正则掌握程度测试题

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