正则掌握程度测试题

发表于 更新于

分组提取/非捕获组

分组，是正则里一个非常重要的概念，我们需要针对某个区域提取数据，往往需要依赖分组。而分组，其实就是正则里()括住的部分。

分组提取

1
2
3
4
5
6
需求：在分组1中匹配meta中author属性的值
源串：
<meta author="Zjmainstay" />
another author="Zjmainstay too"
预期：分组1得到Zjmainstay
正则：/"(\w*)"/

非捕获组

针对上面的分组，有时候，我们并不需要捕获某个分组的内容，我们可以使用非捕获组(?:表达式)，从而不捕获表达式部分内容到分组中。

1
2
3
4
5
6
7
8
9
需求：匹配每行字母个数是偶数个的数据，每行数据不为空，正则不能存在分组1
源串：
a
ab
abc
abcd
预期：
匹配得到 ab 和 abcd，不包含分组1
正则：/^(?:\w\w)+$/m

单字符或

或条件是正则使用过程中常用的概念，比如，密码由字母或数字组成，这里就用到了或条件，而且，由于字母或数字都是单个字符，因此，可以使用[a-z0-9]这样的单字符或语法实现。
常犯错误：匹配a或b写成[a|b]，此表达式实际上表示a或b或|，在[]内部的|表示其本身，注意区分(a|b)表示a或b的写法。

单字符或

1
2
3
4
5
6
7
8
9
10
11
12
需求：匹配由 A/S/D/F 4个字母(区分大小写)组成的长度为3字符串
源串：
ABC
ASD
ADS
ASF
BBC
A|S
A|D
ASDF
预期：以[]元字符获得3个字母的或集，匹配 ASD/ADS/ASF 3组数据
正则：/^[ASDF]{3}$/m

多字符或

相对单字符或条件，多字符或也是很常见的，比如，我们需要匹配http或ftp两个协议头的url，就需要^(http|ftp)://.+$这样的语法来实现。

多字符或

1
2
3
4
5
6
7
8
9
10
11
12
需求：匹配每行数据中以.jpg/.jpeg/.png/.gif结尾的图片名称（含后缀）
源串：
image.jpg
image.jpeg
image.png
image.gif
not_image.txt
not_image.doc
not_image.xls
not_image.ppt
预期：匹配 image.jpg/image.jpeg/image.png/image.gif 4个结果
正则：/(.*\.(jpg|jpeg|png|gif))/m

分组引用

前面介绍了分组，那某个分组在我们匹配过程中重复出现，又该如何处理？分组引用恰恰解决这个问题。比如，匹配出现重复单词的一行数据，我们可以这么写（多行模式）：/^.?(\b\S+\b).?\1.*$/m，\1表示引用前面分组1中匹配到的内容，也就是重复的单词内容。

匹配连续相同3次的数字

1
2
3
4
5
6
7
8
需求：匹配连续相同3次的数字
源串：
111
121
112
222
预期：匹配 111/222 两组数据
正则：/^(\d)\1\1$/m

匹配换行数据

“我的正则本来好好的，突然不行了！”这个是很多正则新人遇到的问题，而这个问题，很多时候，就是因为原来正则中的.不能匹配新数据里的换行导致的。这时候，只需要把.改成[\s\S]这样的表达式就可以了。这个表达式表示空格或非空格，也就是任意字符啦。

匹配换行数据

1
2
3
4
5
6
7
8
需求：分别使用单行模式和普通模式匹配id="author"的div中数据，div标签不在同一行
源串：
<div id="author">
Zjmainstay
</div>
预期：Zjmainstay
正则1：@<div\sid="author">([\s\S]*)</div>@s
正则2：

存在（或）

匹配多种或条件的数据，没有特殊限制

1
2
3
4
5
6
7
8
9
10
11
12
13
14
需求：匹配每行中包含“作者”或者“读者”的数据
源串：
本文的作者是Zjmainstay
本文有很多读者
读者可以是任何一个地方的人
这里的任何一个地方说明读者也能在国外
什么乱七八糟的推理
你不匹配我，凭什么要我推荐你的博客 www.zjmainstay.cn
预期：匹配
本文的作者是Zjmainstay
本文有很多读者
读者可以是任何一个地方的人
这里的任何一个地方说明读者也能在国外
正则：/(.*(作者|读者).*)/m

匹配多种或条件的数据，有特殊限制（不使用环视）

1
2
3
4
5
6
7
8
9
需求：匹配每行中“读者”在开头或结尾的数据
源串：
本文作者是Zjmainstay，有很多读者
读者可以是任何一个地方的人
这里的任何一个地方说明读者也能在国外
预期：匹配
本文作者是Zjmainstay，有很多读者
读者可以是任何一个地方的人
正则：/.*(^读者|读者$).*/m

匹配多种或条件的数据，有特殊限制（使用环视）

1
2
3
4
5
6
7
8
9
需求：匹配每行中“读者”在开头或结尾的数据
源串：
本文作者是Zjmainstay，有很多读者
读者可以是任何一个地方的人
这里的任何一个地方说明读者也能在国外
预期：匹配
本文作者是Zjmainstay，有很多读者
读者可以是任何一个地方的人
正则：/((?<=^读者).*|.*(?=读者$))/m

存在（与）

校验密码必须包含字母、数字和特殊字符，6-16位

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
需求：校验密码必须包含字母、数字和特殊字符，6-16位，假定特殊字符为 -_= 三个字符
源串：
12345
123456
1234561234561234
12345612345612345
a1234
a12345
-1234
-12345
a-123
a-1234
a-1234a-1234a-12
a-1234a-1234a-1234
aaaaa
aaaaaa
-_=-_
-_=-_=
预期：匹配
a-1234
a-1234a-1234a-12
正则：^(?=.{6,16})(?=.*[a-z])(?=.*[0-9])(?=.*[-_=])[0-9a-z-_=]*$

特殊限制（环视否定）

使用\d{1,3}匹配1-999的数据，不能以0开头

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
需求：使用\d{1,3}匹配每行中1-999的数据，不能以0开头
源串：
1
10
100
999
1000
01
001
预期：匹配
1
10
100
999
正则：/^(?!0)\d{1,3}$/m

匹配除了span标签外的所有标签

1
2
3
4
5
6
7
8
9
10
11
需求：匹配除了<span>内容</span>标签外的所有<tagName>内容</tagName>格式标签
源串：
<div>匹配我</div>
<span>不匹配我</span>
<p>匹配我</p>
<i>匹配我</i>
预期：匹配
<div>匹配我</div>
<p>匹配我</p>
<i>匹配我</i>
正则：/<(?!span).*(?<!\/span)>/

替换分组使用

给源串每个链接加上http://www.zjmainstay.cn前缀

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
需求：给源串每个链接加上http://www.zjmainstay.cn前缀
源串：
<a id="link-1" href="/regexp-one">正则文章合集（All In One)</a>
<a id="link-2" href="/my-regexp">正则入门教程</a>
<a id="link-3" href="/deep-regexp">正则高级教程</a>
<a id="link-4" href="/regexp-lookaround">正则环视详解</a>
<a id="link-5" href="/php-curl">PHP cURL应用</a>
预期：替换得到
<a id="link-1" href="http://www.zjmainstay.cn/regexp-one">正则文章合集（All In One)</a>
<a id="link-2" href="http://www.zjmainstay.cn/my-regexp">正则入门教程</a>
<a id="link-3" href="http://www.zjmainstay.cn/deep-regexp">正则高级教程</a>
<a id="link-4" href="http://www.zjmainstay.cn/regexp-lookaround">正则环视详解</a>
<a id="link-5" href="http://www.zjmainstay.cn/php-curl">PHP cURL应用</a>
查找：/href="(?=\/)\// 或者 /href="\//
替换：href="http://www.zjmainstay.cn/

将每行数据格式化为一条SQL语句

1
2
3
4
5
6
7
8
9
10
11
需求：将每行特定格式数据格式化为SQL语句
源串：
1 2017-04-11 Zjmainstay
2 2017-04-12 Nobody
3 2017-04-13 Somebody
预期：替换得到
INSERT INTO table_log(`id`, `created_at`, `author`) values('1', '2017-04-11', 'Zjmainstay');
INSERT INTO table_log(`id`, `created_at`, `author`) values('2', '2017-04-12', 'Nobody');
INSERT INTO table_log(`id`, `created_at`, `author`) values('3', '2017-04-13', 'Somebody');
查找：/(\d)\s([\d-]+)\s(\w+)/ 或者 /([0-9])\s([0-9-]+)\s([a-zA-Z]+)/
替换：INSERT INTO table_log(`id`, `created_at`, `author`) values('$1', '$2', '$3');

分组可选

分组可选

1
2
3
4
5
6
7
8
9
10
11
12
需求：判断如果单词以A开头，匹配Apple；如果单词以B开头，匹配Banana；否则匹配Empty
源串：
Angle
Apple
Banana
Best
Empty
预期：匹配
Apple
Banana
Empty
正则：/((?:A)pple)|((?:B)anana)|((?:E)mpty)/

分组可选与分组引用

1
2
3
4
5
6
7
8
9
需求：匹配html标签的属性值，属性值可以由双引号、单引号、无单双引号定界
源串：
<div id="I'm Zjmainstay" class="name" data-year=2017 age='27'>
预期：分组匹配
I'm Zjmainstay
name
2017
27
正则：/["\']([\w\s\']*)["\']/

单字符拆分（数字）

匹配0.00-100.00的数值，可以有0-2位小数

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
需求：匹配0.00-100.00的数值，可以有0-2位小数，不能以小数点结尾，不能以2个以上的0开头
思路：(100|10-99|0-9) + 0-2小数位 + 排除小数点结尾、2个以上0开头的情况
源串：
0
1
0.0
0.00
9.00
18.00
27.0
36.00
45.00
54.00
63.00
72.00
81.00
90.00
99.99
100.00
0.
001
100.01
100.001
101
预期：匹配0.00~100.00
正则：/(?!00)(100|[10-99]|[0-9])*(\.\d{1,2})/m

贪婪模式

贪婪模式，正则会优先尽可能多地匹配能匹配到的内容。当剩余正则匹配剩余部分字符（源串） 但无法满足匹配时，贪婪部分回溯，吐出已匹配的内容，尝试满足剩余部分字符的匹配。

匹配链接中的文件名

1
2
3
4
5
6
7
8
需求：利用贪婪模式，分组1得到每行链接中的文件名
源串：
http://localhost.com/a/b/c/d/file1.txt
https://localhost.com/a/b/file2long.jpg
预期：分组0匹配行数据，分组1匹配文件名
file1.txt
file2long.jpg
正则：/.*\/(.*\..*)/

限定字符贪婪优化匹配性能

1
2
3
4
5
需求：匹配div id="author"的标签内容
源串：
<div id="author" class="author-text something-		useless">Zjmainstay</div>
预期：利用贪婪模式去掉div中的噪点（无关数据），分组1匹配到Zjmainstay
正则：/<div.*>(.*)<\/div>/

非贪婪模式

非贪婪模式，正则会优先尽可能少地匹配能匹配到的内容。当剩余正则匹配剩余部分字符（源 串）但无法满足匹配时，非贪婪部分继续匹配更多内容，尝试满足剩余部分字符的匹配。

匹配p标签内容

1
2
3
4
5
6
需求：匹配p标签内容
源串：
<p>内容1</p><p>内容2</p>
预期：
在分组1中匹配到内容1和内容2
正则：/<p>(.*?)<\/p>/

占用模式(PCRE)

贪婪模式后再加一个+量词，如.++，效果是贪婪而且不回溯。
暂时没有想到应用场景。

|字符分界（|的作用域）

|作为或条件分隔符，它的分隔区间常常存在误用。在使用|字符的过程中，我们常常需要结合 ()来对它进行限定。如，^([0-9]+|[a-z]+)$表示纯数字或纯字母，如果没有()，那它又是 另一种意思了。^[0-9]+|[a-z]+$等价于^[0-9]+或[a-z]+$，因此，它表示数字开头或者 字母结尾，跟我们的需求有了很大的差别。

|字符分界

1
2
3
4
5
6
7
8
需求：在分组1中匹配css或script的链接
源串：
<script src="main.min.js" type="text/javascript"></script>
<link rel="stylesheet" type="text/css" href="main.css">
预期：
main.min.js
main.css
正则：/src="(.*?)"|href="(.*?)"/

元字符转义

元字符，指正则中有特殊意义的字符，如.表示匹配除了换行符以外的任意字符，这个.就是元字符。在正则书写过程中，如果我们真的要匹配这个.，就需要对它进行转义，而不是让它使用正则的含义，比如，匹配域名里的.，我们就要写成/zjmainstay.cn/这样的正则。

元字符转义

1
2
3
4
5
6
7
8
9
10
11
12
需求：表达式格式固定，提取其中的数值
源串：
(20+170)-5*1/5=?
预期：
A:20
B:170
C:5
D:1
E:5
F:?
正则：/\((\d+)\+(\d+)\)-(\d+)\*(\d+)\/(\d+)=(\?)/
替换：($1+$2)-$3*$4/$5=$6

分隔符绕过（PCRE）

有时候，如果该语言支持多种分隔符，在写正则的过程中通常会通过规避分隔符的方式，减少对分隔符的转义，让正则看起来更清晰，写起来更舒服，当然，js中是不支持的。

分隔符绕过

1
2
3
4
5
6
需求：在不对/转义的情况下匹配p标签内容
源串：
<p>内容1</p><p>内容2</p>
预期：
在分组1中匹配到内容1和内容2
正则：@<p>(.*?)</p>@m

匹配溢出排除

匹配溢出，这不是一个术语名词，是我自己的叫法，主要指正则匹配内容超出了我们预期，导致匹配得到非预期的结果。

div标签匹配溢出

1
2
3
4
5
6
7
需求：匹配内容为数字的div
源串：
<div class="aaa bbb">ABC</div><div class="bbb ccc">123</div>
预期：
<div>123</div>
错误正则：/<div.*?>\d+<\/div>/
正则：/<div[^>]*>\d+<\/div>/

多字符排除

1
2
3
4
5
6
7
8
9
需求：匹配不包含某个单词或词语的内容
源串：
http://www.zjmainstay.cn
http://www.baidu.com
http://www.qq.com
预期：
http://www.zjmainstay.cn
http://www.qq.com
正则：/(http:\/\/www.((?!baidu).)+(cn|com))/

多字符排除

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
需求：匹配不包含某个单词或词语的内容
源串：
A("Excalibur", "誓约胜利之剑", LONG_SWORD, (SPFX_NOGEN | SPFX_RESTR | SPFX_SEEK | SPFX_DEFN | SPFX_INTEL | SPFX_SEARCH), 
  0, 0, PHYS(5, 10), DRLI(0, 0), NO_CARY, 0, A_LAWFUL, PM_KNIGHT, NON_PM, 4000L, NO_COLOR);
/*
 * Stormbringer only has a 2 because it can drain a level,
 * providing 8 more.
 */
A("Stormbringer", "兴风者", RUNESWORD,
  (SPFX_RESTR | SPFX_ATTK | SPFX_DEFN | SPFX_INTEL | SPFX_DRLI), 0, 0,
  DRLI(5, 2), DRLI(0, 0), NO_CARY, 0, A_CHAOTIC, NON_PM, NON_PM, 8000L,
  NO_COLOR);
/*
 * Mjollnir will return to the hand of the wielder when thrown
 * if the wielder is a Valkyrie wearing Gauntlets of Power.
 */
A("Mjollnir", "雷神之锤", WAR_HAMMER, /* Mjo:llnir */
  (SPFX_RESTR | SPFX_ATTK), 0, 0, ELEC(5, 24), NO_DFNS, NO_CARY, 0,
  A_NEUTRAL, PM_VALKYRIE, NON_PM, 4000L, NO_COLOR);
A("Cleaver", "撕裂者", BATTLE_AXE, SPFX_RESTR, 0, 0, PHYS(3, 6), NO_DFNS, NO_CARY, 0, A_NEUTRAL, PM_BARBARIAN, NON_PM, 1500L, NO_COLOR);
/*
 * Grimtooth glows in warning when elves are present, but its
 * damage bonus applies to all targets rather than just elves
 * (handled as special case in spec_dbon()).
 */
A("Grimtooth", "邪兽之牙", ORCISH_DAGGER, (SPFX_RESTR | SPFX_WARN | SPFX_DFLAG2),
  0, M2_ELF, PHYS(2, 6), NO_DFNS,
  NO_CARY, 0, A_CHAOTIC, NON_PM, PM_ORC, 300L, CLR_RED);
/*
 * Orcrist and Sting have same alignment as elves.
 *
 * The combination of SPFX_WARN+SPFX_DFLAG2+M2_value will trigger
 * EWarn_of_mon for all monsters that have the M2_value flag.
 * Sting and Orcrist will warn of M2_ORC monsters.
 */
A("Orcrist", "杀兽剑", ELVEN_BROADSWORD, (SPFX_WARN | SPFX_DFLAG2), 0, M2_ORC, PHYS(5, 0), 
  NO_DFNS, NO_CARY, 0, A_CHAOTIC, NON_PM, PM_ELF, 2000L, CLR_BRIGHT_BLUE); /* bright blue is actually light blue */
预期：
Excalibur=誓约胜利之剑
Stormbringer=兴风者
Mjollnir=雷神之锤
Cleaver=撕裂者
Grimtooth=邪兽之牙
Orcrist=杀兽剑
查找：$re = '/"(\w+)"(,)\s"([\x{4e00}-\x{9fa5}]+)"/u';
替换：$subst = '$1=$3';
$result = preg_replace($re, $subst, $str);

环视循环提取格式化

在数据处理过程中，经常遇到一些格式化处理，比如简单地将一批数据格式化为SQL（参考9.2），还有复杂的需要对一行数据的某部分进行循环提取，然后格式化为特定格式。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
需求：循环提取每行数据的分支部分和固定部分，格式化为特定格式
源串：
BBB|CCC|DDD=AAA
FFF|GGG|HHH|III|JJJ|KKK=EEE
预期：
BBB=AAA
CCC=AAA
DDD=AAA
FFF=EEE
GGG=EEE
HHH=EEE
III=EEE
JJJ=EEE
KKK=EEE
查找：/\|(?=.*(=.*))/
替换：$1\\n
$1 表示引用正则表达式第一个子模式

三段论应用

​ 三段论，是本人根据对正则的理解，归纳出来的三句话：定锚点，去噪点，取数据。
锚点，在正则中指^、$、\b这类零宽的位置，这里做了衍生，指能够唯一确定我们目标数据位置的参照点，比如author=Zjmainstay，我们要匹配author属性的数据，则author=就是我们的参照点，通过它，我们能快速写出提取author属性的数据的正则：author=(.+)。

噪点，就是对我们提取数据产生干扰的无关数据，我们在做正则匹配提取数据的过程中，可以选择性的忽略它们。当然，这里的忽略不是指不需要对它们做匹配，而是不需要对它们做精确匹配。比如，正则表达式，我们要提取a标签的url和文本（正则表达式），这时候，a标签上的class、style、title这些属性，对我们来说就没有意义了，它们就是噪点，在匹配过程中我们可以选择性的忽略它们（使用通配符进行匹配消耗掉它们），因此得到正则：<a [^>]?href=”([^”]+)”[^>]>(.*?)

数据，这个当然是指我们需要提取的内容了，如上面锚点举例，我们通过author=(.+)的(.+)对Zjmainstay部分数据进行了提取，因此，匹配结果的分组1（程序语言中的数组下标1）中，就能得到我们的结果。而对于多个数据的提取，如噪点举例，我们只需要针对数据部分进行多个分组（括号）的提取即可。
分组的计数，一般可以数左括号，排除环视和非捕获组的左括号，从1开始，依次加1递增，1,2,3,4….n，不同语言最大分组个数不同，大家在使用过程中自行留意，不过一般用不了那么多分组。
理解了三段论的概念，我们在写正则的过程中，只需要将源串进行分割划分，根据目标数据确定锚点，过滤噪点，提取数据，就能得到我们想要的正则了。

练习题地址