正则表达式字符匹配策略

正则表达式是匹配模式,要么匹配字符，要么匹配位置（请务必记住这句话）

1.1 两种模糊匹配

如果正则只有精确匹配是没有多少意义的，比如/hello/,也只能匹配字符串中的"hello" 这个子串。

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

正则表达式之所以强大,是因为其能够实现模糊匹配。

而模糊匹配，有两个方向上的模糊：横向模糊和纵向模糊

1.1.1横向模糊匹配

横向模糊指的是，一个正则可匹配的字符串的长度是不固定的，可以是多种情况的，长度在宏观角度可不就是横向的吗？

其实现的方式是使用量词、比如{m,n},表示连续出现 m 次，最多 n 次。

比如正则 /ab{2,5}c/ 表示匹配这样一个字符串，第一个字符是"a",接下来是 2到5个字符 "b",最后是字符 "c"。

其可视化的形式如下：

测试如下：

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

案例中的用的是 /ab{2,5}c/g 其中g 是正则的一个修饰符，表示全局匹配，即，在目标字符串中按照顺序找到满足匹配模式的所有字串，强调是“所有”，而不是“第一个”。g 是单词global 的首字母

1.1.2 纵向模糊匹配

纵向模糊匹配指的是，一个正则匹配的字符串，具体到某一位字符的时候，它可以不是某个确定的字符，可以有多种可能。

其实现方式是使用字符组。比如[abc]，表示该字符可以是 "a","b","c"中的任何一个。

比如：/a[123]b/ 可以匹配如下三种字符串 "a1b","a2b","a3b".

其可视化形式如下：

测试如下：

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

以上就是介绍的两种模糊匹配模式，只要掌握了横向和纵向的模糊匹配，就能够解决大部分的正则匹配问题。

1.2字符组

需要强调的是,虽然字符组（字符类），但只是其中的一个字符。例如[abc]表示匹配一个字符，他可以是 “a”、“b“、”c“ 之一。

1.2.1 范围表示法

如果字符组里面的字符特别多的话，怎么办？可以使用范围表示法。

比如 [123456abcdefGHIJKLM] 可以写成 [1-6a-fG-M]。用连字符 - 来省略和简写。

因为连字符有特殊的用途，那么要匹配 "a"、"-"、"z" 这三者中任意一个字符，怎么做呢？

不能写成 [a-z],因为这种方式表示小写字符中的任意一个字符。

可以写成如下方式：[-az] 或者 [az-] 或者 [a-z].

即要么放在开头，要么放在结尾，要么转义，总之不会让引擎认为是范围表示法就行了。

1.2.2 排除字符组

在纵向模糊匹配中，还有一种情形就是，某一个字符可以是任何东西，但就是不能是"a"、"b"、"c".

这个时候就是排除字符组（反义字符组）的概念，例如[^abc].表示是一个除"a"、"b"、"c" 之外的任意一个字符，字符组的第一位放置 ^ (脱字符)，表示求反的概念。

1.2.3 常见的简写形式

有了字符组的概念后，一些常见的符号我们也就理解了。因为它们都是系统自带的简写形式。

字符组	具体含义
\d	表示 [0-9]。表示是一位数字。记忆方式:其英文是 digit(数字)。
\D	表示 [^0-9]。表示除数字外的任意字符。
\w	表示 [0-9a-zA-Z_]。表示数字、大小写字母和下划线。记忆方式:w 是 word 的简写，也称单词字符。
\W	表示 [^0-9a-zA-Z_]。非单词字符。
\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、换行符、回车符、换页符。记忆方式:s 是 space 的首字母，空白符的单词是 white space。
\S	表示 [^ \t\v\n\r\f]。非空白符。
.	表示 [^\n\r\u2028\u2029]。通配符，表示几乎任意字符。换行符、回车符、行分隔符和段分隔符除外。记忆方式:想想省略号 ... 中的每个点，都可以理解成占位符，表示任何类似的东西。

如果要匹配任意字符怎么办？可以使用[\d\D]、[\w\W]、[\s\S] 和 [^] 中任何的一个。

以上各字符组对应的可视化形式是:

1.3量词

1.3.1 简写形式

量词也称之为重复，掌握{m,n}的准确含义之后，只需要记住一些简写形式。

字符组	具体含义
{m,}	表示至少出现m次
{m}	等价于 {m,m}，表示出现 m 次。
?	等价于 {0,1}，表示出现或者不出现。记忆方式:问号的意思表示，有吗?
+	等价于 {1,}，表示出现至少一次。记忆方式:加号是追加的意思，得先有一个，然后才考虑追加。
*	等价于 {0,}，表示出现任意次，有可能不出现。记忆方式:看看天上的星星，可能一颗没有，可能零散有几颗，可能数也数不过来

以上量词对应的可视的形式是：

1.3.2 贪婪匹配和惰性匹配

看下面的例子：

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

其中正则 /\d{2,5}/ 表示数字连续出现 2 到 5 次，会匹配 2 位 3 位 4 位 5 位连续的数字。

这种形式的【匹配模式其实是贪婪的，它会尽可能多的匹配你给我 6 给我就要 5 个你给我 3 个我就要 3 个。反正在力所能及的范围内，越多越好。

我们知道有时候贪婪并不是一件好事，而惰性匹配就是尽可能少的匹配。

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}?/ 表示虽然2到5次都行当2个就够的时候，就不再往下尝试了。

1.4 多选分支

一个模式可以实现横向和纵向的模糊匹配。而多选分支可以支持多个子模式任选其一：具体的形式如下：(p1|p2|p3) 其中p1,p2,p3 是子模式，用 |（管道符）分割，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/。

可视化形式如下：

测试如下：

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

但是有个事实我们应该注意，比如我们用/good|goodbye/、去匹配 "goodbye"字符串时候结果是 "good"

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

如果将正则改成/goodbye|good/,结果是：

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

也就是说，分支结构也是惰性的，即当前的模式匹配上了，后面的就不会再尝试了。

1.5 案例分析

匹配字符，无非就是字符组，量词和分支结构的组合使用罢了。下面通过几个例子演示一下使用方式：

1.5.1 匹配 16 进制的颜色值

要求匹配

##ffbbad
##Fc01DF
##FFF
##ffe

分析：

表示一个16进制，可以用字符组[0-9a-fA-F]; 其中字符组可以出现 3或者6次，需要使用量词和分支结构。

使用分支结构的时候需要注意顺序。

正则如下：

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"]

可视化形式如下：

1.5.2 匹配时间

按照 24 小时为例。

要求匹配：

 23:59
 02:07

分析：

共4位数字，第一位数字可以为：[0-2].

当第一位为"2"时，第二位可以为[0-3],其他的情况时，第二位为[0-9].

第三位数字为[0-5],第四位数字为[0-9].

正则如下：

  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

注意：正则中使用到了 ^ 和 $ 分别表示字符串的开头和结尾。

如果想要匹配7:9 说明时分前面的 0 可以省略。

这个时候正则可以变成：

  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

其可视化形式如下:

1.5.3 匹配日期：

比如：yyyy-mm-dd 格式为例子。要求匹配：

 2017-06-10

分析：年：四位数字即可可以使用[0-9]{4} 月：共计12个月，分为两种情况"01"、"02"、…… "09" 和 "10"、"11"、"12" 可以使用 (0[1-9]1[0-2]). 日：最大31天, 可以使用(0[1-9]|[12][0-9]|3[01]]).

正则如下：

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

其可视化的形式如下：

1.5.4 window操作系统的文件路径

要求匹配:

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

分析：整体的模式是：

盘符:\文件夹\文件夹\文件夹\

其中匹配：F:\ 需要使用 [a-zA-Z]:\\,其中盘符不区分大小写。注意\ 字符需要转义.

文件名或者文件夹名不能包含一些特殊字符、此时我们需要使用常用的排除字符组：[^\\:*<>|"?\r\n/]来表示合法字符。

另外它们名字不能为空的名至少有一个字符，也就是需要使用量词 + 因此匹配文件夹\的名称可使用 [^\\:*<>|"?\r\n/]+\\。

另外 文件夹\ 可以出现任意次数.也就是([^\\:*<>|"?\r\n/]+\\)* 其中括号表示其内部正则是一个整体。

路径的最后一个部分还可以是文件夹没有 \ 因此需要添加 ([^\\:*<>|"?\r\n/]+)?. 最后拼接成了一个正则：

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中字符串需要表示字符 \ 时候也需要转义。

可视化为：

1.5.5 匹配 id

要求从：

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

提取出 id="container".

可能最开始想到的正则是：

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

其可视化的形式是:

因为 . 是通配符本身就是匹配双引号，而量词 * 又是贪婪的，当遇到 container 后面的双引号时候，是不会停下来，会继续匹配，直到遇到最后一个双引号为止。

解决的办法是使用惰性匹配:

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

当然这样也会有一个问题就是效率比较低，因为匹配原理会涉及到回溯的概念，可以优化如下：

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