「正則表達式」的奇幻漂流之旅

之前小帥b寫了下關于正則表達式的文章，有朋友表示看完后除了想打人之外，還是覺得有點懵逼，感覺不夠循序漸進，所以今天小帥b就來好好寫一波，盡量寫的易懂一些，希望這次你看完這篇能夠舒舒服服，一點打人沖動沒有，還會忍不住點贊轉發(fā)收藏哈哈哈，主要是希望你還能夠了解到其中的使用方式。

那么：

什么是正則表達式呢？

想象一下這樣的場景:

1

你應該經(jīng)常使用 「CTRL + F」在文本文件中搜索關鍵詞，定位到自己想要看的地方。不過，有時候你可能并不一定記得你要搜索的具體內容。比如你只知道關鍵詞的開頭是「馬」，結尾是「梅」，但就是不知道是「馬什么梅」，如何快速搜索替換？

2

你在爬取頁面的時候，得到的一堆 HTML 標簽，但是你只是想拿到其中的關鍵文本信息，怎么快速剔除掉 HTML 標簽，把自己想要的文本從里面提取出來呢？

3

如果你開發(fā)了一個網(wǎng)站，允許用戶注冊，但你要求用戶注冊的密碼需要含有大小寫字母和數(shù)字，怎么驗證呢？又，如何屏蔽用戶的違規(guī)言論呢？

4

你在使用命令行的時候，如何一步到位的管理相關的文件呢？比如 rm -rf * （咋這個目錄下的文件都被刪除了？）

...

你看，在這些場景中，我們都需要一個「東西」來「占位」，表達關鍵的信息，比如在場景 1 中，我們不知道具體叫 「馬什么梅」，但是知道它中間一定是個字，那么我們可以制定一個規(guī)則，說：「以后這玩意【??】就代表一個任意的中文字」。

?? = 任意一個中文字

如果你的編輯器遵循了這一規(guī)則，知道【??】就代表一個任意的中文字，那么我們接下來就可以根據(jù)這個規(guī)則，使用「馬??梅」進行快速匹配了。

所以其實，這個「東西」就是用來描述我們想要的規(guī)則的，對吧？

當然，你也知道，我們自己制定的「東西」，編輯器是不會聽我們的，如果我們能夠知道那些已經(jīng)被大多數(shù)遵循了的「東西」，不就可以做到快速匹配我們想要的內容了嗎？

這些被遵循的「東西」，就是正則表達式的元字符。

找到那些被遵循的「東西」

先認識「.」 和 「*」

這兩玩意也許是我們最常用到的「東西」了，其中每個「.」用來表達的是「除了換行符以外的任何字符」，像這樣：

標高亮的表示被匹配到的字符

一個「.」只能表達一個字符，那如果很多豈不是得點點點點點到天荒地老？所以其實我們不必要這樣去用那么多點來匹配，我們可以在「.」后面使用 「*」，這樣編輯器就知道：「哦，你要找的是0個或者多個『.』」：

所以，「.」是用來描述相關字符，而「*」用來描述匹配次數(shù)的。

和「.」一樣

雖然這兩玩意已經(jīng)可以代表大多數(shù)內容了，但是對于一些具體的內容，比如數(shù)字，換行等，也有已經(jīng)被遵循的「東西」，和「.」一樣，常用到的有：

把這個看熟，你基本可以匹配大部分你需要的內容了，比如你要在這里只找到「handsome」這個詞就可以這樣：

匹配多個字母，數(shù)字，下劃線：

只匹配字母：

反向匹配：

匹配回車：

你去玩幾下就都熟悉了。

和 「*」 一樣

我們知道 「*」代表的是匹配0次或多次。和 「*」 一樣也有表示次數(shù)的，比如具體多少次，0次或一次：

轉義

現(xiàn)在，你已經(jīng)知道了常用的「東西」，它們都代表著一定的規(guī)則，但如果有時候文本出現(xiàn)了和「東西」一樣的字符，怎么去匹配呢？

比如說，我們知道「.」是匹配除了換行外的所有字符，但如果文本就出現(xiàn)了「.」，我們只要匹配這個「.」，咋整？

我們可以使用轉義字符，也就是在 「.」前面加一個 「\」，就說明我們是真的要找的是「.」:

當你在 「東西」前面加一個「\」，它就失去了功效，變回了原來的模樣。

還會常用到這玩意「｜」

這個你應該很熟悉，就是「或」的意思，在 「｜」的兩邊，滿足其一即可。

a|b 匹配 a 或者 b。

比如判斷文件是不是圖片類型，就可以這樣：

^.*?.(gif|png|jpg)$

小試牛刀

現(xiàn)在，找到了這些「東西」，也知道了轉義....現(xiàn)在我們來寫一個正則表達式，匹配郵箱的規(guī)則吧。

我們知道，郵箱的格式是這樣的：

[email protected]

我們可以發(fā)現(xiàn)，郵箱有兩很明顯的特征點：「@」和「.」，而在「@」和 「.」前面和后面可以是一個或多個「大小寫字母或數(shù)字或下劃線」。

我們可以從開始到結束的特征點寫出來：

^[大小寫字母或數(shù)字或下劃線]+@[大小寫字母或數(shù)字或下劃線]+\.[大小寫字母或數(shù)字或下劃線]+$

替換成我們知道的「東西」：

^[a-zA-Z0-9_]+@[a-zA-Z0-9_]+\.[a-zA-Z0-9_]+$

好用的 （）

在這些「東西」里，（）能夠進行分組，這對于我們在提取匹配我們關心的內容很有幫助，比如我們要提取這樣的內容：

我們可以使用 （）對相關的匹配進行分組，這樣得到多個分組（group1、group2、group3...）結果，這樣可以很方便的從中提取內容，像這樣：

.*? 和 .*

這兩玩意都是匹配多個字符的「東西」，不過一個帶了「？」一個不帶，它們有什么區(qū)別呢？

.*? 表示的是非貪婪匹配

.* 表示的是貪婪匹配

啥意思呢？

舉一個最簡單的例子，比如我們有一個這樣的文本：

abcdefghijkabcdefghijkabcdefghijkabcdefghijk

如果我們想從中提取 a 到 k 的內容，你可以發(fā)現(xiàn)，當我們「貪婪」的時候得到的結果就是這樣的：

abcdefghijkabcdefghijkabcdefghijkabcdefghijk

「非貪婪」的時候，得到的結果就是這樣的：

abcdefghijk

那么用在它們兩身上，就是這樣的，貪婪：

非貪婪：

意思就是這么個意思～

ok，這就是我常常會使用到的正則表達式，在 Python 中，有個 re 庫可以專門操作這些玩意的，你可以到下面這個鏈接看到具體的解釋：

https://docs.python.org/zh-cn/3/library/re.html

順便，再給你推薦幾個正則表達式可以參考的地方：

這里，有圖文相關的正則表達式給你參考：

https://github.com/cdoco/common-regex

這里，可以讓你校驗自己寫的正則：

https://regexr.com/

這里，有多個語言版本的正則表達式教程（如果你想更進一步了解反向引用，零寬斷言的可以看看）：

https://github.com/ziishaned/learn-regex/blob/master/README.md

我在上面演示用到的插件，叫「Regex Matcher」。

ok，以上就是小帥b今天給你帶來的分享，正則表達式算是基礎且通用的技能了，希望對你有幫助，如果有的話，請拼命點贊分享贊賞一波，哈哈，那么我們下回見，peace！