正则训练营 ｜ 2.正则中的物料：特殊单字符 + 字符组 + 量词 + 量词模式

---

theme: cyanosis
highlight: atom-one-dark

本文正在参加「金石计划 . 瓜分6万现金大奖」

王志远，微医前端技术部

学习脉络

​正则无论是用来获取某段内容，还是看是否匹配某个规则，说到底其实就是对文本信息的获取；对一个庞大东西的处理思路就像做递归

1. 找到最小单元
2. 设定重复

​这样就能避免被大数据量搞到晕头转向了，文本也一样，本质是字符，对字符处理的最小单元自然是单个字符，而重复规模则用量词进行控制，这就迎来了本文的主角团：特殊单字符/字符组和量词。

​字符组决定选择单个字符的规则；量词则决定这个选中规则要处理多少个字符。

​让我们详细展开，就会发现很多像\d、\w之类的老朋友。

特殊单字符（字符组）

基础使用

​对于单字符选择而言，在正则中的术语被称为字符组，接下来我们都会用这个术语，但不要被迷惑，它并不是匹配一组数据，而只是匹配一组数据中的一个字符，这点很关键。

语法： [xxx]

匹配规则： 目标文本需包含【任意一个包含在括号中的元素】

**获取信息规则：**将获取第一个【任意一个包含在括号中的元素】

举例： /[abc]/这个正则将匹配 a、b、c 中的任何一位且只有一位，默认匹配第一位，使用测试平台会得到如下结果

取反逻辑

​正常使用是范围内选取，不过也会出现【除了这些之外】的范围选取，这时就需要用到取反了

语法： [^xxx]

匹配规则： 目标文本需包含【任意一个不包含在括号中的元素】

**获取信息规则：**将获取第一个【任意一个不包含在括号中的元素】

举例： /[^abc]/这个正则将匹配非 a、b、c 中的任何一位且只有一位，默认匹配第一位，使用测试平台会得到如下结果

常用字符组

​八二原则同样适用在字符组中，有很多常见的匹配规则，没必要重复写，于是正则就把这些特殊字符组分别取了个别名

主要分为如下【3+1】概念，三对+一个

使用符号	规则	对应字符组
\d	单个数字	[0-9] （digit 数字）
\D	单个任意非数字	[^0-9]
\w	单个任意数字字母下划线	[0-9a-zA-Z_] 数字字符下划线
\W	单个任意非数字字母下划线	[^0-9a-zA-Z_] 非单词字符
\s	单个任意空白符	[ \t\v\n\r\f] 表示空白符 （空格、水平制表符、垂直制表符、换行符、回车符、换页符）
\S	单个任意非空白符	[^ \t\v\n\r\f]
.	单个除换行符外任意字符	[^\n\r\u2020\u2029] 通配符 除换行符、回车符、行分隔符、段分隔符外任意字符

其他常用字符组

对应字符组	规则
[\d\D] | [\s\S] | [\w\W] | [^]	任意字符

空白字符

​这类字符比较特殊，单独拎出来，方便后期直接使用

​到此，我们也就知道了如何去匹配单个字符，这就是我们的“最小规模”，但一个个匹配肯定是不行，那正则将冗长到难以忍受，所以我们还需要重复，这就是量词的作用。

量词

​这个没有很复杂的东西，唯一要注意的是，正则默认是只匹配一次的，即一次匹配完后就算后文还有符合的内容也不再获取，这涉及到修饰符g，后面再补充；

​看案例就行，我们还是以[abc]作为字符组最小单元来演示。

*号：0-n 次

正则： /[abc]*/

匹配规则： 目标文本无需包含【任意一个包含在括号中的元素】，此匹配规则一定成立

**获取信息规则：**将获取第一段【包含在括号中且连续的元素组】

+号：1+n 次

正则： /[abc]+/

**获取信息规则：**将获取第一段【包含在括号中且连续的元素组】

匹配规则： 目标文本需包含【至少一个包含在括号中的元素】

?号：0 次或 1 次

正则： /[abc]?/

**匹配规则：**此匹配规则一定成立

**获取信息规则：**将获取第一个【任意一个包含在括号中的元素】

{}符号：精确控制次数

​上面其实都属于特殊案例，我们可以通过{}精确控制匹配次数，主要有三个用法

• {m}：必须出现 m 次
• {m, n}：可以出现 m-n 次
• {m,}：至少出现 m 次

我们对这三种情况进行演示，动图如下

至此，我们就完成了对量词规则的学习

量词模式

​对于量词而言，既然存在一个范围，那就存在是取最大值还是最小值的分歧，计算机是死板的，一定要明确的规则才能正确运行，这就涉及到正则模式的设定，在正则中对于这个问题存在三种模式

• 贪婪模式：默认，会尽可能匹配多的内容
• 懒惰模式：量词后面加个?，会尽可能少匹配内容
• 独占模式：量词后面加个+，不触发回溯动作

举例见模式区别

测试用例： aaabb

测试正则：

• 贪婪模式：/a*/
• 懒惰模式： /a*?/

贪婪模式：/a*/

匹配过程：

匹配结果：

对应输出结果： ['aaa','','','']

懒惰模式： /a*?/

匹配过程：

匹配结果：

对应输出结果： ['','a','','a','','a','','','']

补充案例

特殊的模式：独占模式

​贪婪和懒惰很好理解，面向的是量词的范围不确定；量词如果是属于一个不定范围的话（如 1-3），贪婪模式会默认多的去匹配；而懒惰模式则会尽可能少的去匹配。

​而独占模式很特殊，它面向的是回溯问题；在量词的范围不确定情况下，无论是贪婪模式还是懒惰模式，都很有可能发生回溯现象使得匹配成功，而独占模式下则不会发生回溯，会直接返回匹配失败。

**注意：**很多地方是不支持此模式的，需要安装regex模块

下面是python中的处理方式

// 先安装 regex 模块 pip install regex

import regex

regex.findall(r'xy{1,3}z', 'xyyz') # 贪婪模式
regex.findall(r'xy{1,3}?z', 'xyyz') # 懒惰模式
regex.findall(r'xy{1,2}+yz', 'xyyz') # 独占模式

回溯现象

​回溯是指量词的范围不确定情况下，正则引擎会

• 在贪婪模式下，尽可能多的匹配，一旦发生不匹配，就回退跳出此字符组的处理，改为处理下一个字符组，尝试是否匹配
• 在懒惰模式下，尽可能少的匹配，改为处理下一个字符组，一旦发生不匹配，就回退跳出此字符组的处理，尝试是否匹配

回溯案例分析

测试用例： xyyz

测试正则：

• 贪婪模式：/xy{1,3}z/
• 懒惰模式： /xy{1,3}?z/
• 独占模式： /xy{1,3}+z/

贪婪模式下回溯现象

​在匹配时，y{1,3}会尽可能长的匹配

1. 在完成匹配xyy时，会继续尝试匹配第三个y，但匹配到了z
2. 失败了，于是正则就会向前回溯吐出z
3. 然后用正则中的z去匹配，匹配成功
4. 处理结束

懒惰模式下回溯现象

​在匹配时，y{1,3}?会尽可能短的匹配

1. 在完成匹配xy时，就会结束这个字符组的匹配
2. 然后用z去匹配，匹配到了y
3. 失败了，于是正则就会向前回溯吐出y
4. 然后用正则中的y{1,3}?去匹配，匹配成功，会再一次结束这个字符组的匹配；
5. 然后用z去匹配，匹配成功
6. 处理结束。

独占模式下回溯逻辑的处理

​在匹配时，y{1,3}会尽可能长的匹配，但一失败，不会回溯，而是会返回失败

1. 在完成匹配xyy时，会继续尝试匹配第三个y，但匹配到了z
2. 失败了，直接返回失败

正则回溯引发的血案

​这里我们挑选一个比较出名的，是阿里技术微信公众号上的发文。Lazada 卖家中心店铺名 检验规则比较复杂，名称中可以出现下面这些组合:

1. 英文字母大小写;
2. 数字;
3. 越南文;
4. 一些特殊字符，如“&”，“-”，“_”等。

阿里负责的开发在开发过程中使用了正则来实现店铺名称校验，如下所示:

^([A-Za-z0-9._()&'\- ]|[aAàÀảẢãÃáÁạẠăĂằẰẳẲẵẴắẮặẶâÂầẦẩẨẫẪấẤậẬbBcCdDđĐeEèÈẻẺẽẼéÉẹẸêÊềỀểỂễỄếẾệỆfFgGhHiIìÌỉỈĩĨíÍịỊjJkKlLmMnNoOòÒỏỎõÕóÓọỌôÔồỒổỔỗỖốỐộỘơƠờỜởỞỡỠớỚợỢpPqQrRsStTuUùÙủỦũŨúÚụỤưƯừỪửỬữỮứỨựỰvVwWxXyYỳỲỷỶỹỸýÝỵỴzZ])+$

可以简化为

 ^([符合要求的组成 1]|[符合要求的组成 2])+$

​需要留意的是，正则中有个加号(+)，表示前面的内容出现一到多次，进行贪婪匹配， 这样会导致大量回溯，占用大量 CPU 资源，引发线上问题，我们只需要将贪婪模式改成独 占模式就可以解决这个问题。

总结

​在正则的元字符中，根据【最小规模+重复】思路

• 通过字符组我们得知了如何设定选择单个字符的规则
• 通过量词我们将单个字符的处理范围扩大化
• 通过量词模式我们解决了范围的歧义问题

让我们用一个题目来强化学习吧！

文末思考

手机号的组成规则

1. 第 1 位固定为数字 1;
2. 第 2 位可能是 3，4，5，6，7，8，9;
3. 第 3 位到第 11 位我们认为可能是 0-9 任意数字。

请写出匹配正则

参考答案：/^1[3-9]\d{9}&/