Regex 正则表达式

Regex 正则表达式

A regular expression (shortened as regex or regexp; also referred to as rational expression) is a sequence of characters that specifies a search pattern in text. Usually such patterns are used by string-searching algorithms for "find" or "find and replace" operations on strings, or for input validation. It is a technique developed in theoretical computer science and formal language theory.

正则表达式（英语：Regular Expression，常简写为regex、regexp或RE），又称正则表示式、正则表示法、规则表达式、常规表示法，是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里，正则表达式通常被用来检索、替换那些匹配某个模式的文本。

Regular Expression的Regular一般被译为正则、正规或常规。此处的Regular即是规则、规律的意思，Regular Expression即“描述某种规则的表达式”之意。

正则表达式用来做什么：

1. 判断一个句子中是否有Lizzy, Hello everyone, my name is Li Zhiyan, you can call me Lizy.
2. 判断一个字符串中是否有数字, Twenty two is 22
3. 判断一个字符串中有英文字母, 23n20230n;23+&*^&*
4. 判断一个字符串中是否有John或者Jone, Look! John's AirPods is becoming AirPod.
5. 判断一个字符串是否是手机号码, 15195812506
6. 判断一个字符串是否一Leon开头, Leon is from China.
7. 判断一个字符串是否是邮件地址, [email protected]
8. 使用非字符串分割字符串，A, B, c, D, E;F|g

正则表达式表达了什么

1. 断言（Assertions）
   表示一个匹配在某些条件下发生。断言包含先行断言、后行断言和条件表达式。
2. 字符类（Character Classes）
   区分不同类型的字符，例如区分字母和数字。
3. 组和范围（Groups and Ranges）
   表示表达式字符的分组和范围。
4. 量词（Quantifiers）
   表示匹配的字符或表达式的数量。
5. Unicode 属性转义（Unicode Property Escapes）
   基于 unicode 字符属性区分字符。例如大写和小写字母、数学符号和标点。

在Python中，可以使用re模块和Pattern来做正则：

import re
p = re.compile(pattern, flags=0)
re.search(pattern, string, flags=re.IGNORECASE)
re.match(pattern, string, flags=0)
re.split(pattern, string, maxsplit=0, flags=0)
re.findall(pattern, string, flags=0)

Pattern.search(string[, pos[, endpos]])
Pattern.match(string[, pos[, endpos]])
Pattern.split(string, maxsplit=0)
Pattern.findall(string[, pos[, endpos]])

在JavaScript中，可以使用var re = /pattern/flags;

import re

p1 = re.compile('Lizzy')
s = 'Hello everyone, my name is Li Zhiyan, you can call me Lizzy.'
p1.search(s)

# [\d] = [^\D]
p2 = re.compile('[0-9]') # \d = [0123456789]n 
p2.search('Twenty two is 22')

p3 = re.compile('[a-zA-Z]') # \w (word) = [a-zA-Z0-9_]
p3.search('23n20230n;23+&*^&*')

<re.Match object; span=(2, 3), match='n'>

特殊符号

1. \d: 匹配一个数字。等价于[0-9]。
2. \D: 匹配一个非数字字符。等价于¹。
3. \w: 匹配一个单字字符（字母、数字或者下划线）。等价于 [A-Za-z0-9_]。
4. \W: 匹配一个非单字字符。等价于 ²。
5. \t: 匹配一个水平制表符 (U+0009)。
6. \v: 匹配一个垂直制表符 (U+000B)。
7. \f: 匹配一个换页符 (U+000C)。
8. \n: 匹配一个换行符 (U+000A)。
9. \r: 匹配一个回车符 (U+000D)。
10. \s: 匹配一个空白字符，包括空格、制表符、换页符和换行符。等价于[ \f\n\r\t\v\u00a0\u1680\u180e\u2000-\u200a\u2028\u2029\u202f\u205f\u3000\ufeff]。
11. \S: 匹配一个非空白字符。等价于 ³。
12. .： 匹配除了换行符\n以外的任意一个字符
13. \u{hhhh} or \u{hhhhh}: 仅当设置了u标志时）匹配一个十六进制数表示的 Unicode 字符。

# 使用｜作为选择
p4 = re.compile('John|Jone')
p4.search('Look! John\'s AirPods is becoming AirPod.')

# 匹配次数 {m,n}
p5 = re.compile('^1[0-9]{10}') # '1\d{10}'
# p5.search('15195812506')
p5.match('15195812506')

<re.Match object; span=(0, 11), match='15195812506'>

匹配次数

1. {m,n} m次到n次（包含）
2. {m,} 至少m次
3. {m} m次
4. ? 0到1次
5. + 至少1次
6. * 任意次（0到∞）

指定匹配位置

1. ^: 匹配字符串的开头
2. $: 匹配字符串的末尾
3. \b: 匹配单词（word）的边界
4. \B: 匹配非单词边界

p6 = re.compile('^Leon')
s6 = 'Leon is from China.'
p6.search(s6)

# [email protected], \[email protected]  @b.com [\w-] a@b._
p7 = re.compile('[\w\.\-\+]+@[\w-]+[\w\-\.]+([a-zA-Z0-9]+)$')
p7.match('[email protected]')

p8 = re.compile('[,;\|]')
p8.split('A, B, c, D, E;F|g')

['A', ' B', ' c', ' D', ' E', 'F', 'g']

总结

转义

如果你需要使用任何特殊字符的字面值（例如，搜索字符''），你必须通过在它前面放一个反斜杠来转义它。 例如，要搜索'a'后跟''后跟'b'，你应该使用/a*b/- 反斜杠“转义”字符'*'，使其成为文字而非特殊符号。

高级话题

使用插入语

任何正则表达式的插入语都会使这部分匹配的副字符串被记忆。一旦被记忆，这个副字符串就可以被调用于其它用途，如同使用括号的子字符串匹配之中所述。

通过标志进行高级搜索

一般而言，各种语言中实现的正则表达式有可选参数 (flags) 允许全局和不分大小写搜索等。这些参数既可以单独使用也能以任意顺序一起使用, 并且被包含在正则表达式实例（模式）中。

Python中可以使用re.IGNORECASE不分大小写搜索:

import re
p = re.compile(pattern, flags=0)
re.search(pattern, string, flags=re.IGNORECASE)

JavaScript则是：

let re = /^\w+\.\S+/gi;

用特殊字符检验输入

Reference / 参考

1. Wiki:正则表达式
2. JavaScript:正则表达式
3. Python:Regular expression operations
4. Java:Pattern
5. .NET:Regular Expression Language - Quick Reference