我所理解的正则表达式

学习了半年的正则表达式，也不能说一直学习吧，就是和它一直在打交道，如何用正则表达式解决自己的问题，并且还要考虑如何在匹配大量的文本时去优化它。慢慢的觉得正则已经成为自己的一项技能，逐渐的从一个正则表达式小白变成一个伪精通者。

那么，我不打算详细介绍正则表达式的使用，或者说这篇文章并不是入门教程，所以如果你对正则表达式一无所知或者处于入门阶段，建议你还是先去看看下面这些正则表达式入门的文章。

阮一峰老师的正则教程
MDN 正则介绍
胡子哥正则表达式 30 分钟入门
阮一峰 ES6 正则表达式扩展
百度百科 正则表达式 很详细，可以当作手册参考

当然正则的教程很多，不限于此，如果你对正则已经了解了，那么可以开始下面的内容了，文章中可能还会涉及一些效率的问题。

new RegExp 和 // 正则对象创建区别

如果写过 Python 的同学，都一定会知道 Python 中可以在字符串前面加个小写的 r ，来表示防止转义。防止转义的意思就是说：str = r"t' 等价于 str = 't'，加了 r 会防止 被转义。

为什么要介绍这个，因为这就是 new RegExp 和 // 的区别，因为我们知道在正则表达式中会频繁的使用转义字符 wsd 等，但是它们在内存中的是以 wsd 存储的，看个例子：

//推荐写法
var regex1 = /w+/g;
regex1 // /w+/g
//RegExp 写法
var regex2 = new RegExp('w+','g');
regex2 // /w+/g
//错误写法
var regex3 = new RegExp('w+','g');
regex3 // /w+/g

你也看出来了，错误写法只能匹配 wwwww 这样的字符串，曾经我就见过有人把他们弄混了，还说第一个第三个没有区别。第二种方法的输出，还是 /w+/g，中间还是要转换，所以推荐第一种写法。

当然，还有比较奇葩的：

var regex4 = new RegExp(/w+/g);
regex4 // /w+/g

MSDN 上关于 RegExp 的介绍。

那么，如何能像 Python 的 r'' 那样，实现一个防转义的功能呢？我这里有一种很蹩脚的方法(仅供娱乐！)：

var str1 = 'dws';
str1; // "dws"
var str2 = /dws/;
str2.source; // "dws"

没错，就是 srouce，不知道 source 的同学快去面壁吧。(这方法确实很抠脚！)

i、g、m 修饰符

这几个修饰符只是针对 JS 来说的，像 Python 中还有 re.S 表示 . 可以匹配换行符。

对于 i 表示忽略字母大小写，不是很常用，因为它有很多替代品，比如：/[a-zA-Z]/ 可以用来替代 /[a-z]/i，至于两者处理长文本的时间效率，我自己没有研究过，不下定论。

使用 i 需要注意的地方，就是 i 会对正则表达式的每一个字母都忽略大小写，当我们需要部分单词的时候，可以考虑一下/(?:t|T)he boy/。

g 表示全局匹配，在印象中，可能很多人会觉得全局匹配就是当使用 match 的时候，把所有符合正则表达式的文本全部匹配出来，这个用途确实很广泛，不过 g 还有其他更有意思的用途，那就是 lastIndex 参数。

var str = '1a2b3c4d5e6f',reg = /dwd/g;
str.match(reg); //["1a2","3c4","5e6"]

为什么不包括2b3,4d5，因为正则表达式匹配的时候，会用 lastIndex 来标记上次匹配的位置，正常情况下，已经匹配过的内容是不会参与到下次匹配中的。带有 g 修饰符时，可以通过正则对象的 lastIndex 属性指定开始搜索的位置，当然这仅仅局限于函数 exec 和 test(replace 没研究过，没听说过可以控制 lastIndex，match 返回的是数组，无法控制 lastIndex)，针对这个题目修改如下：

var str = '1a2b3c4d5e6f',reg = /dwd/g;
var a;
var arr = [];
while(a = reg.exec(str)){
  arr.push(a[0]);
  reg.lastIndex -= 1;
}
arr //["1a2","2b3","4d5","5e6"]

m 表示多行匹配，我发现很多人介绍 m 都只是一行略过，其实关于 m 还是很有意思的。首先，来了解一下单行模式，我们知道 JavaScript 正则表达式中的 . 是无法匹配 rn (换行，各个系统使用不一样) 的，像 Python 提供 re.S 表示 . 可以匹配任意字符，包括 rn，在 JS 中如果想要表示匹配任意字符，只能用[sS] 这种蹩脚的方式了（还有更蹩脚的 [dD],[.s]）。这种模式叫做开启或关闭单行模式，可惜 JS 中无法来控制。

多行模式跟 ^ $ 两兄弟有关，如果你的正则表达式没有 ^$,即时你开启多行模式也是没用的。正常的理解/^123$/只能匹配字符串123，而开启多行模式/^123$/g能匹配['123','n123','123n','n123n']，相对于 ^$ 可以匹配 rn 了。

var str = 'na';
/^a/.test(str); //false
/^a/m.test(str); //true

有人说，m 没用。其实在某些特殊的格式下，你知道你要匹配的内容会紧接着 rn 或以 rn 结尾，这个时候 m 就非常有用，比如 HTTP 协议中的请求和响应，都是以 rn 划分每一行的，响应头和响应体之间以 rnrn 来划分，我们需要匹配的内容就在开头，通过多行匹配，可以很明显的提高匹配效率。

原理性的东西，我们还是要知道的，万一以后会用到。

(?:) 和 (?=) 区别

在正则表达式中，括号不能乱用，因为括号就代表分组，在最终的匹配结果中，会被算入字匹配中，而 (?:) 就是来解决这个问题的，它的别名叫做非捕获分组。

var str = 'Hello world!';
var regex = /Hello (w+)/;
regex.exec(str); //["Hello world","world"]
var regex2 = /Hello (?:w+)/;
regex2.exec(str); //["Hello world"]
//replace 也一样
var regex3 = /(?:ab)(cd)/
'abcd'.replace(regex3,'$1') //"cd"

可以看到 (?:) 并不会把括号里的内容计入到子分组中。

关于 (?=)，新手理解起来可能比较困难，尤其是一些很牛逼的预查正则表达式。其实还有个 (?!)，不过它和 (?=) 是属于一类的，叫做正向肯定(否定)预查，它还有很多别名比如零宽度正预测先行断言。但我觉得最重要的只要记住这两点，预查和非捕获。

预查的意思就是在之前匹配成功的基础上，在向后预查，看看是否符合预查的内容。正因为是预查，lastIndex 不会改变，且不会被捕获到总分组，更不会被捕获到子分组。

var str = 'Hello world!';
var regex = /Hello (?=w+)/;
regex.exec(str); //["Hello "]

和 (?:) 区别是：我习惯的会把匹配的总结果叫做总分组，match 函数返回数组每一项都是总分组，exec 函数的返回数组的第一项是总分组。(?:) 会把括号里的内容计入总分组，(?=) 不会把括号里的内容计入总分组。

说白了，还是强大的 lastIndex 在起作用。(?:) 和 (?=) 差别是有的，使用的时候要合适的取舍。

说了这么多关于 (?=) 的内容，下面来点进阶吧！现在的需求是一串数字表示钱 "10000000"，但是在国际化的表示方法中，应该是隔三位有个逗号 "10,000,000"，给你一串没有逗号的，替换成有逗号的。

var str = "10000000";
var regex = /d(?=(d{3})+$)/g;
str.replace(regex,'$&,'); //"10,000"

我们分析一下 regex，/d(?=(d{3})+$)/g 它是全局 g，实际上它匹配的内容只有一个 d，(?=(d{3})+$) 是预判的内容，之前说过，预判的内容不计入匹配结果，lastIndex 还是停留在 d 的位置。(?=(d{3})+$) 到结尾有至少一组 3 个在一起的数字，才算预判成功。

d = 1 的时候，不满足预判，向后移一位，d = 0，满足预判，replace。

(?!) 前瞻判断

(?=) 和 (?!) 叫做正向预查，但往往是正向这个词把我们的思维给束缚住了。正向给人的感觉是只能在正则表达式后面来预判，那么预判为什么不能放在前面呢。下面这个例子也非常有意思。

一个简单密码的验证，要保证至少包含大写字母、小写字母、数字中的两种，且长度 8~20。

如果可以写多个正则，这个题目很简单，思路就是：/^[a-zA-Zd]{8,20}$/ && !(/[a-z]+/) && !(/[A-Z]+/) && !(/d+/)，看着眼都花了，好长一串。

下面用 (?!) 前瞻判断来实现：

var regex = /^(?![a-z]+$)(?![A-Z]+$)(?!d+$)[a-zA-Zd]{8,12}$/;
regex.test('12345678'); //false
regex.test('1234567a'); //true

分析一下，因为像 (?!) 预判不消耗 lastIndex，完全可以放到前面进行前瞻。(?![a-z]+$) 的意思就是从当前 lastIndex (就是^)开始一直到 $，不能全是小写字母，(?![A-Z]+$) 不能全是大写字母，(?!d+$) 不能全是数字，[a-zA-Zd]{8,12}$ 这个是主体，判断到这里的时候，lastIndex 的位置仍然是 0，这就是 (?!) 前瞻带来的效率。

对 JS 正则不支持 (?<=) 个人看法

我们都知道，JS 中的正则表达式是不支持正回顾后发断言的 (?<=)，当然也不支持 (?<!)。有时候会觉得这种正回顾后发断言确实很有帮助，它可以让我们的思维更清晰，哪些是真正匹配的正则，哪些是断言的正则。在 Python 中我们就可以轻松的使用 (?<=)，但是在 JS 中不行。

原因可能是采用的正则引擎不一样导致，既然不支持，那我们也只能通过现有的条件来改进我们所写的正则，下面就说一说我的理解。

对于一个非全局匹配的正则表达式，完全可以通过 (?:) 来实现。比如对于 /(?<=Hello) (.*)$/(这个在 JS 中是不支持的)，可以使用 /(?:Hello) (.*)$/作为一个简单的替代，这两个正则的差别就在于最终的匹配分组上面，总分组略有不同，但总有办法可以解决。但要注意，这是非全局匹配，反正只匹配一次。

那如果是全局匹配呢？又该如何实现 (?<=)?

var str = 'a1b2c3d';
//var regex = /(?<=w)dw/g
//str.match(regex) => ['1b','2c','3d']
var regex2 = /(?:w)dw/g
str.match(regex2); //["a1b","c3d"]

很明显，只通过 (?:) 就显得有点力不从心了，我们想要的结果是 ['1b','3d']，却返回其中的第一和第三个，少了第二个。

这时候，又要拿出强大的 lastIndex：

var str = 'a1b2c3d';
var regex = /(?:w)(dw)/g;
var m,arr = [];
while(m = regex.exec(str)){
  arr.push(m[1]);
  regex.lastIndex --;
}
arr; //["1b","2c","3d"]

和前面的例子很类似，通过重写 lastIndex 的值，达到模仿 (?<=) 的作用。

非贪婪与贪婪的问题

贪婪出现在 + * {1,} 这种不确定数量的匹配中，所谓的贪婪，表示正则表达式在匹配的时候，尽可能多的匹配符合条件的内容。比如 /hello.*world/ 匹配'hello world,nice world'会匹配到第二个 world 结束。

鉴于上面的情况，可以使用 ? 来实现非贪婪匹配。? 在正则表达式中用途很多，正常情况下，它表示前面那个字符匹配 0 或 1 次，就是简化版的 {0,1}，如果在一些不确定次数的限制符后面出现，表示非贪婪匹配。/hello.*?world/ 匹配'hello world,nice world' 的结果是 hello world。

我刚开始写正则的时候，写出来的正则都是贪婪模式的，往往得到的结果和预想的有些偏差，就是因为少了 ? 的原因。

我初入正则的时候，非贪婪模式还给我一种错觉。还是前面的那个例子，被匹配的内容换一下，用/hello.*?world/ 匹配'hello word,nice world'，因为 word 不等于 world，在第一次尝试匹配失败之后，应该返回失败，但结果却是成功的，返回的是 'hello word,nice world'。

一开始我对于这种情况是不理解的，但仔细想想也对，这本来就应该返回成功。至于如何在第一次尝试匹配失败之后，后面就不再继续匹配，只能通过优化 .*。如果我们把 .*?end 这样子来看，.* 会把所有字符都吞进去，慢慢吐出最后几个字符，和 end 比较，如果是贪婪，吐到第一个满足条件的就停止，如果是非贪婪，一直吐到不能吐为止，把离自己最近的结果返回。

所以，贪婪是返回最近的一次成功匹配，而不是第一次尝试。

避免回溯失控

回溯可以杀死一个正则表达式，这一点都不假。关于正则表达式回溯也很好理解，就是正则引擎发现有两条路可以走时，它会选择其中的一条，把另一条路保存以便回溯时候用。

比如正则 /ab?c/ 在成功匹配到 a 之后，后面可以有 b，也可以没有 b，这时候要提供两种选择。还有其他类型的回溯，比如 /to(night|do)/。当然影响性能的回溯就要和 .* .+ .{m} 有关。

所谓的回溯失控，就是可供选择的路径太多，看一个常见回溯失控的例子，正则 /(A+A+)+B/ ，如果匹配成功，会很快返回，那么匹配失败，非常可怕。比如来匹配 10 个 A AAAAAAAAAA，假设第一个 A+ 吞了 9 个 A，整个正则吐出最后一个字符发现不是 B，这一轮吐完，还不能返回 false，因为还有其他路可以选择；第一个 A+ 吞 8 个 A，....一直这样回溯下去，回溯次数的复杂度大概是 2 的 n 次方吧。

当然你可能会说，自己不会写这样傻的正则表达式。真的吗？我们来看一个匹配 html 标签的正则表达式，/<html>[sS]*?<head>[sS]*?</head>[sS]*?<body>[sS]*?</body>[sS]*?</html> (感觉这样写也很傻)。如果一切都 OK，匹配一个正常的 HTML 页面，工作良好。但是如果不是以 </html>结尾，每一个 [sS]*? 就会扩大其范围，一次一次回溯查找满足的一个字符串，这个时候可怕的回溯就来了。

在说到回溯的同时，有时候还是要考虑一下 . * {} 查询集合的问题，反正我的建议是尽量避免使用匹配任何字符的 [sS]，这真的是有点太暴力了。因为我们写正则的时候，都是以正确匹配的思路去写的，同时还需要考虑如果匹配不成功，该如何尽快的让 [a-zA-Z]* 集合尽快停止。比如通常在匹配 HTML 标签的时候正则如果这样写 /<([^>]+)>[sS]*?</1>/ (匹配一个不带 class 等属性的标签)，匹配成功时，一切都好说，如果匹配失败，或者匹配的文本中恰好只有左半个 < ，由于范围 [^>] 范围太大，根本停不下来，相比来说 /<(w+)>[sS]*?</1>/` 要好一些。又比如 [^rn]* 在匹配单行时效果不错，即时匹配失败也可以快速停止。

总结

感觉这篇文章写的很乱，东扯西扯的，大概把我这几个月以来所学到的正则表达式知识都写在了这里，当然这并不包括一些基础的知识。我觉得学习正则最主要的还是去练习，只有在实际项目中总结出来的正则经验，才算自己正在掌握的，如果只是简单的扫一眼，时间久了，终究会忘记。共勉！

参考

RegExp对象 - 阮一峰
MSDN RegExp
进阶正则表达式

如何找出文件名为 ".js" 的文件，但要过滤掉 ".min.js" 的文件。

代码如下：

欢迎来我的博客参考代码。

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!