深入浅出正则表达式：从基础到高级验证技巧

深入浅出正则表达式：从基础到高级验证技巧

正则表达式（Regular Expression，简称 Regex 或 RegExp）是计算机科学中一个强大而灵活的文本处理工具。它使用一种特定的模式描述语言来匹配、搜索、替换文本字符串。无论是简单的文本查找，还是复杂的数据验证和提取，正则表达式都能胜任。本文将带您从正则表达式的基础概念入手，逐步深入到高级验证技巧，让您全面掌握这一强大的工具。

一、正则表达式基础

1.1 什么是正则表达式？

正则表达式本质上是一个由字符和特殊符号组成的字符串，它描述了一种文本模式。这个模式可以用来：

• 验证：检查一个字符串是否符合特定的格式（例如，邮箱地址、电话号码、身份证号）。
• 搜索：在一段文本中查找符合特定模式的子字符串。
• 替换：将文本中符合特定模式的子字符串替换为其他内容。
• 提取：从文本中提取符合特定模式的子字符串。

1.2 正则表达式的组成

正则表达式由以下几个部分组成：

• 普通字符：字母、数字、汉字、下划线、以及没有特殊定义的标点符号，都是普通字符。普通字符在匹配时，匹配与之相同的一个字符。
• 元字符：具有特殊含义的字符，用于构建更复杂的匹配模式。
• 量词：指定前面的字符或子表达式出现的次数。
• 字符类：用方括号 [] 包围的一组字符，表示匹配其中任意一个字符。
• 分组和捕获：用圆括号 () 将一部分表达式组合起来，形成一个子表达式，可以对子表达式进行操作，也可以捕获子表达式匹配的内容。
• 选择：使用竖线 | 表示“或”的关系，匹配多个可能的模式。
• 锚点：指定匹配的位置，例如字符串的开头或结尾。
• 转义字符：反斜杠 \ 用于转义元字符，使其失去特殊含义，变为普通字符；或者用于表示一些不可打印的字符（例如，\n 表示换行符）。

1.3 常用元字符

以下是一些常用的元字符及其含义：

1.4 常用字符类

1.5 常用转义字符

1.6 量词详解

• *：匹配前面的字符或子表达式零次或多次。例如，ab* 可以匹配 "a"、"ab"、"abb"、"abbb" 等。
• +：匹配前面的字符或子表达式一次或多次。例如，ab+ 可以匹配 "ab"、"abb"、"abbb" 等，但不能匹配 "a"。
• ?：匹配前面的字符或子表达式零次或一次。例如，ab? 可以匹配 "a" 或 "ab"。
• {n}：匹配前面的字符或子表达式恰好 n 次。例如，a{3} 匹配 "aaa"。
• {n,}：匹配前面的字符或子表达式至少 n 次。例如，a{2,} 匹配 "aa"、"aaa"、"aaaa" 等。
• {n,m}：匹配前面的字符或子表达式至少 n 次，但不超过 m 次。例如，a{2,4} 匹配 "aa"、"aaa" 或 "aaaa"。

二、正则表达式进阶

2.1 分组和捕获

圆括号 () 用于将一部分表达式组合起来，形成一个子表达式。分组有以下几个作用：

1. 分组操作：可以将量词应用于整个分组。例如，(ab)+ 匹配 "ab"、"abab"、"ababab" 等。
2. 捕获：正则表达式引擎会记住每个分组匹配的内容，可以通过编号或命名来引用这些捕获的内容。
   • 编号捕获：从左到右，按照左括号出现的顺序，从 1 开始依次编号。例如，(ab)(cd) 中，第一个分组是 (ab)，第二个分组是 (cd)。
   • 命名捕获：使用 (?<name>...) 的语法为分组命名。例如，(?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2}) 将日期中的年、月、日分别捕获到名为 "year"、"month" 和 "day" 的分组中。
3. 非捕获分组：使用 (?:...) 的语法可以创建一个非捕获分组，它不会被记住，也不会分配编号。非捕获分组仅用于分组操作，不影响捕获结果。

2.2 反向引用

反向引用允许您在正则表达式中引用之前捕获的内容。使用 \n（n 是分组的编号）或 \k<name>（name 是分组的名称）来引用捕获的内容。

例如，要匹配重复的单词，可以使用 \b(\w+)\s+\1\b。其中，\b 表示单词边界，(\w+) 捕获一个单词，\s+ 匹配一个或多个空白字符，\1 反向引用第一个分组捕获的内容（即之前捕获的单词）。

2.3 零宽断言（Lookarounds）

零宽断言是一种特殊的正则表达式语法，它用于指定匹配的位置，但不会消耗字符（即不会包含在匹配结果中）。零宽断言分为四种：

1. 正向肯定预查（Positive Lookahead）：(?=pattern)

   • 断言自身出现的位置的后面能匹配 pattern 表达式。

2. 正向否定预查（Negative Lookahead）：(?!pattern)

   • 断言自身出现的位置的后面不能匹配 pattern 表达式。

3. 反向肯定预查（Positive Lookbehind）：(?<=pattern)

   • 断言自身出现的位置的前面能匹配 pattern 表达式。
   • 注意：部分正则表达式引擎不支持反向预查，或对反向预查中的模式长度有限制。

4. 反向否定预查（Negative Lookbehind）：(?<!pattern)

   • 断言自身出现的位置的前面不能匹配 pattern 表达式。
   • 注意：部分正则表达式引擎不支持反向预查，或对反向预查中的模式长度有限制。
     例如：
5. 提取html中<p></p>标签内的文字内容
   (?<=<p>).*?(?=</p>)

2.4 贪婪与非贪婪模式

默认情况下，正则表达式的量词（*、+、?、{n,}、{n,m}）是贪婪的，它们会尽可能多地匹配字符。在量词后面加上一个问号 ?，可以将其变为非贪婪模式，使其尽可能少地匹配字符。

例如，对于字符串 "abbbbbc"，正则表达式 ab+（贪婪模式）会匹配 "abbbbb"，而 ab+?（非贪婪模式）会匹配 "ab"。

2.5 修饰符（Flags）

修饰符用于改变正则表达式的行为。常见的修饰符有：

• i（忽略大小写）：使匹配不区分大小写。
• g（全局匹配）：查找所有匹配项，而不是只找到第一个匹配项。
• m（多行模式）：使 ^ 和 $ 匹配每一行的开头和结尾，而不仅仅是整个字符串的开头和结尾。
• s (dotall 模式): 使.可以匹配包括换行符在内的任意字符。

不同的编程语言或工具中，修饰符的写法可能略有不同。例如，在 JavaScript 中，可以将修饰符放在正则表达式的末尾，如 /pattern/igm。

三、高级验证技巧

3.1 邮箱地址验证

regex
^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$
更严格的：
regex
^[\w!#$%&'*+/=?`{|}~^-]+(?:\.[\w!#$%&'*+/=?`{|}~^-]+)*@(?:[a-zA-Z0-9-]+\.)+[a-zA-Z]{2,6}$

• ^ 和 $：匹配字符串的开头和结尾。
• [a-zA-Z0-9._%+-]+：匹配用户名部分，允许字母、数字、点、下划线、百分号、加号和减号。
• @：匹配 "@" 符号。
• [a-zA-Z0-9.-]+：匹配域名部分，允许字母、数字、点和减号。
• \.：匹配点号。
• [a-zA-Z]{2,}：匹配顶级域名，至少两个字母。

3.2 电话号码验证（中国大陆）

regex
^1[3456789]\d{9}$

• ^ 和 $：匹配字符串的开头和结尾。
• 1：匹配数字 1。
• [3456789]：匹配第二位数字，可以是 3、4、5、6、7、8、9 中的任意一个。
• \d{9}：匹配任意 9 个数字。

3.3 身份证号码验证（中国大陆）

regex
(^[1-9]\d{5}(18|19|([23]\d))\d{2}((0[1-9])|(10|11|12))(([0-2][1-9])|10|20|30|31)\d{3}[0-9Xx]$)|(^[1-9]\d{5}\d{2}((0[1-9])|(10|11|12))(([0-2][1-9])|10|20|30|31)\d{2}[0-9Xx]$)

• 这个正则表达式比较复杂，主要是对身份证号码的组成规则进行了详细的拆分和匹配。
• 可以根据需要进行简化或调整。

3.4 URL 验证

regex
^(https?|ftp):\/\/[^\s/$.?#].[^\s]*$

• ^ 和 $：匹配字符串的开头和结尾。
• (https?|ftp)：匹配 "http"、"https" 或 "ftp"。
• :\/\/：匹配 "://"。
• [^\s/$.?#]：匹配除空白字符、斜杠、点、问号、井号以外的任意字符。
• [^\s]*：匹配除空白字符以外的任意字符，零次或多次。
  更严谨的：
  regex
^(?:(?:https?|ftp):\/\/)?(?:(?!(?:10|127)(?:\.\d{1,3}){3})(?!(?:169\.254|192\.168)(?:\.\d{1,3}){2})(?!172\.(?:1[6-9]|2\d|3[0-1])(?:\.\d{1,3}){2})(?:[1-9]\d?|1\d\d|2[01]\d|22[0-3])(?:\.(?:1?\d{1,2}|2[0-4]\d|25[0-5])){2}(?:\.(?:[1-9]\d?|1\d\d|2[0-4]\d|25[0-4]))|(?:(?:[a-z\u00a1-\uffff0-9]-*)*[a-z\u00a1-\uffff0-9]+)(?:\.(?:[a-z\u00a1-\uffff0-9]-*)*[a-z\u00a1-\uffff0-9]+)*(?:\.(?:[a-z\u00a1-\uffff]{2,})))(?::\d{2,5})?(?:\/\S*)?$

3.5 IP 地址验证

regex
^((25[0-5]|2[0-4]\d|[01]?\d\d?)\.){3}(25[0-5]|2[0-4]\d|[01]?\d\d?)$

• ^ 和 $：匹配字符串的开头和结尾。
• ((25[0-5]|2[0-4]\d|[01]?\d\d?)\.){3}：匹配前三个数字段，每个字段可以是 0-255。
• (25[0-5]|2[0-4]\d|[01]?\d\d?)：匹配最后一个数字段，可以是 0-255。

3.6 日期验证 (YYYY-MM-DD)

regex
^\d{4}-(0[1-9]|1[0-2])-(0[1-9]|[12]\d|3[01])$

• ^ 和 $：匹配字符串的开头和结尾。
• \d{4}：匹配四位数字年份。
• (0[1-9]|1[0-2])：匹配月份，可以是 01-09 或 10-12。
• (0[1-9]|[12]\d|3[01])：匹配日期，可以是 01-09、10-29 或 30-31。
  更严格的日期验证，需要结合具体月份和闰年来判断。

3.7 强密码验证

^(?=.*[a-z])(?=.*[A-Z])(?=.*\d)(?=.*[@$!%*?&])[A-Za-z\d@$!%*?&]{8,}$
至少8个字符，至少1个大写字母，1个小写字母，1个数字和1个特殊字符

四、总结

正则表达式是一个强大的文本处理工具，掌握它可以极大地提高文本处理的效率和准确性。本文从正则表达式的基础概念出发，介绍了元字符、量词、字符类、分组、反向引用、零宽断言等核心概念，并详细讲解了贪婪与非贪婪模式、修饰符等进阶技巧。最后，通过一些常见的高级验证示例，展示了正则表达式在实际应用中的强大功能。

要熟练掌握正则表达式，需要不断练习和实践。建议您：

• 多阅读文档：不同编程语言或工具的正则表达式实现可能略有差异，阅读相关文档可以了解具体细节。
• 多尝试：使用在线正则表达式测试工具或编程语言中的正则表达式库，尝试编写和测试不同的正则表达式。
• 多思考：遇到复杂的文本处理问题时，思考如何使用正则表达式来解决。
• 多总结：将常用的正则表达式记录下来，形成自己的正则表达式库。

希望本文能帮助您深入理解正则表达式，并在实际工作中灵活运用这一强大的工具。