概述
正则表达式（Regular Expression，Regex）是用于匹配字符串中字符组合的模式。它由一系列字符和特殊符号组成，可以高效地执行查找、替换、检查数据格式等多种文本处理任务。正则表达式的概念最初由数学家斯蒂芬·克莱尼在 20 世纪 50 年代提出，最早用于理论计算机科学和形式语言理论中。
几乎所有现代编程语言都支持正则表达式，包括 Python、JavaScript、Java、C#等。此外，许多文本编辑器和开发环境（如 VSCode、Sublime Text）以及命令行工具（如 grep）也广泛应用正则表达式进行文本搜索和编辑。
基本概念
- 字面字符：指在表达式中表示它们自身字面意义的字符，例如
a、1、B。 - 特殊字符：在正则表达式中用来表示控制或通配符作用的字符，如
*（匹配前一个字符 0 次或多次）。
元字符
元字符是构成正则表达式逻辑的基础，具有特殊的匹配含义：
| 元字符 | 描述 |
|---|---|
. | 句号匹配任意单个字符除了换行符。 |
[ ] | 字符种类。匹配方括号内的任意字符。 |
[^ ] | 否定的字符种类。匹配除了方括号里的任意字符 |
* | 匹配 >=0 个重复的在 * 号之前的字符。 |
+ | 匹配 >=1 个重复的 + 号前的字符。 |
? | 标记 ? 之前的字符为可选。 |
{n,m} | 匹配 num 个大括号之前的字符或字符集 (n ⇐ num ⇐ m)。 |
(xyz) | 字符集，匹配与 xyz 完全相等的字符串。 |
| ` | ` |
\ | 转义字符，用于匹配一些保留的字符 `[ ] ( ) { } . * + ? ^ $ \ |
^ | 从开始行开始匹配。 |
$ | 从末端开始匹配。 |
字符类
字符类允许匹配指定集合中的字符，常见的标准字符类和自定义字符类如下：
| 简写 | 描述 |
|---|---|
. | 除换行符外的所有字符 |
\w | 匹配所有字母数字，等同于 [a-zA-Z0-9_] |
\W | 匹配所有非字母数字，即符号，等同于： [^\w] |
\d | 匹配数字： [0-9] |
\D | 匹配非数字： [^\d] |
\s | 匹配所有空格字符，等同于： [\t\n\f\r\p{Z}] |
\S | 匹配所有非空格字符： [^\s] |
\f | 匹配一个换页符 |
\n | 匹配一个换行符 |
\r | 匹配一个回车符 |
\t | 匹配一个制表符 |
\v | 匹配一个垂直制表符 |
\p | 匹配 CR/LF（等同于 \r\n），用来匹配 DOS 行终止符 |
自定义字符类
| 示例 | 描述 |
|---|---|
[a-z] | 匹配任何小写字母 |
[A-Z] | 匹配任何大写字母 |
[0-9] | 匹配任何数字 |
[aeiou] | 匹配所有小写元音字母 |
[^0-9] | 匹配任何不是数字的字符（方括号内的 ^ 表示非） |
位置匹配
位置匹配用于确定字符匹配的具体位置，如行首或行尾等：
| 锚点字符 | 描述 |
|---|---|
^ | 不仅表示行的开始，也可在多行模式中匹配每一行的开始 |
$ | 表示行的结束或字符串的结束，同样在多行模式中可匹配每一行的结束 |
量词和分组
量词和分组是正则表达式中非常强大的功能，它们让我们可以定义复杂的模式，进行精确的文本匹配和操作。这部分内容也可以用表格形式进行更清晰的展示。
量词
量词用于指定一个元素出现的次数，是正则表达式中控制匹配频度的关键工具。
| 量词 | 描述 |
|---|---|
* | 匹配前一个元素 0 次或多次。 |
+ | 匹配前一个元素 1 次或多次。 |
? | 匹配前一个元素 0 次或 1 次。 |
{n} | 匹配前一个元素恰好 n 次。 |
{n,} | 匹配前一个元素至少 n 次。 |
{n,m} | 匹配前一个元素至少 n 次，但不超过 m 次。 |
贪婪与非贪婪量词
量词默认为贪婪模式，尽可能多地匹配字符。通过添加 ? 后缀，量词变为非贪婪模式，尽可能少地匹配字符。
| 类型 | 示例 | 描述 |
|---|---|---|
| 贪婪匹配 | a.*b | 在 axxxbxxxb 中匹配从第一个 a 到最后一个 b 的整段文本。 |
| 非贪婪匹配 | a.*?b | 在 axxxbxxxb 中匹配最短的，以 a 开始，以 b 结束的文本。 |
分组和引用
分组允许将正则表达式中的部分模式括起来，作为一个整体进行操作，这对于提取信息、构建复杂模式或进行条件匹配非常有用。
捕获分组与非捕获分组
| 类型 | 示例 | 描述 |
|---|---|---|
| 捕获分组 | (abc) | 匹配 abc，并捕获匹配的文本，以供后续引用。 |
| 非捕获分组 | (?:abc) | 匹配 abc，但不捕获匹配的文本，仅用于匹配操作。 |
后向引用
后向引用让我们能够引用正则表达式中先前定义的捕获组，这对于匹配重复的文本或验证两部分内容相同非常有用。
| 示例 | 描述 |
|---|---|
(\b\w+)\s+\1 | 匹配一个由单词、空格和相同单词构成的模式，如 word word。 |
高级匹配
断言
断言是正则表达式中的一个高级特性，允许进行条件匹配，即只有在满足特定条件的情况下才进行匹配。
| 符号 | 描述 |
|---|---|
?= | 正先行断言 - 存在 |
?! | 负先行断言 - 排除 |
?<= | 正后发断言 - 存在 |
?<! | 负后发断言 - 排除 |
前向肯定断言 (?=)
- 前向肯定断言允许你指定一个子模式必须出现在某个匹配之后，但不会成为匹配结果的一部分。例如，
a(?=b)会匹配前面有a且后面紧跟b的位置，但不会返回b。
前向否定断言 (?!)
- 前向否定断言用来指定一个子模式必须不出现在某个匹配之后。例如，
a(?!b)会匹配所有后面不跟b的a。
后向断言
- 在支持的语言中（如 JavaScript），后向断言允许你指定一个子模式必须出现在某个匹配之前。如
(?<=b)a表示a前面必须有b。
标志/模式修饰符
标志或模式修饰符用于改变正则表达式的匹配行为。
| 标志 | 描述 |
|---|---|
i | 忽略大小写。 |
g | 全局搜索。 |
m | 多行修饰符：锚点元字符 ^ $ 工作范围在每行的起始。 |
大小写不敏感 (i)
- 使用此标志后，匹配时将不区分大小写。例如，正则表达式
/abc/i将匹配Abc、aBc、abc等。
多行模式 (m)
- 在多行模式下，
^和$不仅匹配输入字符串的开始和结束位置，也匹配行的开始和结束。
点号包含换行 (s)
- 通常，
.不匹配换行符。使用此标志后，.也将匹配换行符。