理解正则表达式

Question

在我初学正则表达式的时候，走了一些弯路，强行记忆了很多符号和用法。

等到我有更深入的理解的时候我发现，从翻译和概念的角度上切入，学习起来会顺畅得多。

本文以JavaScript里的正则表达式为例，讲解其中的关键要素。希望能帮助到初学者。

注：也只限于阐述关键要素，不会事无巨细地展开。

何为正则表达式？

在中文语境里，「正则」两个字有点让人发怵，仿佛高深数学或物理中的「正则化」和「归一化」，抽象而难懂。

其实放到英文里，它是regular expression，而regular有「规律、规范、整齐、合格、正规」等意味，「正则」只是其中一种翻译。

不把它翻译成一个词组，而翻译成一句话，大致是：表达规范和规则的句子。

这里的规范和规则，指的是一个字符串的形式规则。

至于JavaScript里的 RegExp 构造函数，是Regular Expression的前三个字母缩写。

正则表达式的格式

在JavaScript里，正则表达式有两个构造方式，一个是通过RegExp这个构造函数创建实例，另一个是正则表达式字面量写法。

var regexp1 = new RegExp('hello regular expression')
var regexp2 = /hello regular expression/

// test 方法，测试给定的字符串是否符合正则表达式所描述的字符串格式
regexp1.test('hello regular expression') // -> true
regexp1.test('hello word') // -> false

// exec 方法，是 execute 这个单词的缩写，「执行」。返回给定的字符串中符合「正则表达式所描述的字符串格式」的部分
regexp2.exec('hello regular expression') //  返回 'hello regular expression'
regexp2.exec('hello regular expression, more words') //  只返回 'hello regular expression'，其它部分不匹配

正则表达式里的元字符

元字符听起来也很抽象，其实换个例子就容易理解：学习如何学习，叫元学习；关于知识的知识，叫元知识。

元字符，则是描述字符的字符，比如，数字，字母，空格，换行等。

元编程，就是能生成代码的代码，在 Javascript 构造符合语法的字符串，放到eval(code)里运行一下，你就在元编程了。

然后看看元字符、元编程的英文：meta-character与meta-programming，对 meta 长个记性，怯魅。

列举几个元字符。元字符大多以反斜杠开头 \，因为前面展示的「正则表达式字面量」写法里，用的是两个斜杠包裹，所以得用反斜杠或其他标识符。

• \d，匹配单个数字；d 是 digit 这个单词的缩写，它的中文意思就是「数字」
• \w，匹配单个单词字符，w 是 word 的缩写，就是字母 a-z，数字 0-9，不包括逗号、句号、加减乘除号、括号等。
• \s，匹配单个空白字符，s 是 space 的缩写，就是空白的意思。
• \n，匹配换行符，n 是 newline 的缩写，中文就是换行。
• \r，匹配回车符，r 就是 return 的缩写，回车在这里就是它的中文意思。
• \t，匹配制表符，就是 tab 键打出来的一串用以缩进的空白字符，tab 是 tabel 的缩写，table 就有表格和制表的意思。
• \b，匹配单词边界，b 是 boundary 的缩写，中文就是边界的意思。

如你所见，所谓的元字符，就是反斜杠加单词缩写，来表征某个字符类型。这就是它们的设计原则。

正则表达式里的量词

元字符大多只能表示单个字符的类型。

我们还需要量词，以表示「有，有0到多个，有至少一个，有n个以上，有n到m个，以某个字符开头，以某个字符结尾等」。

这时你可以停下来，稍作思考，让你来设计，你会设计成什么样？

Javascript的设计如下：

• n+，至少1个 n 类型的字符
• n*，0到多个 n 类型的字符
• n?，0 或 1 个 n 类型的字符
• n{X}，X 个 n 类型的字符
• n{X,Y}，X 到 Y 个 n 类型的字符
• n{X,}，至少 X 个 n 类型的字符
• n$，以 n 类型的字符结尾
• ^n，以 n 类型的字符开头

如你所见，大致是一些类似数学里表达区间的意思。

正则表达式里的表达式

你可以戏谑地说它是「元表达式」。

其实，它们也是描述范围的，只是不是所有范围都是关于某个字符类型n 的数量和出现位置，有些范围跟多个字符组成的集合有关。

比如，在这几个字符类型之内，在这几个字符类型之外的，便利地表示 26 个字母，便利地表示 10 个数字字符。

Javascript的设计如下：

• [abc]，匹配单个字符，它是abc的集合的元素
• [^abc]，匹配单个字符，它不是abc的集合的元素
• [0-9]，匹配单个字符，它是从0到9这个集合的元素
• [a-z]，匹配单个字符，它是26 字母这个集合的元素
• (red|blue|green)，匹配多个连续字符，它是 red blue green 这三个词的集合的元素

小试牛刀

匹配一个电话号码，形式如 020-88813243。

简单版本，(开头)三个数字+一个横杠+八个数字（结尾），就是/^\d{3}-\d{8}$/。

需求变化，只匹配 020 开头的电话号码，就是/^020-\d{8}$/。

需求变化，支持分机，分机为 5 个数字，加后缀，就是/^020-\d{8}-\d{5}$/。

需求变化，电话号码可以是7个，用区间量词，就是/^020-\d{7,8}-\d{5}$/。

需求变化，有可能没有分机，用区间量词，中括号包裹住分机为一组，后面加个问号，表示0或多个，就是/^020-\d{7,8}(-\d{5})?$/。

需求变化，区隔符可能是横杠，也可能是星号或空格，用集合表达式，就是/^020[-*\s]\d{7,8}([-*\s]\d{5})?$/

结语

在我们理解了正则表达式的概念和设计思路之后，剩下的，就是查文档和寻找模式的工作了。

实在有难题，网上也可以搜索到现成的坚实的正则表达式可用。这里面的门道还是很多的，在此我们入个门，打个基础即可。