正則表達式之字符匹配

sharplook做爲專業的日誌採集分析系統，涉及的技術點，從後到前着實很多，內容也較爲複雜。正則做爲日誌解析的手段，起着舉足輕重的做用，在此小生將晦澀難懂的內容，拆解出來以便學習之用。

認識正則

維基百科對其的定義是：「正則表達式，又稱正規表示式、正規表示法、正規表達式、規則表達式、常規表示法（英語：Regular Expression，在代碼中常簡寫爲regex、regexp或RE），是計算機科學的一個概念。正則表達式使用單個字符串來描述、匹配一系列匹配某個句法規則的字符串。在不少文本編輯器裏，正則表達式一般被用來檢索、替換那些匹配某個模式的文本。」 目前許多程序設計語言都支持利用正則表達式進行字符串操做。簡單地理解就是，正則表達式是用於匹配字符串中字符組合的模式，要麼匹配字符，要麼匹配位置。

內容大綱

目前暫定如下內容將在後期分享於諸君，本篇先介紹正則表達式裏面的字符匹配，實例都將以JavaScript代碼演示，其實正則沒有語言界限，小生也不是強權主義，只是寫來方便罷了。

1. 字符匹配
2. 位置匹配
3. 分組匹配
4. 待續....

模糊匹配

正則表達式不只能夠精確匹配還能夠模糊匹配，假若只有精確匹配，那正則就太弱了，也不值得在此繼續聊下去。

const reg = /hello, world/;
console.log(reg.test('hello ,world'));
// => true

而強大的模糊匹配，有兩個方向上的「模糊」: 橫向模糊和縱向模糊。

橫向模糊

橫向模糊指的是，一個正則可匹配的字符串的長度是不肯定的，能夠是多種狀況。

其實現的方式是量詞。例如{m,n}，表示最少出現m次，最多出現n次。例如正則/ab{2,4}c/表示匹配一個「a」，緊接着匹配2個或者3個或者4個連續的字母「b」，最後匹配字母「c」。

可視化圖以下：

測試以下：

const reg = /ab{2,4}c/g;
const string = 'abc abbc abbbc abbbbc abbbbbc';
console.log(string.match(reg));
// => ['abc', 'abbc', 'abbbc', 'abbbbc']

正則 /ab{2,4}c/g中的‘g’是正則的修飾符，表示此正則採用全局匹配，按照順序匹配出全部符合正則的字符串，g表示global。

縱向模糊

縱向模糊指的是，一個正則匹配的字符串，當匹配到某一位的字符時，並非一個特定的字符，其有多種可能性。

其實現的方式是字符組。例如[abc]，表示匹配的字符多是「a」，「b」，「c」中的一個。 例如/a[123]b/表示匹配的是「a1b」，「a2b」，「a3b」其中一個。

可視化圖以下：

測試以下：

const reg = /a[123]c/g;
const string = 'a1c a2c a3c a4c';
console.log(string.match(reg));
// => ['a1c', 'a2c', 'a3c'];

字符組

字符組雖然是組的概念，可是隻是表示其中一個字符。

例如[abc]，表示匹配其中一個字符，它能夠是「a」，「b」，「c」之一。

範圍表示法

若是字符組中的字符很是多的話，怎麼辦呢？可使用範圍表示法。

例如「1234567abcdefgHIJKLMN」但是表示爲[1-7a-gH-N]。用連字符「-」表示簡寫中間的項。

在這裏「-」表示特殊含義，若是正則匹配須要匹配這個字符，好比匹配「a」，「h」，「-」怎麼辦呢？ 能夠寫成[-ah]，[ah-]，[a\-h]中的一種，這樣就能夠避免被做爲連字符來處理了。

排除字符組

在縱向匹配中，咱們還會遇到一種狀況，那就是咱們不但願匹配到字符組的任何一個字符。例如不能匹配「a」，「b」，「c」。

此時就出現了排除字符組的概念。例如[^abc]，表示匹配除了「a」，「b」，「c」字符以外的任意一個字符。字符組中第一位放^脫字符，表示求反的概念。

固然，也有相應的範圍表示法，例如：[^a-h]。

常見的簡寫

有了字符組的概念以後，咱們就很容易理解系統自帶的簡寫方式了。

• \d： 表示 [0-9]。表示是一位數字。 記憶方式: 其英文是 digit(數字)。
• \D： 表示 [^0-9]。表示除數字外的任意一個字符。
• \w： 表示 [0-9a-zA-Z_]。表示數字、大小寫字母和下劃線。記憶方式：w是 word的簡寫，也表示單詞字符。
• \W： 表示 [^0-9a-zA-Z_]。表示除了數字、大小寫字母和下劃線以外的任意一個字符。非單詞字符。
• \s： 表示 [\r\v\n\r\f]。表示空白符，包括空格、水平製表符、垂直製表符、換行符、回車符、換頁符。記憶方式： s是 space的首字母，空白字符的單詞是 white space。
• \S： 表示 [^\r\v\n\r\f]，表示非空白符。
• . ： 表示 [^\n\r\u2028\u2029]。通配符，表示幾乎任意字符，除了換行符、回車符、行分隔符和段分隔符除外。記憶方式：想一想省略號 ... 中的每一個點，此處省略了無數個字（什麼狀況均可能發生）。

若是表示任意字符，怎麼辦？ 可使用[\d\D]，[\w\W]，[\s\S]和[^]中任何一個。

/\d\D\w\W\s\S.[^]/的可視化表示以下：

量詞

量詞也稱爲重複詞。理解了{m,n}後，咱們再來記住一些簡寫方式。

簡寫方式

• {m,}：表示至少出現m次。
• {m} ：表示出現m次，等價於{m,m}。
• ? ：表示出現一次或者不出現，等價於{0,1}。記憶方式： 問號的表示意思，有嗎？
• + ：表示出現一個或者屢次，等價於{1,}。記憶方式： 加好是追加的意思，先獲得一個，之後的再追加。
• * ：表示出現任意次數，可能不出現。記憶方式： 比如天上的星星，可能一個沒有，可能只有零星幾個，也可能有無數多。

貪婪匹配與惰性匹配

先看一個簡單的例子：

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

其中正則/\d{2,5}/表示匹配連續的數字2次到5次。會匹配2位、3位、4位、5位連續數字。

可是其是貪婪的，它會盡量多的匹配。你能給我 5 個，我就要 5 個。你能給我 3 個，我就要 3 個。
反正只要在能力範圍內，越多越好。

可是有時候貪婪並非一件好事（人心不足，蛇吞象）。而惰性匹配，就是儘量少的匹配，例以下：

const reg = /\d{2,5}?/g;
const string = '123 1234 12345 123456';
console.log(string.match(reg));
// => ['12', '12', '34', '12', '34', '12', '34', '56']

其中 /d{2,5}?/ 表示，雖然 2 到 5 次都行，當 2 個就夠的時候，就再也不往下嘗試了。

對惰性匹配的記憶方式是: 量詞後面加個問號，問一問你滿足了嗎，你很貪婪嗎?

多選分支

一個模式能夠實現橫向匹配和縱向匹配，而多分支能夠支持多個子模式任選其一。

具體形式以下(p1|p2|p3)，其中p一、p2和p3是子模式，用|（管道符）分隔，表示任選其一。

例如匹配hello或者world，正則式爲/hello|world/。

可視化形式以下：

測試以下：

const reg = /hello|world/g;
const string = "hello lemon, world is yours!";
console.log(string.match(reg));
// => ['hello', 'world']

須要注意的地方是，he|hello，你想匹配「hello」這個單詞，結果是「he」。

以下實例：

const reg = /he|hello/g;
const string = 'hello';
console.log(string.match(reg));
// => ['he']

若是你的正則改成hello|he。匹配的結果就是「hello」

以下實例：

const reg = /hello|he/g;
const string = 'hello';
console.log(string.match(reg));
// => ['hello']

由此可知，多分支結構匹配也是惰性的，當前面匹配上以後，後面就不在匹配了。

小結

正則表達式是一個優秀程序員的基本技能，自己雖然不是很複雜，但內容卻比較雜亂，能一步一步理清思路是很重要的，本章主要先介紹了字符的匹配，下一章將介紹位置的匹配。

本文中的正則表達式轉化爲關係圖來展現的工具是Regexper

此文主要參考和學習了老姚的《JavaScript 正則表達式迷你書》，內容清晰明瞭，在此很是感謝老姚的 free精神，致敬。

參考文獻

[1] 老姚 著《JavaScript 正則表達式迷你書》