每个开发都应该懂的正则表达式 - 扬州慢

在日常工作中，相信每个开发都接触过一些检索、替换字符串/文本的问题。对于一些简单的问题例如查找字符串中是否存在某个子串，可能直接使用各类开发语言自带的 api 接口就可以很方便地实现。但是一旦规则复杂起来可能就会比较棘手，例如校验邮箱、手机号、版本号等，如果自行实现可能需要写不少逻辑代码，正则表达式就是为了解决这类问题的。举个例子，以下是 CI 构建组件时对版本号的校验，你能够快速读懂其规则吗？如果你对此不甚了解，那相信这篇文章一定能给你带来一些收获。

什么是正则表达式

如上图所示，正则表达式就是一串字符/^[0-9]+.[0-9].+[0-9]+$/，正则表达式规定了由一个或几个特殊的字符组合成一个规则，并且多个规则可以自由组合。

在学习正则表达式时，不要被表达式里的特殊符号所迷惑，觉得看起来好复杂，其实说白了这些字符只是一些规则的映射而已，并且需要注意的是，如果字符串里使用到这些符号还需要转义。

常见的字符有 * . ? + ^ - $ | \ / [ ] ( ) { }。另外有的开发语言在使用时需要将正则表达式使用 / 符号抱起来，形如 /xxx/，这个了解下即可。

既然正则表达式由一系列规则组成，每个规则都描述了一套匹配的逻辑，那么学习正则表达式其实就是在学习这些匹配规则。让我们先从最直观的匹配字符开始入手。在开始之前，推荐大家两个网站，一个是用于测试的 正则表达式规则测试，一个正则表达式图形化工具，便于我们理解。

例如从 abcde 里寻找 abc，那么很明显，我们的匹配规则就是需要精确匹配 abc，其规则自然就是 abc。这个不多赘述。

除了精确匹配以外，我们可能还需要一些模糊的规则，以便于发现/容纳更多可能。比如我们需要某处的字符是可变的，或者我们对于某处的字符数量不确定。因此就产生了横向和纵向两种字符模糊匹配。

横向（字符次数匹配）

某处的字符数量可变，可以使用次数匹配规则。

常见的次数匹配规则有：

• {n}：限定n次
• {m,n}：上下限次数（闭区间）
• +：一次或多次，等效于 {1,}
• ？：零次或一次，等效于 {0,1}
• *：任意多次

这些规则跟在某个字符后面，代表规则前面的字符长度可变。

例如正则表达式： a{2,3}c，代表 a 字符出现2次或3次，例如 aac、aaac 都是可以匹配的。但是 ac 是无法匹配的。

某处的字符可变，比如需要匹配 dog 和 log。第一个字符有多种可能。

常见的字符可变规则有：

• . ：点代表任意字符
• | ：或匹配。可以配合 () ，将多个子表达式组合
• []：区间里的字符都是允许的，例如 [123]，代表该处的字符可以是 1 或 2 或 3
• -：区间里使用，表示范围，例如 [1-3] 等同于 [123]，[a-z] 代表所有小写英文字母
• ^：区间里使用，表示取反，例如 [^1-3] 代表除了 1、2、3 以外的字符
  这些规则放在某处，代表某处的字符是可变的。

例如 [dl]og ，代表中括号处（第一个字符）可以是 d 或 l，因此 log、dog 都是可以匹配的

除此之外，还会有一些常用的简写：

• \d：数字
• \D：非数字
• \w：数字大小写下划线，等同于 [0-9a-zA-Z_]​
• \W：非单词字符，等同于 [^0-9a-zA-Z_]
• \s：空白字符，包括空白、tab、换行

一个字符串，除了我们最直观看到字符以外，其实还暗含了许许多多的位置。这也是正则匹配的另一大块。什么是位置？首先用一张图来表示：

如图所示，一个字符串 hello，除了五个字符以外，每个字符首尾都有一个位置，这些位置都可以被匹配规则所扫描到。

常用的匹配位置的符号有：

• ^ ：代表一行的开头
• $ ：代表一行的结尾
• \b：单词边界。具体就是单词字符和非单词字符之间的位置。包括非单词字符和开头、结尾之间的位置
• \B：非单词边界

可能有人对匹配位置的用法不太了解，举个例子，有一个字符串 123123，这时候如果你使用精确匹配规则 123，那么会匹配到两个123。但是如果配合 ^ 使用，将规则修改为 ^123，那么就只会匹配到第一个开头的 123，后续的 123 则不会被匹配到。

除此之外，关于匹配位置还有一个很灵活的特性：前瞻后顾

相关的规则有：

• exp1(?=exp2)​：前瞻，查找后面是exp2的exp1 = 查找exp2前面的exp1​（exp1、exp2 代表一个表达式）
• (?<=exp2)exp1：后顾，查找exp2后面的exp1​
• exp1(?!exp2)：负前瞻，查找后面不是exp2的exp1​
• (?<!exp2)exp1：负后顾：查找前面不是exp2的exp1​

这个在过滤日志时十分有用。例如有一些重复关键字的日志：

receive some error
receive yuv
receive yuv
receive yuv
receive yuv

//receive(?! yuv)
可以使用负前瞻过滤掉一些不想要的日志。只会匹配到 receive some error 这一行的 rece

在对正则表达式有个大致的认识后，让我们回到文章的开头，看一下文章开头的版本号验证正则表达式代表什么含义：^[0-9]+.[0-9].+[0-9]+$

这里可以明显看出是有问题的，例如表达式里的 . 应该需要转义，否则就代表任意字符，这明显不符合版本号要求。经过确认后得知是前端显示问题，并了解到他们实际校验使用的正则表达式是：^\d+\.\d+\.(\d+\.)*\d+((-rc\.\d+)|(\d*))$

在对正则规则有个大致了解后，借助图形化工具可以很方便地了解正则表达式规则所代表的含义。
例如 1.1.1.1.1 这样的版本号也是允许的，经了解 CI 之前有特殊原因没限制版本号一定是 3 位。并且可以看到除了 rc 字符以外，不允许其他英文字母。
但同时我们也会发现另一个小问题，那就是类似 01.1.1 这样的版本号也是被允许的：
如果让你来优化会怎么做呢？我认为优化后的规则可以这么写：^(0\.|[1-9][0-9]*\.)\d+\.(\d+\.)*\d+((-rc\.\d+)|(\d*))$。
使用(0\.|[1-9][0-9]*\.)限制要么是0，要么是非0的两位以上数字，即可过滤 01.1.1 这样的不合理版本号。

相信看到这里，大家都对正则表达式有了一个大致的了解。对于正则表达式还有一些特性（例如捕获、贪婪等）没有提及，这里抛砖引玉，感兴趣的小伙伴可以自行了解。
有了正则表达式的帮助可以让我们少写很多字符串判断逻辑的代码，除了让代码更简洁以外，也会大大提高代码的可读性。