则的贪婪模式和非贪婪模式是一个比较容易混淆的概念，不过，我们可以这么理解，一个人很贪婪，所以他会能拿多少拿多少，换过来，那就是贪婪模式下的正则表达式，能匹配多少就匹配多少，尽可能最多。而非贪婪模式，则是能不匹配就不匹配，尽可能最少。</p>
<p>下面举个例子，示例二：</p>
<div class="jb51code"><pre class="brush:plain;">需求：匹配1后面跟任意个0
源串：10001
使用贪婪模式：10* 结果：1000 和 1
使用非贪婪模式：10*? 结果：1 和 1</pre></div>
<p>首先，*是匹配0个或多个的意思。</p>
<blockquote><p>贪婪模式下，它表示，首先匹配一个1，然后匹配1后面的0，最多可以匹配3个0，因此得到1000，然后第二次又匹配到一个1，但是后面没有0，因此得到1；</p>
<p>非贪婪模式下，它表示，首先匹配一个1，然后1后面的0，能不匹配就不匹配了，所以，它每次都只是匹配了一个1。</p></blockquote>
<p>看到这里，也许，有些人觉得，哎呀，我懂了！<br />那么，下来我们改改，看看你是不是真懂了。</p>
<p>示例三：</p>
<div class="jb51code"><pre class="brush:plain;">需求：匹配1后面跟任意个0，再跟一个1
源串：10001
使用贪婪模式：10*1 结果：10001
使用非贪婪模式：10*?1 结果：10001</pre></div>
<p>为什么这两次的结果一样了？</p>
<p>因为，正则表达式要判断完这整个正则才算成功，这种情况下，</p>
<p>贪婪模式，首先匹配一个1，然后匹配1后面尽可能多的0，发现3个，再匹配0后面的一个1，正则表达式匹配完，完成匹配，得到10001；非贪婪模式，首先匹配一个1，然后，0*?是非贪婪模式，它不想匹配了（非贪婪模式不匹配优先），看看后面是不是1了？然后发现哎妈呀，后面是个0啊，然后它回头，不能再偷懒了，用0*?匹配一个0吧，然后匹配到10，又不想匹配了，看看后面有没有1了，还是没有，又回去用0*?匹配掉一个0，得到100，继续偷懒，但是发现后面还不是1，然后又用0*?匹配得到1000，最后，发现真不容易啊，终于看到1了，匹配得到10001，正则表达式匹配完，完成匹配。</p>
<p>看到这里，是不是懂了？</p>
<p>那究竟哪个模式好呢？</p>
<p>什么时候使用贪婪模式，什么时候使用非贪婪模式，哪个性能好，哪个性能不好，不能一概而论，要根据情况分析。<br />下面我举个例子：<br />源码：</p>
<div class="jb51code"><pre class="brush:xhtml;"><a href="http://www.****.cn/my-regexp" rel="external nofollow"rel="external nofollow"target="_blank" title="我眼里的正则表达式（入门）">我眼里的正则表达式（入门）</a>
<a title="我眼里的正则表达式（入门）" href="http://www.****.cn/my-regexp" rel="external nofollow"rel="external nofollow"target="_blank">我眼里的正则表达式（入门）</a></pre></div>
<p>正则1：<a [^>]*?href="([^"]*?)"[^>]*?>([^<]*?)</a>（238次）<br />正则2：<a [^>]*?href="([^"]*)"[^>]*>([^<]*)</a>（65次）<br />正则3：<a [^>]*href="([^"]*)"[^>]*>([^<]*)</a>（136次）<br />附：执行次数的获取请下载正则表达式测试工具：RegexBuddy 4.1.0-正则测试工具.rar，使用里面的Debug功能。</p>
<p>正则1是通用写法，正则2是在确定字符不会溢出的情况下消除非贪婪模式，正则3是证明并不是全部消除非贪婪模式就是最优。</p>
<p>因此，关于贪婪模式好还是非贪婪模式好的讨论，只能说根据需求而定，不过，在平时的时候用，一般使用非贪婪模式较多，因为贪婪模式经常会由于元字符范围限制不严谨而导致匹配越界，得到非预期结果。</p>
<p>在确定的数据结构里，可以尝试使用[^>]*>这样的排除字符贪婪模式替换非贪婪模式，提升匹配的效率。注意，贪婪部分（[^>]*）的匹配，最好不要越过其后面的字符（>），否则会导致贪婪模式下的回溯，如正则3，[^>]*的匹配越过了href，一直匹配到>为止，而这时候再匹配href，会匹配不到而导致多次回溯处理，直到回溯到href前的位置，后面才继续了下去。</p>
<p>另外，需要注意一点，无论使用贪婪模式还是非贪婪模式，在不同语言需要注意回溯次数和嵌套次数的限制，比如在PHP中，pcre.backtrack_limit=100000，pcre.recursion_limit=100000。</p>
<p class="maodian"><a name="_label3"></a></p><h2>概念四：环视（断言/零宽断言）</h2>
<p>环视，在不同的地方又称之为零宽断言，简称断言。<br />用一句通俗的话解释：<br />环视，就是先从全局环顾一遍正则，（然后断定结果，）再做进一步匹配处理。<br />断言，就是先从全局环顾一遍正则，然后断定结果，再做进一步匹配处理。</p>
<p>两个虽然字面不一样，意思却是同一个，都是做全局观望，再做进一步处理。</p>
<p>环视的作用相当于对其所在位置加了一个附加条件，只有满足这个条件，环视子表达式才能匹配成功。</p>
<p>环视主要有以下4个用法：<br />(?<=exp)匹配前面是exp的数据<br />(?<!exp)匹配前面不是exp的数据<br />(?=exp)匹配后面是exp的数据<br />(?!exp)匹配后面不是exp的数据</p>
<p>示例四：<br />(?<=B)AAA匹配前面是B的数据，即BAAA匹配，而CAAA不匹配<br />(?<!B)AAA匹配前面不是B的数据，即CAAA匹配，而BAAA不匹配<br />AAA(?=B)匹配后面是B的数据，即AAAB匹配，而AAAC不匹配<br />AAA(?!B)匹配后面不是B的数据，即AAAC能匹配，而AAAB不能匹配</p>
<p>另外，还会看到(?!B)这种写法，其实它是范围里，排除B的意思，前置的(?!B)只是对后面数据的一个限定，从而达到过滤匹配的效果。</p>
<p>因此，环视做排除处理是比较实用的，比如，示例五：</p>
<div class="jb51code"><pre class="brush:plain;">需求：字母、数字组合，不区分大小写，不能纯数字或者纯字母，6-16个字符。
通用正则：^{6,16}$ 字母数字组合，6-16个字符
排除纯字母：(?!^+$)
排除纯数字：(?!^+$)
组合起来：(?!^+$)(?!^+$)^{6,16}$</pre></div>
<p>注意，环视部分是不占宽度的，所以有零宽断言的叫法。<br />所谓不占宽度，可以分成两部分理解：<br />1、环视的匹配结果不纳入数据结果<br />2、环视它匹配过的地方，下次还能用它继续匹配。</p>
<p>如果不是环视，则匹配过的地方，不能再匹配第二次了。</p>
<p>上面示例四体现了：环视的匹配结果不纳入数据结果，它的结果：</p>
<div class="jb51code"><pre class="brush:plain;">(?<=B)AAA 源串：BAAA结果：AAA
(?<!B)AAA 源串：CAAA结果：AAA
AAA(?=B) 源串：AAAB结果：AAA
AAA(?!B) 源串：AAAC结果：AAA</pre></div>
<p>而示例五体现了：环视它匹配过的地方，下次还能用它继续匹配<br />因为，整个匹配过程中，正则表达式一共走了3次字符串匹配，第一次匹配不全部是字母，第二次匹配不全部是数字，第三次匹配全部是字母数字组合，6-16个字符。</p>
<div class="jb51code"><pre class="brush:plain;">扩展部分：
`(?<=B)` 范围等于B
`(?<!B)` 范围排除B
`(?!B)` 范围排除B</pre></div>
<p>附： js不支持(?<=exp)和(?<!exp)语法</p>
<p class="maodian"><a name="_label4"></a></p><h2>概念五：平衡组</h2>
<p>平衡组并不是所有程序语言都支持，而我本人使用的PHP语言就不支持，所以平时接触也是比较少的。</p>
<p>平衡组主要用到下面四个语法：</p>
<div class="jb51code"><pre class="brush:plain;">(?'group') 把捕获的内容命名为group,并压入堆栈(Stack)
(?'-group') 从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败
(?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话，继续匹配yes部分的表达式，否则继续匹配no部分
(?!) 零宽负向先行断言，由于没有后缀表达式，如没有(?!B)的B，试图匹配总是失败</pre></div>
<p>在PHP中是支持(?(group)yes|no)语法的，这里的group是分组编号，即子模式编号，如(A)?(?(1)yes|no) ，匹配Ayes 和 no</p>
<p>下面这里引用《正则表达式30分钟入门教程#平衡组》关于<>配对匹配的例子，展示平衡组用法，</p>
<div class="jb51code"><pre class="brush:plain;">< #最外层的左括号
[^<>]* #最外层的左括号后面的不是括号的内容
(
(
(?'Open'<) #碰到了左括号，在黑板上写一个"Open"
[^<>]* #匹配左括号后面的不是括号的内容
)+
(
(?'-Open'>) #碰到了右括号，擦掉一个"Open"
[^<>]* #匹配右括号后面不是括号的内容
)+
)*
(?(Open)(?!)) #在遇到最外层的右括号时，判断黑板上还有没有没擦掉的"Open"；如果还有，则匹配失败
> #最外层的右括号
平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配嵌套的<div>标签：
<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div></pre></div>
<p class="maodian"><a name="_label5"></a></p><h2>概念六：模式修饰符</h2>
<p>模式修饰符在许多程序语言中都支持的，比如最常见的是i，不区分大小写，如javascript里的//i，表示匹配字母数字，不区分大小写。</p>
<p>本人在写php正则时常用的模式修饰符主要有i和s，如：<br />$pattern = '#+#is';</p>
<p>模式修饰符s的作用主要是的.能够匹配换行，在处理换行数据时，通常会用到。</p>
<p>在PHP中，模式修饰符有两种用法，一种是上面的，在分隔符后面的模式修饰符，它的作用范围是全局；另一种是在正则表达式中间的。<br />例如：</p>
<div class="jb51code"><pre class="brush:plain;">正则：/((?i)+)c/
测试字符：abcABC
匹配：abc
说明：局部（ab）的大小写被忽略了，(?i)的作用范围在分组1内</pre></div>
<p>如果把正则改成：/(+)c/i，则匹配结果将是：abcABC</p>
<p class="maodian"><a name="_label6"></a></p><h2>概念七：正则三段论应用</h2>
<p>正则三段论：定锚点，去噪点，取数据</p>
<p>两篇文章中，最重要的部分当属正则三段论：定锚点，去噪点，取数据，它是整个正则处理过程中的灵魂，它贯穿整个正则撰写过程。</p>
<p>下面举例说明它的思想，示例六：</p>
<div class="jb51code"><pre class="brush:plain;">源数据：标题：深入正则表达式应用，作者：Zjmainstay
需求：匹配作者名字</pre></div>
<p>我要从源数据取到Zjmainstay这个作者名，那么，在这里，作者：就是我们所说的锚点，因为在上面这段数据中它能够唯一定位到我们的数据Zjmainstay（就在它后面），因此，我们得到</p>
<p>(1) 定锚点：作者：</p>
<p>而在这里，我们不需要关心标题什么的，因此，标题：深入正则表达式应用，就是我们的噪点，因此，我们得到</p>
<p>(2) 去噪点</p>
<p>最后，我们确定作者：后面就是我们的数据，这个数据可以是任意字符，因此，我们得到正则：<br />作者：(.*)</p>
<p>而噪点部分，因为不会对数据取值造成干扰，直接去掉，不需要引入正则中。</p>
<p>下面再举一个噪点干扰的例子，示例七：</p>
<div class="jb51code"><pre class="brush:plain;">源数据： <a href="http://www.zjmainstay.cn/my-regexp" rel="external nofollow"rel="external nofollow"class="demo8" title="正则三段论应用举例">正则表达式入门教程</a>
需求：提取链接和标题，还有a标签的文字</pre></div>
<p>看到这个源数据和需求，我们必须定位好锚点，主要有：<br />1.<a//必须是a标签<br />2.href=" 和 "//href=""的内容得到链接<br />3.title=" 和 "//title=""的内容得到标题<br />4.> 和 </a>//>和</a>的内容得到标签文字</p>
<p>然后，其他的都是噪点，使用.*?替代，需要提取的数据部分使用括号获取子模式，得到分组数据，因此得到正则：<br /><a href="(.*?)".*?title="(.*?)">(.*?)</a></p>
<p>看到这里，也许有朋友觉得，我还是不会写，那么，再来一个更简单的构建方法，细化步骤，从源串逐步得到正则，示例八：</p>
<div class="jb51code"><pre class="brush:plain;">1. 直接拷贝源串，特殊字符处理转义（本例没特殊字符）
<a href="http://www.zjmainstay.cn/my-regexp" rel="external nofollow"rel="external nofollow"class="demo8" title="正则三段论应用举例">正则表达式入门教程</a>
2. 从左到右，一段段转化
2.1 <a href="(.*?)" rel="external nofollow"rel="external nofollow"rel="external nofollow"rel="external nofollow"rel="external nofollow"class="demo8" title="正则三段论应用举例">正则表达式入门教程</a>
2.2 <a href="(.*?)" rel="external nofollow"rel="external nofollow"rel="external nofollow"rel="external nofollow"rel="external nofollow" .*?title="正则三段论应用举例">正则表达式入门教程</a>
2.3 <a href="(.*?)" rel="external nofollow"rel="external nofollow"rel="external nofollow"rel="external nofollow"rel="external nofollow" .*?title="(.*?)">正则表达式入门教程</a>
2.4 <a href="(.*?)" rel="external nofollow"rel="external nofollow"rel="external nofollow"rel="external nofollow"rel="external nofollow" .*?title="(.*?)">(.*?)</a>
3. 得到最终的正则
<a href="(.*?)" rel="external nofollow"rel="external nofollow"rel="external nofollow"rel="external nofollow"rel="external nofollow" .*?title="(.*?)">(.*?)</a></pre></div>
<p>至此，正则三段论的基本思想已经展示完毕，大家还有什么不解请评论留言，本人看到会第一时间给予回复。</p>
<p>熟悉正则三段论处理思想，剩下的便是基本语义的熟练程度了，这个通过多用多练可以达到熟能生巧的境界。</p>
<p>最后留下一句至尊提醒：.是万能字符，大家看着用，遇到换行使用[\s\S]替换.即可。</p> 感谢楼主的详细分享！
一直对正则表达式的高级应用似懂非懂，今天看到这篇教程终于搞清楚了几個概念。
关于贪婪模式和非贪婪模式
之前在写爬虫匹配HTML标签的时候，经常遇到匹配错误的问题。看了楼主的示例三终于明白为什么了！原来非贪婪模式在遇到复杂情况时会有这么多回溯操作。
关于环视（零宽断言）
之前完全不懂(?<=)和(?=)的区别，楼主的示例四和示例五解释得很清楚。特别是那个字母数字组合的验证例子，正好是我需要的！
有个问题想请教一下：
关于平衡组的部分，PHP不支持的话，有什么替代方案吗？最近在做HTML嵌套标签的匹配，想处理类似<div>...</div>这种嵌套结构。
另外，楼主提到的"正则三段论"真的很实用！定锚点、去噪点、取数据这个思路让我写正则的效率提高了不少。
mark一下，慢慢学习。
支持一下 | 收藏 | 顶
頁:
[1]