八道题带你看懂正则表达式！

前言

无论是写代码还是脚本，当我们要处理字符串或者提炼重要信息的时候，正则表达式都可以是我们的好帮手。

不过很多同学都有一种这样的感触，正则 = 天书，比如下面的邮箱表达式：

\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*

不知道你有没有晕，反正第一次我看的时候，这啥玩意！

于是，当我们要使用正则的时候，第一选择肯定是网上复制已有的正则表达式，网上没有？不好意思，只能选择无脑一把梭的方法。

表情包

比如我在写脚本的时候，要获取当前 maven 库中最新版本的信息，都是从 maven-metadata.xml 获取 <latest> 标签：

<metadata>
    <groupId>QDReader.QDAarCenter</groupId>
    <artifactId>QDUI_Component</artifactId>
    <versioning>
        <latest>0.0.10</latest>
        <release>0.0.10</release>
        <versions>
            <version>0.0.1</version>
            <version>0.0.2</version>
            <version>0.0.3</version>
            <version>0.0.4</version>
            <version>0.0.5</version>
            <version>0.0.6</version>
            <version>0.0.7</version>
            <version>0.0.8</version>
            <version>0.0.9</version>
            <version>0.0.10</version>
        </versions>
        <lastUpdated>20210817095518</lastUpdated>
    </versioning>
</metadata>

之前，我是先获取 <latest> 那一行，再使用 <> 做切割，最后取切割后的第三条，步骤属实有点多。

而有了正则，通过 (?<=latest>)[\d\.]+ 就可以获取到我想要的内容！

先分享给大家一个学习正则表达式的宝藏网站：

这个网站可以输入正则表达式和你想验证的文本，并将匹配的内容高亮，甚至会告诉你为什么会这么匹配，当然还有一些其他小技巧：

网站地址：regex101.com/r/lL3C8c/2

一、如何匹配字符

方括号 [] 的使用频率很高，括号中的内容是用来匹配的，多个内容是或的关系，匹配其中的一项就算匹配成功。

比如，我们使用 [World]，W 可以匹配、o 也可以匹配，也就是说，W、o、r、l 和 d 它们是或的关系，匹配其中的一项就行，比如我们来验证老伙伴 Hello World，高亮部分就是匹配内容：

注意一下，匹配结果中灰色的点可不是点号，而是空格，可能这个网站只是为了让空格显著一点儿~

常用的表达式如下：

符号	解释
`[World]`	匹配 `W`、`o`、`r`、`l` 和 `d`，可以替换成我们想要的任何字符
`[0-9]`	匹配数字
`[a-z]`	匹配小写字母，如果匹配大写字母，需要使用 `[A-Z]`
`[\s\S]`	匹配所有，`\s` 匹配所有空白符，包括换行，`\S` 匹配非空白符，不包括换行
`[\u4e00-\u9fa5]`	匹配所有汉字

既然有想匹配括号中的内容，自然也就有了不想匹配括号中的内容。如果我不想匹配 [World] 中的任何一个字符，怎么办？

简单，使用 ^ 符号，在 [] 中使用 ^ 就是取反的意思，上面的内容就变成了 [^World]，验证一下 Hello World 就是：

很多情况下，仅仅匹配字母肯定不够，怎么匹配大小写字母加数字呢？

加一起就行，[a-zA-Z0-9] 就表示匹配大小写字母和数字，那有没有更简单的写法呢？

还真有，\w 表示 [a-zA-z0-9_]，不过比上面的内容多了一个下划线，问题不大。除此以外，\d 表示匹配所有数字，. 就厉害了，它匹配出换行符（\n 和 \r）的任何单个字符，整理一下：

符号	解释
`[a-zA-Z0-9]`	匹配单个大小写字母和数字
`\w`	等价于 `[a-zA-Z0-9_]`，匹配单个字母数字和下划线
`.`	匹配除换行符之外的任何一个单个字符
`\d`	匹配任何单个数字

上面讲了这么多，不知道大家有没有发现，我们去查看匹配结果的时候，发现一次只能匹配一个值，比如我用 [am] 去匹配 I am JiuXinDev，发现结果是 a 和 m，而不是 am ：

因为 [] 只能匹配一个字符，下面我们再看如何匹配数量。

二、如何匹配数量

正则表达式常常用 {} 进行数量匹配，用法是：

符号	解释
`{n}`	匹配 n 次，例如 `a{2}` 可以匹配 `aa`，但是不能匹配 `a`
`{n,m}`	匹配 n 到 m 次，例如 `a{1,2}` 既可以匹配 `aa`，也可以匹配 `a`
`{n,}`	匹配至少 n 次，也就是 n 到正无穷，例如 `a{2,}`，除了单个 `a`，其他多少个连续 `a` 都可以匹配

这个时候，我们就可以匹配 I am JiuXinDev 中的 am 了，如果你仅仅想匹配 am 这个单词，文本字符 am 就可以搞定：

啊，这也太简单了，如果我们还想匹配 mac 中的 ma 呢，文本字符 am 就没有作用了，可以再加一个匹配项，中间使用 | 隔开，像这样 ma|am。

但再匹配 aa 和 mm 呢？我们刚刚学的 {} 就派上了用场，可以通过正则表达式 [am]{2} 去匹配 am 和 ma。

来做个练习

题目1：怎么从一个句子中找出 2-5 个字母的单词？提醒一下，单词与空格之间的边界可以用 \b 表示

字母对应着 [a-zA-Z]，数量限制用 {n,m}，2-5个单词的限制对应着 {2,5} ，加上边界，就是 \b[a-zA-Z]{2,5}\b：

限定多少次才能匹配成功的叫做限定符，包括上面介绍的 {} 系列，还有一些简单版本的限定符：

符号	解释
`?`	匹配0或1次，等价于`{0,1}`
`+`	匹配1到无穷次，等价于 `{1,}`
`*`	匹配0到无穷次，等价于 `{0,}`

获取标签内容是常有的事儿

题目2：给定<groupId>QDReader.QDAarCenter</groupId>，如何提取 <groupId> 和 </groupId>？

还记得上面介绍过的万能匹配符 . 吗？我们只要保证必须以 < 开头和 > 结尾，可以写成 <.*>：

这结果不对啊，并不是我想要的匹配标签

别急，再加个 ?，写成 <.*?>：

一个 ?，涉及到了一个贪婪和非贪婪的知识，简单来说：

贪婪：尽可能多的匹配
非贪婪匹配：尽可能少的匹配

这么说还有点似懂非懂，拿上面的例子来讲，<groupId> 和 <groupId>QDReader.QDAarCenter</groupId> 都以 < 开头，以 > 结尾，如果是贪婪匹配，它的匹配结果是 <groupId>QDReader.QDAarCenter</groupId>，贪婪嘛，能匹配多的，绝不匹配少的；如果是非贪婪匹配，它有两个匹配结果，<groupId> 和 </groupId>。

本质上，+ 和 * 都是贪婪匹配，? 则是非贪婪匹配。

三、如何匹配位置

定位符通常由下面这几种：

符号	解释
`^`	匹配以指定字符串开始的位置，可以指定一行文本或者整段文本以指定字符开始
`$`	匹配以指定字符串结束的位置，可以指定一行文本或者整段文本以指定字符结束
`\b`	单词边界，字与空格的位置
`\B`	非单词边界匹配，指字符与字符之间的边界
`\b` 在上文已经用过，可以定位一个单词的开始和结束。`^` 用在 `[]` 中进行字符匹配的时候，是取反的意思，我们也可以用来定位。

重回本文开头的 maven-metadata.xml 文件：

题目3：如何获取以 <version> 开头的该行所有内容？

从上面的 maven-metadata.xml 可以看出，<version> 标签前其实是有若干空格符号的，可以用 \s* 表示，结合定位符 ^，整个正则表达式可以写成 ^\s*<version>.*：

上面的解决方法还可以使用 $ 解决，即匹配以 </version> 结尾的所有行，正则表达式为 .*</version>$。

在一些情况下，^ 和 $ 还可以放在一起使用，例如 ^JiuXin$ 就可以用来表示匹配只有内容为 JiuXin 的行。

四、如何匹配多内容

多个选项的匹配一般使用选择来完成。

1. 圆括号

敲黑板，选择中最重要的就是圆括号 ()：

符号	解释
`()`	可以将所有的选项放在括号里面，用 `\|` 隔开，匹配多个选项中的一项就算成功。`()` 会将分组捕获，`()` 内匹配到的每一个词都会被放入缓存，通过数字查看对应的缓存

这么听有点晕，我们挨个介绍一下。前半句听着有点像方括号 [] 的意思，多个选项，匹配其中的一项就算完成匹配，不过它们的区别是：

[]：每个选项是一个字符，也只能匹配一个字符。
()：每个选项可以是一个字符，也可以是一个表达式，功能更强！

比如，(am|\d+) 就表示匹配 am 或者不定数数字量的字符串。

巩固一下：

题目四，从给定的语句中，匹配以 a 和 b 开头的单词？

提取单词用 \b，以 a 开头的单词对应着 a[a-zA-Z]*，匹配 a 或 b 可以用上面的选择表达式，结合一下就是 \b(a[a-zA-Z]*|b[a-zA-Z]*)\b：

如果你注意到了匹配信息，会发现有点不一样的东西：

通常的匹配只有匹配结果 Match，这里却多了显示信息 Group，没错，它就是我们上面介绍的缓存，使用 \n 可以引用第 n 个缓存。

我们可以使用这个缓存做点不一样的事，比如 ([a-zA-Z])\1 表示匹配两个连续的字符。

巩固一下：

题目五：给定的语句中，匹配两个连续的单词。

表示一个单词可以用 \b\w+\b，因为要使用缓存 \1，所以得加上一个括号，组合在一起就是 (\b\w+\b)\s\1：

使用缓存这种操作我们叫做反向引用。

2. 非捕获元

上面提到了，使用 () 匹配的结果都会被缓存，而在括号中使用 ?: 就会消除缓存，非捕获元一共有如下几个：

符号	解释
`?:`	在选择 `()` 中使用，去除缓存
`?=`	`exp1(?=exp2)` 匹配以 `exp2` 结尾的 `exp1`
`?!`	`exp1(?!exp2)` 匹配不以 `exp2` 结尾的 `exp1`
`?<=`	`(?<=exp2)exp1` 匹配以 `exp2` 开头的 `exp1`
`?!=`	`(?!=exp2)exp1` 匹配不以 `exp2` 开头的 `exp1`

在介绍定位符的时候，我们介绍过 ^ 和 $，它们可以匹配整段和行开始和结束，也可以直接使用文本字符去匹配文本的开始和结束，但总觉得差点意思！

那这里的 ?= 和 ?<= 有什么不同呢？

非捕获元 ?<= 和 ?!=，顾名思义，指的匹配部分以指定内容开头或者结束，匹配部分不包括指定内容。比如 (?<=he)\w+ 匹配以 he 开头字符串，但匹配结果却不包含 he：

还记得一开始的的题目吗？

题目6：如何获取 maven 库中最新库的版本信息？(获取 <latest>0.0.10</latest> 中间的 0.0.10)

有的版本号会包括字母和 -，所以版本号正则可以概括成 [\w\.-]+，加上以 <latest> 开头，可以写成 (?<=<latest>)[\w\.-]+：

再来练习以什么结尾：

题目7：如何获取QQ邮箱里面的QQ账号?

首先，QQ邮箱一般以 qq.com 结尾，QQ账号一般5-11位数，第一个数字不是0（其他限制暂时没有想到），对应 [1-9]\d{4,10}，两者结合就是 [1-9]\d{4,10}(?=@qq\.com)：

到这里，我们应该可以看懂大部分的正则表达式了~

五、如何按优先级匹配

正则表达式从左往右计算，但是，它里面的各种符号也是有优先级的，由高到低如下：

符号	解释
`\`	转义字符
`()`, `(?:)`, `(?=)`, `[]`	圆括号和方括号
`*`, `+`, `?`, `{n}`, `{n,}`, `{n,m}`	限定符
`^`, `$`, `\` 任何元字符、任何字符	定位点和序列
`\|`	或操作

就跟我们写代码一样，运算符也有各种优先级，不过难度不大！

实操一下：

题目8：正则表达式 ((\d)([a-zA-Z]{2}(\d)))\1\2\3\4 和字符串 7ac87ac87ac88 可以匹配吗？如果可以，请输出它们的 \1、\2、\3和\4。

这个正则表达式看着很复杂，好在它并没有使用 * 和 + 这两种限定符，所以匹配的结果的长度是一定的，之后我们按照优先级来看。

最外层是一个大括号，因为它是从左往右的第一个括号，所以它匹配的结果 \1。

去除外层的括号，是 (\d)([a-zA-Z]{2}(\d))，还是从左往右，接下来先匹配左边的 (\d)，所以它是 \2。

去除刚刚左边的 (\d)，还有 ([a-zA-Z]{2}(\d))，最外层又是一个括号，跟第一种情况一样，它就是 \3。

最后还剩一个右边的 (\d)，它是 \4。

仔细看一下整个表达式 (\d)([a-zA-Z]{2}(\d))，两边两个数字，中间是两个字母，一共四个数。\1 等于整个表达式，\2 + \3 等于 \1，\4 是整个表达式最后一个数字。

所以最终结果是匹配的，匹配部分看上图就好。

下期再见

不会正则的时候，总觉得正则难，一顿操作下来，发现正则也就那么多东西。

希望看完这篇文章的你，也能很快掌握正则！

感谢阅读，下期再见 👋

参考文章：

《菜鸟正则教程》
《正则表达式括号的作用》