正則表達式字符匹配

正則表達式是匹配模式，要么匹配字符，要么匹配位置。請記住這句話。

然而關於正則如何匹配字符的學習，大部分人都覺得這塊比較雜亂。畢竟元字符太多了，看起來沒有系統性，不好記。本章就解決這個問題。

內容包括：

• 兩種模糊匹配
• 字符組
• 量詞
• 分支結構
• 案例分析

兩種模糊匹配

如果正則只有精確匹配是沒多大意義的，比如 /hello/，也只能匹配字符串中的 "hello" 這個子串。

var regex = /hello/;
console.log(regex.test("hello"));
// => true

正則表達式之所以強大，是因為其能實現模糊匹配。

而模糊匹配，有兩個方向上的“模糊”：橫向模糊和縱向模糊。

橫向模糊匹配

橫向模糊指的是，一個正則可匹配的字符串的長度不是固定的，可以是多種情況的。

其實現的方式是使用量詞。譬如 {m,n}，表示連續出現最少 m 次，最多 n 次。

比如正則 /ab{2,5}c/ 表示匹配這樣一個字符串：第一個字符是 "a"，接下來是 2 到 5 個字符 "b"，最后是字符 "c"。

其可視化形式如下：

測試如下：

var regex = /ab{2,5}c/g;
var string = "abc abbc abbbc abbbbc abbbbbc abbbbbbc";
console.log( string.match(regex) );
// => ["abbc", "abbbc", "abbbbc", "abbbbbc"]

NOTE： 案例中用的正則是 /ab{2,5}c/g，其中 g 是正則的一個修飾符。表示全局匹配，即，在目標字符串中按順序找到滿足匹配模式的所有子串，強調的是“所有”，而不只是“第一個”。g 是單詞 global 的首字母。

縱向模糊匹配

縱向模糊指的是，一個正則匹配的字符串，具體到某一位字符時，它可以不是某個確定的字符，可以有多種可能。

其實現的方式是使用字符組。譬如 [abc]，表示該字符是可以字符 "a"、"b"、"c" 中的任何一個。

比如 /a[123]b/ 可以匹配如下三種字符串： "a1b"、"a2b"、"a3b"。

其可視化形式如下：

測試如下：

var regex = /a[123]b/g;
var string = "a0b a1b a2b a3b a4b";
console.log( string.match(regex) );
// => ["a1b", "a2b", "a3b"]

以上就是本章講的主體內容，只要掌握橫向和縱向模糊匹配，就能解決很大部分正則匹配問題。

接下來，我們將具體展開來說。

字符組

需要強調的是，雖叫字符組（字符類），但只是其中一個字符。

例如 [abc]，表示匹配一個字符，它可以是 "a"、"b"、"c" 之一。

范圍表示法

如果字符組里的字符特別多的話，怎么辦？可以使用范圍表示法。

比如 [123456abcdefGHIJKLM]，可以寫成 [1-6a-fG-M]。用連字符 - 來省略和簡寫。

因為連字符有特殊用途，那么要匹配 "a"、"-"、"z" 這三者中任意一個字符，該怎么做呢？

不能寫成 [a-z]，因為其表示小寫字符中的任何一個字符。

可以寫成如下的方式：[-az] 或 [az-] 或 [a\-z]。

即要么放在開頭，要么放在結尾，要么轉義。總之不會讓引擎認為是范圍表示法就行了。

排除字符組

縱向模糊匹配，還有一種情形就是，某位字符可以是任何東西，但就不能是 "a"、"b"、"c"。

此時就是排除字符組（反義字符組）的概念。例如 [^abc]，表示是一個除 "a"、"b"、"c"之外的任意一個字符。字符組的第一位放 ^（脫字符），表示求反的概念。當然，也有相應的范圍表示法。

常見的簡寫形式

有了字符組的概念后，一些常見的符號我們也就理解了。因為它們都是系統自帶的簡寫形式。

字符組	具體含義
\d	表示 [0-9]。表示是一位數字。 記憶方式：其英文是 digit（數字）。
\D	表示 [^0-9]。表示除數字外的任意字符。
\w	表示 [0-9a-zA-Z_]。表示數字、大小寫字母和下划線。 記憶方式：w 是 word 的簡寫，也稱單詞字符。
\W	表示 [^0-9a-zA-Z_]。非單詞字符。
\s	表示 [ \t\v\n\r\f]。表示空白符，包括空格、水平制表符、垂直制表符、換行符、回車符、換頁符。 記憶方式：s 是 space 的首字母，空白符的單詞是 white space。
\S	表示 [^ \t\v\n\r\f]。 非空白符。
.	表示 [^\n\r\u2028\u2029]。通配符，表示幾乎任意字符。換行符、回車符、行分隔符和段分隔符除外。 記憶方式：想想省略號 … 中的每個點，都可以理解成占位符，表示任何類似的東西。

如果要匹配任意字符怎么辦？可以使用 [\d\D]、[\w\W]、[\s\S] 和 [^] 中任何的一個。

以上各字符組對應的可視化形式是：

量詞

量詞也稱重復。掌握 {m,n} 的准確含義后，只需要記住一些簡寫形式。

簡寫形式

字符組	具體含義
{m,}	表示至少出現 m 次。
{m}	等價於 {m,m}，表示出現 m 次。
?	等價於 {0,1}，表示出現或者不出現。 記憶方式：問號的意思表示，有嗎？
+	等價於 {1,}，表示出現至少一次。 記憶方式：加號是追加的意思，得先有一個，然后才考慮追加。
*	等價於 {0,}，表示出現任意次，有可能不出現。記憶方式：看看天上的星星，可能一顆沒有，可能零散有幾顆，可能數也數不過來。

以上量詞對應的可視化形式是：

貪婪匹配與惰性匹配

看如下的例子：

var regex = /\d{2,5}/g;
var string = "123 1234 12345 123456";
console.log( string.match(regex) );
// => ["123", "1234", "12345", "12345"]

其中正則 /\d{2,5}/，表示數字連續出現 2 到 5 次。會匹配 2 位、3 位、4 位、5 位連續數字。

但是其是貪婪的，它會盡可能多的匹配。你能給我 6 個，我就要 5 個。你能給我 3 個，我就要 3 個。反正只要在能力范圍內，越多越好。

我們知道有時貪婪不是一件好事（請看文章最后一個例子）。而惰性匹配，就是盡可能少的匹配：

var regex = /\d{2,5}?/g;
var string = "123 1234 12345 123456";
console.log( string.match(regex) );
// => ["12", "12", "34", "12", "34", "12", "34", "56"]

其中 /\d{2,5}?/ 表示，雖然 2 到 5 次都行，當 2 個就夠的時候，就不再往下嘗試了。

通過在量詞后面加個問號就能實現惰性匹配，因此所有惰性匹配情形如下：

惰性量詞	貪婪量詞
{m,n}?	{m,n}
{m,}?	{m,}
??	?
+?	+
*?	*

TIP： 對惰性匹配的記憶方式是：量詞后面加個問號，問一問你知足了嗎，你很貪婪嗎？

以上惰性量詞對應的可視化形式是：

分支結構

一個模式可以實現橫向和縱向模糊匹配。而多選分支可以支持多個子模式任選其一。

具體形式如下：(p1|p2|p3)，其中 p1、p2 和 p3 是子模式，用 |（管道符）分隔，表示其中任何之一。

例如要匹配字符串 "good" 和 "nice" 可以使用 /good|nice/。

可視化形式如下：

測試如下：

var regex = /good|nice/g;
var string = "good idea, nice try.";
console.log( string.match(regex) );
// => ["good", "nice"]

但有個事實我們應該注意，比如我用 /good|goodbye/，去匹配 "goodbye" 字符串時，結果是 "good"：

var regex = /good|goodbye/g;
var string = "goodbye";
console.log( string.match(regex) );
// => ["good"]

而把正則改成 /goodbye|good/，結果是：

var regex = /goodbye|good/g;
var string = "goodbye";
console.log( string.match(regex) );
// => ["goodbye"]

也就是說，分支結構也是惰性的，即當前面的匹配上了，后面的就不再嘗試了。

案例分析

匹配字符，無非就是字符組、量詞和分支結構的組合使用罷了。

下面找幾個例子演練一下（其中，每個正則並不是只有唯一寫法）：

匹配 16 進制顏色值

要求匹配：#ffbbad #Fc01DF #FFF #ffE

分析：

表示一個 16 進制字符，可以用字符組 [0-9a-fA-F]。其中字符可以出現 3 或 6 次，需要是用量詞和分支結構。使用分支結構時，需要注意順序。

正則如下：

var regex = /#([0-9a-fA-F]{6}|[0-9a-fA-F]{3})/g;
var string = "#ffbbad #Fc01DF #FFF #ffE";
console.log( string.match(regex) );
// => ["#ffbbad", "#Fc01DF", "#FFF", "#ffE"]

其可視化形式：

匹配時間

以 24 小時制為例。

要求匹配：23:59 02:07

分析：

共 4 位數字，第一位數字可以為 [0-2]。當第 1 位為 "2" 時，第 2 位可以為 [0-3]，其他情況時，第 2 位為 [0-9]。第 3 位數字為 [0-5]，第4位為 [0-9]。

正則如下：

var regex = /^([01][0-9]|[2][0-3]):[0-5][0-9]$/;
console.log( regex.test("23:59") );
console.log( regex.test("02:07") );
// => true
// => true

NOTE： 正則中使用了 ^ 和 $，分別表示字符串開頭和結尾。

如果也要求匹配 "7:9"，也就是說時分前面的 "0" 可以省略。

此時正則變成：

var regex = /^(0?[0-9]|1[0-9]|[2][0-3]):(0?[0-9]|[1-5][0-9])$/;
console.log( regex.test("23:59") );
console.log( regex.test("02:07") );
console.log( regex.test("7:9") );
// => true
// => true
// => true

其可視化形式：

匹配日期

比如 yyyy-mm-dd 格式為例。要求匹配： 2017-06-10

分析：

年，四位數字即可，可用 ·。

月，共 12 個月，分兩種情況 "01"、"02"、…、"09" 和 "10"、"11"、"12"，可用 (0[1-9]|1[0-2])。

日，最大 31 天，可用 (0[1-9]|[12][0-9]|3[01])。

正則如下：

var regex = /^[0-9]{4}-(0[1-9]|1[0-2])-(0[1-9]|[12][0-9]|3[01])$/;
console.log( regex.test("2017-06-10") );
// => true

其可視化形式：

window 操作系統文件路徑

要求匹配：

F:\study\javascript\regex\regular expression.pdf
F:\study\javascript\regex\
F:\study\javascript
F:\

分析：

整體模式是: 盤符:\文件夾\文件夾\文件夾\

其中匹配 "F:"，需要使用 [a-zA-Z]:\\，其中盤符不區分大小寫，注意 \ 字符需要轉義。

文件名或者文件夾名，不能包含一些特殊字符，此時我們需要排除字符組 [^\\:*<>|"?\r\n/] 來表示合法
字符。

另外它們的名字不能為空名，至少有一個字符，也就是要使用量詞 +。因此匹配 文件夾\，可用[^\\:*<>|"?\r\n/]+\\。

另外 文件夾\，可以出現任意次。也就是 ([^\\:*<>|"?\r\n/]+\\)*。其中括號表示其內部正則是一個整體。具體詳細請參考第三章。

路徑的最后一部分可以是 文件夾，沒有 \，因此需要添加 ([^\\:*<>|"?\r\n/]+)?。

最后拼接成了一個看起來比較復雜的正則：

var regex = /^[a-zA-Z]:\\([^\\:*<>|"?\r\n/]+\\)*([^\\:*<>|"?\r\n/]+)?$/;
console.log( regex.test("F:\\study\\javascript\\regex\\regular expression.pdf") );
console.log( regex.test("F:\\study\\javascript\\regex\\") );
console.log( regex.test("F:\\study\\javascript") );
console.log( regex.test("F:\\") );
// => true
// => true
// => true
// => true

其中，在JavaScript 中字符串要表示字符 \ 時，也需要轉義。

其可視化形式：

匹配 id

要求從

<div id="container" class="main"></div>

提取出 id="container"。

可能最開始想到的正則是：

var regex = /id=".*"/
var string = '<div id="container" class="main"></div>';
console.log(string.match(regex)[0]);
// => id="container" class="main"

其可視化形式：

因為 . 是通配符，本身就匹配雙引號的，而量詞 * 又是貪婪的，當遇到 container 后面雙引號時，是不會停下來，會繼續匹配，直到遇到最后一個雙引號為止。

解決之道，可以使用惰性匹配：

var regex = /id=".*?"/
var string = '<div id="container" class="main"></div>';
console.log(string.match(regex)[0]);
// => id="container"

當然，這樣也會有個問題。效率比較低，因為其匹配原理會涉及到“回溯”這個概念。可以優化如下：

var regex = /id="[^"]*"/
var string = '<div id="container" class="main"></div>';
console.log(string.match(regex)[0]);
// => id="container"

本章小結

掌握字符組和量詞就能解決大部分常見的情形，也就是說，當你會了這二者，JavaScript 正則算是入門了。