[[381207]]

公司使用的markdown解析類庫一直有一些解析上的問題，最近給fix了。而markdown解析主要是對(duì)正則表達(dá)式的使用。中間惡補(bǔ)了一下相關(guān)知識(shí)，在此梳理一下。

什么是正則表達(dá)式

正則表達(dá)式就是用一個(gè)“字符串”來描述一個(gè)特征，然后去驗(yàn)證另一個(gè)“字符串”是否符合這個(gè)特征。簡(jiǎn)單的一個(gè)例子：用字符串”a”來驗(yàn)證字符串s是否是”a”，形如s.match(“a”)。概括來說有以下作用：

•  驗(yàn)證字符串是否符合指定特征，比如驗(yàn)證是否是合法的郵件地址。
•  查找字符串，從一個(gè)長(zhǎng)的文本中查找符合指定特征的字符串，比查找固定字符串更加靈活。
•  替換字符串，比普通的基于字符串的替換更靈活。

基本規(guī)則

普通字符

字母、數(shù)字、漢字、下劃線、以及后續(xù)沒有特殊定義的標(biāo)點(diǎn)符號(hào)，都是”普通字符”。表達(dá)式中的普通字符，在匹配一個(gè)字符串的時(shí)候，匹配與之相同的一個(gè)字符。如：表達(dá)式 “a”，在匹配字符串 “abcde” 時(shí)，匹配到的內(nèi)容是：“a”。

轉(zhuǎn)義字符

一些不便書寫的字符，采用在前面加 “\” 的方法。常見的如：

•  \r: 回車
•  \n: 換行符
•  \t: 制表符
•  \: “\” 本身

此外，還有其他再正則中有特殊用處的標(biāo)點(diǎn)符號(hào)，在前面加 “\”后，代表該符號(hào)本身。如：^, “ 字符，需要寫成 “\^” 和 “$”。如

•  \^: 匹配^符號(hào)本身
•  \$: 匹配$符號(hào)本身
•  \.: 匹配小數(shù)點(diǎn). 本身

其匹配規(guī)則和普通字符串是一樣的，如“\^”匹配“a^bc”中的“^”。

‘多種字符’匹配

•  \d：任意一個(gè)數(shù)字，0~9 中的任意一個(gè)
•  \w：任意一個(gè)字母或數(shù)字或下劃線，也就是 A~Z,a~z,0~9,_ 中任意一個(gè)
•  \s：包括空格、制表符、換頁符等空白字符的其中任意一個(gè)
•  .：小數(shù)點(diǎn)可以匹配除了換行符以外的任意一個(gè)字符

如：表達(dá)式 “\dtest\d”匹配”1test2”。

除了正則自帶的“多種字符”匹配外，還可以通過中括號(hào)[]來自定義。

•  使用[ ]包含一系列字符，能夠匹配其中任意一個(gè)字符。
•  用 [^ ]包含一系列字符，則能夠匹配其中字符之外的任意一個(gè)字符。

如：[123]匹配 “1”或”2”或“3”;[^abc]匹配 “a”、”b”、”c” 之外的任意一個(gè)字符。

這里需要注意的是，在使用[]時(shí)，只有會(huì)改變字符組含義的才需要轉(zhuǎn)義，

•  反斜線必須轉(zhuǎn)義
•  方括號(hào)必須轉(zhuǎn)義
•  「^」在首和「-」在中必須轉(zhuǎn)義

其他情況即使是特殊字符也不需要轉(zhuǎn)義，如：

•  [aeiou]
•  [$.*+?{}()|]
•  [abc^123-]

匹配次數(shù)

“次數(shù)修飾”放在”被修飾的正則表達(dá)式”后邊，可以匹配多次。如：

•  {n}: 表達(dá)式重復(fù)n次，比如：“\d{2}” 相當(dāng)于 “\d\d”。
•  {m,n}:表達(dá)式至少重復(fù)m次，最多重復(fù)n次，比如：“a{1,3}”可以匹配 “a”或”aa”或”aaa”。
•  {m,}: 表達(dá)式至少重復(fù)m次，比如：“\d{2,}”可以匹配 “12”,“123”,“12345678”。
•  ?: 匹配表達(dá)式0次或者1次，相當(dāng)于 {0,1}，比如：“a[b]?”可以匹配”a”,“ab”。
•  +: 表達(dá)式至少出現(xiàn)1次，相當(dāng)于 {1,}，比如：“a+”可以匹配”a”,“aa”,“aaa”。
•  *: 表達(dá)式不出現(xiàn)或出現(xiàn)任意次，相當(dāng)于 {0,}，比如：”ab“可以匹配 “a”、”ab”、”abb”。

特殊符號(hào)

•  ^: 與字符串開始的地方匹配，不匹配任何字符,這里如果使用(?m)模式，則匹配每一行的開始。如：“^aaa”無法匹配 “xxxaaaxxx”，可以匹配”aaaxxx”。
•  $: 與字符串結(jié)束的地方匹配，不匹配任何字符，這里如果使用(?m)模式，則匹配每一行的結(jié)束。如：“aaa$”無法匹配“xxxaaaxxx”, 可以匹配“xxxaaa”。
•  \b：匹配一個(gè)單詞邊界，也就是單詞和空格之間的位置，不匹配任何字符。它與 “^”、”$“ 類似，本身不匹配任何字符，但是它要求它在匹配結(jié)果中所處位置的左右兩邊，其中一邊是 “\w” 范圍，另一邊是 非“\w” 的范圍。。如：“.\b.”匹配“@@abc”的“@a”。

此外，還有一些符號(hào)可以影響表達(dá)式內(nèi)部的子表達(dá)式之間的關(guān)系：

•  |: 左右兩邊表達(dá)式之間“或”關(guān)系，匹配左邊或者右邊。
•  (): 在被修飾匹配次數(shù)的時(shí)候，括號(hào)中的表達(dá)式可以作為整體被修飾;取匹配結(jié)果的時(shí)候，括號(hào)中的表達(dá)式匹配到的內(nèi)容可以被單獨(dú)得到。如：”(ab\s*)+“匹配”hi, ab ab ab”中的“ab ab ab”。

高級(jí)規(guī)則

貪婪與非貪婪匹配

在使用修飾匹配次數(shù)的特殊符號(hào)時(shí)，有幾種表示方法可以使同一個(gè)表達(dá)式能夠匹配不同的次數(shù)，比如：“{m,n}”, “{m,}”, “?”, “*”, “+”，具體匹配的次數(shù)隨被匹配的字符串而定。這種重復(fù)匹配不定次數(shù)的表達(dá)式在匹配過程中，總是盡可能多的匹配。

比如，文本 “axxxaxxxa”，”(a)(\w+)“，其中”\w+“會(huì)匹配”xxxaxxxa”，”(a)(\w+)(a)“則會(huì)匹配”xxxaxxx”。由此可見，”\w+“ 在匹配的時(shí)候，總是盡可能多的匹配符合它規(guī)則的字符。

雖然第二個(gè)舉例中，它沒有匹配最后一個(gè) “a”，但那也是為了讓整個(gè)表達(dá)式能夠匹配成功。同樣的，帶 ”“ 和 ”{m,n}“ 的表達(dá)式都是盡可能地多匹配，帶 ”?“ 的表達(dá)式在可匹配可不匹配的時(shí)候，也是盡可能的匹配。這種匹配原則就叫作”貪婪”模式。

非貪婪模式則是指的在修飾匹配次數(shù)的特殊符號(hào)后再加上一個(gè) “?” 號(hào)，可以使匹配次數(shù)不定的表達(dá)式盡可能少的匹配，使可匹配可不匹配的表達(dá)式，盡可能的不匹配。

這種匹配原則也叫作 “勉強(qiáng)” 模式。如果少匹配就會(huì)導(dǎo)致整個(gè)表達(dá)式匹配失敗的時(shí)候，與貪婪模式類似，非貪婪模式會(huì)最小限度的再匹配一些，以使整個(gè)表達(dá)式匹配成功。如，文本 “axxxaxxxa” ，“(a)(\w+?)”，其中”\w+“只會(huì)匹配一個(gè)“x”。

反向引用

表達(dá)式在匹配時(shí)，表達(dá)式引擎會(huì)將小括號(hào) “()” 包含的表達(dá)式所匹配到的字符串記錄下來。在獲取匹配結(jié)果的時(shí)候，小括號(hào)包含的表達(dá)式所匹配到的字符串可以單獨(dú)獲取。當(dāng)用某種邊界來查找，而所要獲取的內(nèi)容又不包含邊界時(shí)，必須使用小括號(hào)來指定所要的范圍。如：“<div>(.*?)</div>“即獲取div標(biāo)簽內(nèi)部的內(nèi)容。

這里小括號(hào)包含的正則表達(dá)式所匹配到的字符串不僅僅是在匹配結(jié)束后才可以使用，在匹配過程中也可以使用。表達(dá)式后邊的部分，可以引用前面括號(hào)內(nèi)的子匹配已經(jīng)匹配到的字符串。引用方法是 “\” 加上一個(gè)數(shù)字。”\1” 引用第1對(duì)括號(hào)內(nèi)匹配到的字符串，”\2” 引用第2對(duì)括號(hào)內(nèi)匹配到的字符串，以此類推，而如果一對(duì)括號(hào)內(nèi)包含另一對(duì)括號(hào)，則外層的括號(hào)先排序號(hào)。換句話說，哪一對(duì)的左括號(hào) “(” 在前，那這一對(duì)就先排序號(hào)。

例如：表達(dá)式 “(‘|’)(.*?)(\1)“ 在匹配 ” ‘Hello’, “World” “ 時(shí)，匹配結(jié)果是：成功；匹配到的內(nèi)容是：” ‘Hello’ “。再次匹配下一個(gè)時(shí)，可以匹配到 ” “World” “。

預(yù)搜索

如前面所講”^“、”$“、”\b”字符有一個(gè)共同點(diǎn)，就是：它們本身不匹配任何字符，只是對(duì) “字符串的兩頭” 或者 “字符之間的縫隙” 附加了一個(gè)條件。同樣的，正則中提供了其他基于此原理的機(jī)制，來實(shí)現(xiàn)預(yù)搜索。

•  正向預(yù)搜索：”(?=xxxxx)“，”(?!xxxxx)”

          格式：”(?=xxxxx)“，在被匹配的字符串中，它對(duì)所處的 “縫隙” 或者 “兩頭” 附加的條件是：所在縫隙的右側(cè)，必須能夠匹配上xxxxx這部分的表達(dá)式，不影響后邊的表達(dá)式去真正匹配這個(gè)縫隙              之后的字符。如：“Mac (?=book|air)” 在匹配 “Mac pro, Mac air” 時(shí)，將只匹配 “Mac air” 中的 “Mac”。

          格式：“(?!xxxxx)”，所在縫隙的右側(cè)，必須不能匹配 xxxxx 這部分表達(dá)式。如：“hello(?!\w)” 在匹配字符串 “hello,helloworld”時(shí)，匹配 hello”。這里使用 “(?!\w)” 和使用 “\b” 效果一樣。

•  反向預(yù)搜索：“(?<=xxxxx)”，“(?<!xxxxx)” 

           和正向預(yù)搜索類似，反向預(yù)搜索要求的條件是：所在縫隙的 “左側(cè)”，兩種格式分別要求必須能夠匹配和必須不能夠匹配指定表達(dá)式，而不是去判斷右側(cè)。與 “正向預(yù)搜索” 一樣的是：它們都             是對(duì)所在縫隙的一種附加條件，本身都不匹配任何字符。

其他通用規(guī)則

•  可以使用 “\xXX” 和 “\uXXXX” 表示一個(gè)字符（”X” 表示一個(gè)十六進(jìn)制數(shù)）
  
  •  \xXX: 編號(hào)在 0-255 范圍的字符，如：空格可以使用 “\x20” 表示
  •  \uXXXX: 任何字符可以使用 “\u” 再加上其編號(hào)的4位十六進(jìn)制數(shù)表示，比如：“\u4E2D”
•  在表達(dá)式 “\s”，”\d”，”\w”，”\b” 表示特殊意義的同時(shí)，對(duì)應(yīng)的大寫字母表示相反的意義
  
  •  \S: 匹配所有非空白字符
  •  \D: 匹配所有的非數(shù)字字符
  •  \W: 匹配所有的字母、數(shù)字、下劃線以外的字符
  •  \B: 匹配非單詞邊界，即左右兩邊都是 “\w” 范圍或者左右兩邊都不是 “\w” 范圍時(shí)的字符縫隙
• 括號(hào)“()”內(nèi)的子表達(dá)式，如果希望匹配結(jié)果不進(jìn)行記錄供以后使用，可以使用 “(?:xxxxx)”格式。如：表達(dá)式 “(?:(\w)\1)+” 匹配 “a bbccdd efg” 時(shí)，結(jié)果是 “bbccdd”。括號(hào) “(?:)” 范圍的匹配結(jié)果不進(jìn)行記錄，因此 “(\w)” 使用 “\1” 來引用。

•  常用的表達(dá)式屬性設(shè)置包括：Ignorecase、Singleline、Multiline、Global
  
  •  Ignorecase: 默認(rèn)情況下，表達(dá)式中的字母是要區(qū)分大小寫的。配置為 Ignorecase 可使匹配時(shí)不區(qū)分大小寫。有的表達(dá)式引擎，把 “大小寫” 概念延伸至 UNICODE 范圍的大小寫。
  •  Singleline: 默認(rèn)情況下，小數(shù)點(diǎn) “.” 匹配除了換行符（\n）以外的字符。配置為Singleline可使小數(shù)點(diǎn)可匹配包括換行符在內(nèi)的所有字符。
  •  Multiline: 默認(rèn)情況下，表達(dá)式 “^” 和 “$” 只匹配字符串的開始1和結(jié)尾4位置。如：1xxxxxxxxx2\n 3xxxxxxxxx4

配置為 Multiline 可以使 “^” 匹配1外，還可以匹配換行符之后，下一行開始前3的位置，”$“ 匹配4外，還可以匹配換行符之前，一行結(jié)束2的位置。使用(?m)可以設(shè)置為Multiline模式。如”(?m)^\n +“。

•  Global: 主要在將表達(dá)式用來替換時(shí)起作用，配置為Global表示替換所有的匹配。

提示

•  如果要求表達(dá)式所匹配的內(nèi)容是整個(gè)字符串，而不是其中的一部分，可以在表達(dá)式的首尾使用 “^” 和 ““ 要求整個(gè)字符串只有數(shù)字。
•  如果要求匹配的內(nèi)容是一個(gè)完整的單詞，而不會(huì)是單詞的一部分，那么在表達(dá)式首尾使用 “\b”，如：使用 “\b(if|while|…)\b” 來匹配程序中的關(guān)鍵字。
•  表達(dá)式不要匹配空字符串。否則會(huì)一直得到匹配成功，而結(jié)果什么都沒有匹配到。
•  能匹配空字符串的子匹配不要循環(huán)無限次。如果括號(hào)內(nèi)的子表達(dá)式中的每一部分都可以匹配0次，而這個(gè)括號(hào)整體又可以匹配無限次，那么匹配過程中可能死循環(huán)。
•  “|” 的左右兩邊，對(duì)某個(gè)字符應(yīng)該只有一邊可以匹配，以防止”|“兩邊的表達(dá)式因?yàn)榻粨Q位置而有所不同。
•  要合理選擇貪婪模式與非貪婪模式，如. 與 .?的區(qū)別使用。