五分钟搞定正则表达式，如果没搞定，再加两分钟

【这是 ZY 第 18 篇原创文章】

文章概览

一、正则表达式介绍

正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

不用过多介绍，大家对正则表达式应该不太陌生。即使没有用过，也一定听说过。
我们先看几个常见的正则表达式：

匹配 IP 地址
((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)

匹配电子邮箱
([a-z0-9_\.-]+)@([\da-z\.-]+)\.([a-z\.]{2,6})

对于正则表达式，第一映像是一串神秘的字符串。如果不是真正了解其规则，看到这字符串，定然是摸不着头脑。

不过说实话，了解其规则以后，看到这数字，也有点头疼。毕竟正则这个东西，写时爽歪歪，看时如天书。

话虽这样说，正则表达式说白了，也就是一连串的规则而已，只要了解了规则，一点一点总能看懂。所以不要有畏难情绪。

我们从最简单的例子开始，一点一点添加规则，争取让大家在学会正则表达式的过程中感觉不到丝毫痛苦。
（这里有一个网站，http://tool.oschina.net/regex/#，可以在线测试正则表达式的正确性，读者朋友们可以在这上面进行测试，方便学习，我们后面的例子讲解，也用这个工具）。

二、几个常用规则

前面看了那么复杂的例子，我们这里回归本源，从一个简单的例子开始看。

2.1 完全匹配

正则表达式是用来匹配文本的，现在假设我们要匹配 “abcdefg” 这一字符串中的 “abc” 三个字母，我们该怎么写呢？

abc

对，不要怀疑，就是这么简单。

如果想匹配 “def”，那么就是

def

是不是很简单呢？是不是小脑瓜中又透露出一丝疑惑？

如果正则表达式的匹配内容很简单，也很明确，可以进行完全匹配，写出来的结果就是这样的。

2.2 符号 |

那我们再继续往后看。

还是 “abcdefg” 字符串，我们想匹配其中的 “ab” 和 “ef” 两个子串，怎么写呢？按照上面的写法，就是写两个正则 “ab” 和 “ef” 来匹配。这样可以，不过略显麻烦。我们写法如下：

ab|ef

这里我们新加了 "|" 这个字符，表示 或，即匹配 ab 或者 ef，是不是就方便了许多。

再继续看，这次我们需要改变一下待匹配的字符串。

我们在 “acabcdefgh acbbcdefgh accbcdefgh” 字符串中，要匹配 “abcdef”，“bbcdef”，“cbcdef” 三个子串。

读者朋友们一看，这题非常简单，用上面的方法，正则表达式如下：

abcdef|bbcdef|cbcdef

写法正确，不过略显繁琐。我们的写法如下：

(a|b|c)bcdef

是不是有些理解 “|” 的使用了呢。

那我们要匹配 “acabcdef”，“acbbcdef”，“accbcdef” 这三个子串怎么写呢？

ac(a|b|c)bcdef

这下子理解 “|” 的使用了吧。而且我们现在的的写法，是不是长得有些 ”像“ 正则表达式了呢？

2.3 符号 []

我们继续。
上面的例子，我们如果不用 “|”，可以实现么？

答案是可以的，写法如下：

ac[abc]bcdef

是不是看着比上面更清爽一点呢？

我们这里引入了一个新的字符 "[]"。

这对中括号是字符集的意思，里面包含的字符，都是或（"|"）的关系。

我们还可以这样写：

ac[a-c]bcdef

“[a-c]” 表示的是匹配 a-c 之间的任意字符。

这里对 “[]” 稍微多说一些，[] 除了可以放字符集合以及字符范围以外，还可以做取反操作。

比如 “[^a-c]” 表示的是匹配 a-c 范围以外其他的字符。"[^0-8]" 表示的是匹配 0-8 范围以外的其他字符。

到了这里，我们已经可以写一些简单的匹配规则了。

2.4 限制符号 * + ? {}

我们继续往下看。

我们现在想匹配 类似 “fooooooooooooooooof” 这样子的字符串，中间的 “o” 个数我们不能确定，上面讲到的规则就有点无能为力了。

那我们该怎么写呢？

fo*f

这里的 "*" 表示匹配前面的子表达式零次或多次。

那么有些读者朋友会问了，如果想匹配至少有一个 “o” 该怎么写呢？

fo+f

这里的 "+" 表示匹配前面的子表达式一次或多次。

那么读者朋友又问了，如果想匹配 0 个或者者 1 个 该怎么写呢？

fo?f

这里的 "?" 表示匹配前面的子表达式零次或一次。

那么有些读者朋友又会问了，如果想匹配确定次数的 “o” 该怎么写呢？

我们可以这样写：

fo{2}f

上面的规则，会匹配 foof，即匹配 2 个 “o”。

所以，"{n}" 表示匹配前面子表达式 n 次。

那读者朋友们再次发问，如果想匹配至少 n 个 “o” 该怎么写呢？

fo{2,}f

"{n,}" 表示匹配前面子表达式至少 n 次。

那读者朋友们这次不发问了，会举一反三了，那如果想匹配 最少 n 个，最多 m 个呢？

fo{2,5}f

"{n,m}" 表示匹配前面子表达式至少 n 次，至多 m 次。

所以 “*” 等价于 “{0,}”，"+" 等价于 “{1,}”，"?" 等价于 “{0,1}”。

到这里，我们能写的匹配规则更多了，而且可以说大部分匹配运用上面的规则都可以实现了。

大家可以回头看看文章开头贴的几段正则表达式，看看是否能看懂了。

当然除此之外，正则里的规则其实还是不少的，除了上面几个，我们再看几个比较常用的。

2.5 几个转义字符

在正则表达式里，也有一些转义字符，表示一些特殊的含义。

"\d" 表示匹配数字字符，等价于 “[0-9]”。

"\D" 表示匹配非数字字符，等价于 “[^0-9]”。

"\n" 表示匹配换行符。

"\s" 表示匹配任何空白字符，等价于 “[\f\n\r\t\v]”。

"\S" 表示匹配任何非空白字符，等价于 “[^\f\n\r\t\v]”。

2.6 符号 .

符号 "." 会匹配 “\n” 以外的所有字符，也是比较常用的。

2.7 符号 ?

到目前为止，我们已经学习了大部分常用的正则表达式规则，日常开发基本已经够用了。

不过使用正则表达式时，限制字符 “* + ? {}” 默认的匹配规则是贪婪的。什么意思呢？

比如说有一个字符串 “abbbbb”，我们使用正则表达式 “ab+” 去匹配，匹配的结果是 “abbbbbbb”，会尽可能多的去匹配满足的字符。

我们如果想尽可能少的匹配满足的字符，那么就在限定符后面加 “?”。

“ab+?” 匹配的结果就是 ab。

"?" 符号的非贪婪匹配，在某些情况下也是很有用的。

2.8 符号 ()

最后我们再来看一个符号 “()”，小括号的含义是分组，可以理解为被小括号包含的子表达式就是一个分组，在前面介绍 “|” 的时候我们使用过。

不过分组也分很多类型。

"(pattern)" 小括号单纯的包含了子表达式，表示此分组可以被捕获。捕获的意思就是此分组的内容会被保存下来，后续可以从匹配的集合中获取到。

"(?:pattern)" 小括号中增加了 ?: 前缀，表示此分组不可以被捕获。后续匹配的集合中就不会包含此分组信息。
这样说下来，不太好理解。这里需要结合具体开发语言的实现来说。先留个悬念，后面会讲到。

"(?=pattern)" 小括号中增加了 ?= 前缀，表示的是匹配此分组，但是此分组里的内容不需要被获取。

"(?!pattern)" 小括号中增加了 ?! 前缀，表示的是匹配此分组之外的内容，但是此分组里的内容不需要被获取。

举个栗子：
正则表达式 “Windows(?=95|98|NT|2000)” 可以匹配字符串 “Windows2000” 中的 “Windows”，但是不能匹配 “Windows3.1” 中的 Windowds。

正则表达式 “Windows(?!95|98|NT|2000)” 可以匹配字符串 “Windows3.1” 中的 “Windows”，但是不能匹配 “Windows2000” 中的 Windowds。

以上就是正则表达式里一些常见的规则解析。

2.9 看看文章开头的例子

我们在文章开头放了两个例子，这里来分析一下。

匹配 IP 地址的正则表达式：
"((2[0-4]\d|25[0-5]|[01]?\d\d?).){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)"

我们分段来看。

先看第一段 "(2[0-4]\d|25[0-5]|[01]?\d\d?)\.)"，这里用 “|” 分割了三种匹配情况。

第一种是 "2[0-4]\d"，即三位数字，第一位是 2，第二位是 0 - 4 之间，第三位是任意数字。

第二种是 "25[0-5]"，三位数字，第一位是 2，第二位是 5，第三位是 0 - 5 之间。

第三种是 "[01]?\d\d?"，第一位是 0 或者 1，匹配零次或一次，第二位和第三位是任意数字，第三位数字匹配零次或一次，也就是 一位数，两位数，三位数都可能满足这种情况。

第一段末尾是 "\." 作为分隔符。

再来看第二段 "{3}"，这个表示前面的子表达式重复三次，也就是 IP 地址的前三个字节。

再看第三段 “(2[0-4]\d|25[0-5]|[01]?\d\d?)”，和第一段是一样的。

匹配电子邮箱：
"([a-z0-9_.-]+)@([\da-z.-]+).([a-z.]{2,6})"

也是分段来看。

第一段 "([a-z0-9_\.-]+)"，表示匹配 a-z 范围内的字母，0-9 范围的数字，以及 “_”，"."，"-" 三个字符，"+" 表示至少有一个字符。

第二段 "@" 表示匹配 “@” 字符。

第三段 "([\da-z\.-]+)"，"\d" 表示匹配任意数字，a-z 范围的字母，"."，"-" 两个字符，"+" 至少有一个字符。

第四段 "\." 表示匹配 “.” 字符。

第五段 "([a-z\.]{2,6})"，表示匹配 a-z 范围的字母，"." 字符，"{2,6}" 表示至少 2 个字符，至多 6 个字符。

经过上面的讲解，大家应该对正则表达式有了进一步的了解。

三、在代码中如何使用

在了解了正则表达式的规则以后，我们看一下在实际代码中是如何使用的。

这里以 Java 代码作为示例。

在 Java 中，关于正则表达式的主要有两个类，Pattern 和 Matcher。

我们看一下具体如何使用。

package com.zy.java;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class ReTest {
    public static void main(String[] args) {
        String str = "grilboy1girlboy2boy3girl";
        String pattern = "boy([0-9])";

        // 创建 Pattern 对象
        Pattern r = Pattern.compile(pattern);
        // 创建 matcher 对象
        Matcher m = r.matcher(str);
        while (m.find()) {
            System.out.println("match boy: " + m.group(0));
            System.out.println("match boy number: " + m.group(1));
        }

        String phoneNumber = "18888888888";
        String phonePattern = "^[1](([3][0-9])|([4][5-9])|([5][0-3,5-9])|([6][5,6])|([7][0-8])|([8][0-9])|([9][1,8,9]))[0-9]{8}$";
        r = Pattern.compile(phonePattern);
        m = r.matcher(phoneNumber);
        System.out.println("is phone number: " + m.matches());

        r = Pattern.compile(pattern);
        String[] res = r.split(str);
        for (String s : res) {
            System.out.println("split res: " + s);
        }
    }
}

上面代码运行的结果如下：

match boy: boy1
match boy number: 1
match boy: boy2
match boy number: 2
match boy: boy3
match boynumber: 3
is phone number: true
split res: gril
split res: girl
split res: 
split res: girl

Process finished with exit code 0

在 Java 中使用正则表达式分三步走：

1. 写好正则表达式
2. Pattern.compile 生成 Pattern 对象
3. 调用 Pattern 相关的正则操作

Pattern 类中有几个方法会比较常用：

Pattern#matcher 生成 Matcher，可以对正则表达式进行匹配，以及获取匹配的内容。

Pattern#split 根据正则表达式内容划分字符串。

Matcher 类中也有几个方法比较常用：

Matcher#find 寻找下一个满足规则的子串，通常用在查找子串中。

Matcher#matches 用来判断整个字符串是否满足匹配规则，常用的类似匹配电话号码，邮箱等等。

Matcher#group 就是获取我们在上面讲到的 “()” 小括号分组。默认 group(0) 整个串的匹配，group(1)，group(2) 等等往后顺延，就是小括号内的分组。

在我们上面的例子中的正则表达式是 “boy([0-9])”，用来获取字符串中的 boy，而括号中的分组是 boy 的编号，在生成 Matcher 以后，调用 Matcher#group(0) 获取的是整个匹配内容，Matcher#group(1) 获取的是小括号分组的内容。

通过上面例子，大家应该明白 “()” 的作用了吧。

四、规则全集

下面总结一下正则表达式的所有规则，在使用时可以查阅，引用自 https://tool.oschina.net/uploads/apidocs/jquery/regexp.html：

总结

最后，大家只要多多练习，实际开发中多使用，掌握正则表达式不是难事～

参考资料

https://tool.oschina.net/uploads/apidocs/jquery/regexp.html