正则表达式学习笔记
本文最后更新于：2024年9月19日 晚上
0x00 学习资料
0x01 什么是正则表达式
维基上解释如下：
正则表达式（英语：Regular expression，常简写为regex、regexp），又称规律表达式、正则表示式、正则表示法、规则表达式、常规表示法，是计算机科学计算机科学)概念，用简单字符串来描述、匹配文中全部匹配指定格式的字符串字符串，现在很多文本编辑器文本编辑器都支持用正则表达式搜索、取代匹配指定格式的字符串。
个人理解：
正则表示式是一种用来描述字符串匹配模式的语法，使用正则表达式可以从字符串中找到符合匹配模式的结果。这里的匹配模式是指某种自定的规则，该规则描述了你想要的结果在整个字符串中出现的规律。使用正则表达式就类似在windows平台下使用的通配符*、？，但是其功能要强大得多，同时语法也丰富得多。
0x02 基本匹配
最基本的匹配就是输入什么就匹配什么， 例如：一个正则表达式 the，它表示一个规则：由字母t开始，接着是h，再接着是e。
正则表达式是大小写敏感的，所以the不会匹配The。
“the” => The fat cat sat on the mat.
PS：书写正则表达式时，通常会将模式的语法写在/pattern/两个斜杠之间，用来标识其使用正则表达式
0x03 元字符
在基本匹配中，有些字符无法通过基本匹配的方式直接匹配，这些字符是元字符。元字符不代表他们本身的字面意思，他们都有特殊的含义。以下是一些元字符的介绍：
| 元字符 | 描述 |
|---|---|
| . | 句号匹配任意单个字符除了换行符。 |
| [ ] | 字符类。匹配方括号内的任意字符。 |
| [^ ] | 否定字符类。匹配除了方括号里的任意字符 |
| * | 匹配>=0个重复的在*号之前的字符。 |
| + | 匹配>=1个重复的+号前的字符。 |
| ? | 标记?之前的字符为可选. |
| {n,m} | 匹配num个大括号之前的字符或字符集 (n <= num <= m). |
| (xyz) | 字符集，匹配与 xyz 完全相等的字符串. |
| | | 或运算符，匹配符号前或后的字符. |
| \ | 转义字符,用于匹配一些保留的字符 `[ ] ( ) { } . * + ? ^ $ \ |
| ^ | 从开始行开始匹配. |
| $ | 从末端开始匹配. |
-1- 点运算符.
点运算符表示任意单个字符，这里要注意两点，
- 点运算符代表至少有一个字符，也就是点运算符至少是占一位的
- 点运算符不匹配换换行符
\r、\n，要匹配全体字符，要使用(.|\r|\n)
“.ar” => The car parked in the garage.
-2- 字符类[]
方括号用来指定一个字符类，字符类表示的是该集合中的任意一个元素，无论字符类中包含了多少个字符，在匹配时也只占一位。
“[Tt]he” => The car parked in the garage.
在字符类中，大部分元字符是失效的，这些元字符在方括号内只表示它们字符本身，但是-和^和\有其他含义。
-表示一个字符范围，指定从其前一位的ASCII值到其后一位的ASCII值的中间的全部字符，常用的有[A-Z]表示全部大写字母，[a-z]表示全部小写字母，[0-9]表示全部数字。如果想要表示
-本身，可以将其放在字符类的第一位或者最后一位，如果一定要将其放在字符类的两个字符中间，可以使用转义字符\来表示其本身。表示转义字符
\本身在字符类内依然要用\\来表示。
-3- 否定字符类[^]
否定字符类就是反选字符类中的元素，也就是字符类中的元素都排除掉，和字符类一样，否定字符类也是只占一位的。
否定字符类也是代表的也是一个集合中的某一个元素，只是该集合是通过在全部字符集中排除掉一部分得到的。
其他元字符在否定字符类的含义与在元字符内是一样的，如果想表示^字符，并且一定要将其放在字符类的第一位，可以使用转义字符来表示
“[^c]ar” => The car parked in the garage.
-4- 重复次数
表示重复次数的元字符有三个，分别是
*号
匹配在*号之前出现的字符0次及0次以上（大于等于0次），与点运算符连用
.*可以匹配所有字符串“[a-z]“ => T*he car parked in the garage
+号
匹配在+号之前出现的字符1次及1次以上（大于等于1）
“c.+t” => The fat cat sat on the mat.
?号
匹配在?号之前出现的字符可能出现也可能不出现（0次或1次）
“[T]?he” => The car is parked in the garage.
以上三种符号均可以与字符类以及否定字符类连用
-5- 自定义重复次数{}
{} 是一个量词，常用来限定一个或一组字符可以重复出现的次数。
例如， 表达式 [0-9]{2,3} 匹配最少 2 位最多 3 位 0~9 的数字。?号等价于{0,1}。
可以省略第二个参数。 例如，[0-9]{2,} 匹配至少两位 0~9 的数字。*号等价于{0,}，+号等价于{1,}。
如果逗号也省略掉则表示重复固定的次数。 例如，[0-9]{3} 匹配3位数字
-6- 字符集()
字符集是一组写在 () 中的子模式。() 中包含的内容将会被看成一个整体。例如, 表达式 (ab)* 匹配连续出现 0 或更多个 ab。如果没有使用 () ，那么表达式 ab* 将匹配连续出现 0 或更多个 b 。再比如之前说的 {} 是用来表示前面一个字符出现指定次数。但如果在 {} 前加上特征标群 () 则表示整个标群内的字符重复 N 次。
-7- 或运算符|
或运算符就是表示或者的意思，表示运算符前后元素二选其一，但是二者必须选其一。或运算符|的优先级最低
“(T|t)he|car” => The car is parked in the garage.
-8- 转义字符\
转义字符与其在C语言中的用法很像，反斜线 \ 在表达式中用于转码紧跟其后的字符。对于特殊字符 { } [ ] / \ + * . $ ^ | ? 这些，如果想要表达其本身字符的含义则要在其前面加上反斜线 \。
对于一些控制字符，如回车，空格之类的，也需要使用转义字符加字母来表示；此外，正则表达式还定义了一些字符集的简写，也需要用到转义字符
| 简写 | 描述 |
|---|---|
| \w | 匹配所有字母数字，等同于 [a-zA-Z0-9_] |
| \W | 匹配所有非字母数字，即符号，等同于： [^\w] |
| \d | 匹配数字： [0-9] |
| \D | 匹配非数字： [^\d] |
| \s | 匹配所有空格字符，等同于： [\t\n\f\r\p{Z}] |
| \S | 匹配所有非空格字符： [^\s] |
| \b | 匹配单词的开始或结束 |
| \B | 匹配不是单词开头或结束的位置 |
| \f | 匹配一个换页符 |
| \n | 匹配一个换行符 |
| \r | 匹配一个回车符 |
| \t | 匹配一个制表符 |
| \v | 匹配一个垂直制表符 |
| \p | 匹配 CR/LF（等同于 \r\n），用来匹配 DOS 行终止符 |
-9- 锚点
锚点有两个^和$，锚点可以规定匹配位置，^是从头指定开头，$指定结尾
例如，^(T|t)he 匹配以 The 或 the 开头的字符串。
“^(T|t)he” => The car is parked in the garage.
例如，(at\.)$ 匹配以 at. 结尾的字符串。
“(at.)$” => The fat cat. sat. on the mat.
0x04 零宽断言
前面的大部分语法都是用来描述用来想要匹配本身是怎么样的，但是有时我们还希望描述被匹配到的字符串的位置，这时就需要用到零宽断言。零宽断言与前面的^，$，\b，\B类似，都是用于描述被匹配模式的位置信息的，可以用来控制想要的字符串前后需要有或者不能有什么。
之所以叫零宽断言，可能是因为该语法本身不参与匹配，只用于限定想要匹配的字符串的位置，所以其宽度为零。
零宽断言的支持和正则引擎有关，有些引擎不支持零宽断言。这里的几种断言的英文名其实比中文名更能够表明其含义。
(?=exp)零宽正向先行断言(lookahead)(?!exp)零宽负向先行断言(negative lookahead)(?<=exp)零宽正回顾后发断言(lookbehind)(?<!exp)零宽负回顾后发断言(negative lookbehind)
-1- 零宽正向先行断言(lookahead)
(?=exp)，它断言自身出现的位置的后面能匹配表达式exp
例如，\b\w+(?=ing\b)，就会匹配以ing结尾的单词前面部分，需要注意，零宽断言自己断言本身是不参与匹配的
“\b\w+(?=ing\b)” => I’m singing while you’re dancing
-2- 零宽正回顾后发断言(lookbehind)
(?<=exp)，它断言自身出现的位置的前面能匹配表达式 exp。比如(?<=\bre)\w+\b会匹配以 re 开头的单词的后半部分(除了 re 以外的部分)，例如在查找 reading a book 时，它匹配 ading。
“(?<=\bre)\w+\b” => reading a book
-3- 零宽负向先行断言(negative lookahead)
(?!exp)，与零宽正向先行断言相反，它断言的是此位置的后面不能匹配表达式 exp。
例如：\d{3}(?!\d)匹配三位数字，而且这三位数字的后面不能是数字；\b((?!abc)\w)+\b匹配不包含连续字符串 abc 的单词。
-4- 零宽负回顾后发断言(negative lookbehind)
(?<!exp)，同理，零宽负回顾后发断言也就指断言位置的前面不能出现表达式exp
例如：(?<![a-z])\d{7}匹配前面不是小写字母的七位数字。
0x05 修饰符（标记）
标记不写在正则表达式里，标记位于表达式之外，格式为/pattern/flags
-1- 修饰符g
global - 全局匹配，g 修饰符可以查找字符串中所有的匹配项。默认情况下（不带g），正则匹配会在找到第一个结果时停止，如果加上修饰符g，则会查找整个字符串，找到所有的匹配项。
-2- 修饰符i
ignore - 不区分大小写，i修饰符指定匹配时不区分大小写
-3- 修饰符m
multi line - 多行匹配，修改锚点元字符^和$的含义，使其锚定为每行的开头和结尾。
“/.at(.)?$/“ => The fat
cat sat
on the mat.
“/.at(.)?$/gm” => The fat
cat sat
on the mat.
-4- 修饰符s
Singleline - 单行匹配，修改.元字符的含义，使其可以匹配所有的字符（包括\n换行符），在这种模式下，一篇文章可以被看作一行字符串，换行符\n也只是该行中的一个字符罢了。
需要注意的是，单行模式与多行匹配是可以同时使用的，它们二者并不冲突，因为它们针对的元字符都是不同的，同时使用这两个修饰符，就只是同时修改了
^$.的含义。
0x06 贪婪和懒惰
通常情况下，正则匹配时会选择匹配尽可能多的字符，这中匹配策略被称为贪婪匹配。如果我们希望匹配时匹配最少的字符，就需要用?将匹配策略换为懒惰匹配，?添加在重复次数元字符的后面。
来看一个例子：aabbcb，使用a.*b匹配时，会匹配所有的字符，也就是aabbcb，但是如果使用懒惰匹配a.*?b，则会匹配aab（字符1-3）和ab（字符2-3）。
这里要注意的是，为什么懒惰匹配的结果不只是ab（字符2-3）呢，这时因为正则匹配中有一条规律的优先级比贪婪和懒惰要高：最先开始的匹配拥有最高的优先权，由于第一个a最先匹配，所以其拥有最高的优先级，因此可以不受贪婪和懒惰策略的影响。
| 懒惰限定符 | 说明 |
|---|---|
| *? | 重复任意次，但是尽可能少重复 |
| +? | 重复1次或更多次，但是尽可能少重复 |
| ?? | 重复0次或1次，但是尽可能少重复 |
| {n,m}? | 重复n到m次，但是尽可能少重复 |
| {n,}? | 重复n次或更多次，但是尽可能少重复 |