157 lines
11 KiB
Markdown
157 lines
11 KiB
Markdown
|
# 04 | 匹配模式:一次性掌握正则中常见的4种匹配模式
|
|||
|
|
|||
|
你好,我是涂伟忠。今天我们一起来学习正则中的匹配模式(Match Mode)。
|
|||
|
|
|||
|
所谓匹配模式,指的是正则中一些**改变元字符匹配行为**的方式,比如匹配时不区分英文字母大小写。常见的匹配模式有4种,分别是不区分大小写模式、点号通配模式、多行模式和注释模式。我们今天主要来讲一下这4种模式。
|
|||
|
|
|||
|
需要注意的是,这里的“模式”对应的是英文中的mode,而不是pattern。有些地方会把正则表达式pattern也翻译成模式,你在网上看到的技术文章中讲的正则模式,有可能指的是正则表达式本身,这一点你需要注意区别。
|
|||
|
|
|||
|
## 不区分大小写模式(Case-Insensitive)
|
|||
|
|
|||
|
首先,我们来看一下不区分大小写模式。它有什么用呢?学一个知识的时候,我一般喜欢先从它的应用出发,这样有时候更能激发我学习的兴趣,也更容易看到学习成果。
|
|||
|
|
|||
|
下面我来举个例子说明一下。在进行文本匹配时,我们要关心单词本身的意义。比如要查找单词cat,我们并不需要关心单词是CAT、Cat,还是cat。根据之前我们学到的知识,你可能会把正则写成这样:**\[Cc\]\[Aa\]\[Tt\]**,这样写虽然可以达到目的,但不够直观,如果单词比较长,写起来容易出错,阅读起来也比较困难。
|
|||
|
|
|||
|
![](https://static001.geekbang.org/resource/image/33/9d/334501a163b809125f62821edb1cfb9d.png)
|
|||
|
|
|||
|
那么有没有更好的办法来实现这个需求呢?这时候不区分大小写模式就派上用场了。
|
|||
|
|
|||
|
我们前面说了,不区分大小写是匹配模式的一种。当我们把**模式修饰符**放在整个正则前面时,就表示整个正则表达式都是不区分大小写的。模式修饰符是通过**(?模式标识)**的方式来表示的。 我们只需要把模式修饰符放在对应的正则前,就可以使用指定的模式了。在不区分大小写模式中,由于不分大小写的英文是Case-**I**nsensitive,那么对应的模式标识就是 I 的小写字母 i,所以不区分大小写的 cat 就可以写成 **(?i)**cat。
|
|||
|
|
|||
|
![](https://static001.geekbang.org/resource/image/f3/01/f30f895ed1754e1d1a576a59835b9701.png)
|
|||
|
|
|||
|
你看,和**\[Cc\]\[Aa\]\[Tt\]** 相比,这样是不是清晰简洁了很多呢?
|
|||
|
|
|||
|
我们也可以用它来尝试匹配两个连续出现的 cat,如下图所示,你会发现,即便是第一个 cat 和第二个 cat 大小写不一致,也可以匹配上。
|
|||
|
|
|||
|
![](https://static001.geekbang.org/resource/image/ee/e0/eeb074edfd6d052407130311aff8cae0.png)
|
|||
|
|
|||
|
我给到了你一个测试链接,你可以在这里试试不区分大小写模式:
|
|||
|
|
|||
|
[https://regex101.com/r/x1lg4P/1](https://regex101.com/r/x1lg4P/1)。
|
|||
|
|
|||
|
如果我们想要前面匹配上的结果,和第二次重复时的大小写一致,那该怎么做呢?我们只需要用括号把**修饰符和正则cat部分**括起来,加括号相当于作用范围的限定,让不区分大小写只作用于这个括号里的内容。同样的,我在[这里](https://regex101.com/r/x1lg4P/2)给你放了一个测试链接,你可以自己看一下。
|
|||
|
|
|||
|
![](https://static001.geekbang.org/resource/image/b6/7e/b630d1374a88eb1591f223e86f11c37e.png)
|
|||
|
需要注意的是,这里正则写成了 ((?i)cat) \\1,而不是((?i)(cat)) \\1。也就是说,我们给修饰符和cat整体加了个括号,而原来 cat 部分的括号去掉了。如果 cat 保留原来的括号,即 ((?i)(cat)) \\1,这样正则中就会有两个子组,虽然结果也是对的,但这其实没必要。在上一讲里我们已经讲解了相关的内容,如果忘记了你可以回去复习一下。
|
|||
|
|
|||
|
到这里,我们再进阶一下。如果用正则匹配,实现部分区分大小写,另一部分不区分大小写,这该如何操作呢?就比如说我现在想要,the cat 中的 the 不区分大小写,cat 区分大小写。
|
|||
|
|
|||
|
通过上面的学习,你应该能很快写出相应的正则,也就是 (**(?i)**the) cat。实现的效果如下:
|
|||
|
|
|||
|
![](https://static001.geekbang.org/resource/image/80/7e/802f69e2c0fddf341ada804c20a8767e.png)
|
|||
|
|
|||
|
我把部分区分大小写,部分不区分大小写的测试链接放在[这里](https://regex101.com/r/x1lg4P/3),你可以看一下。
|
|||
|
|
|||
|
有一点需要你注意一下,上面讲到的通过**修饰符指定匹配模式**的方式,在大部分编程语言中都是可以直接使用的,但在 JS 中我们需要使用 /regex/**i** 来指定匹配模式。在编程语言中通常会提供一些预定义的常量,来进行匹配模式的指定。比如 Python 中可以使用 re.IGNORECASE 或 re.I ,来传入正则函数中来表示不区分大小写。我下面给出了你一个示例,你可以看一下。
|
|||
|
|
|||
|
```
|
|||
|
>>> import re
|
|||
|
>>> re.findall(r"cat", "CAT Cat cat", re.IGNORECASE)
|
|||
|
['CAT', 'Cat', 'cat']
|
|||
|
|
|||
|
```
|
|||
|
|
|||
|
到这里我简单总结一下不区分大小写模式的要点:
|
|||
|
|
|||
|
1. 不区分大小写模式的指定方式,使用模式修饰符 (?i);
|
|||
|
2. 修饰符如果在括号内,作用范围是这个括号内的正则,而不是整个正则;
|
|||
|
3. 使用编程语言时可以使用预定义好的常量来指定匹配模式。
|
|||
|
|
|||
|
## 点号通配模式(Dot All)
|
|||
|
|
|||
|
在基础篇的第一讲里,我为你讲解了元字符相关的知识,你还记得英文的点(.)有什么用吗?它可以匹配上任何符号,但不能匹配换行。当我们需要匹配真正的“任意”符号的时候,可以使用 \[\\s\\S\] 或 \[\\d\\D\] 或 \[\\w\\W\] 等。
|
|||
|
|
|||
|
![](https://static001.geekbang.org/resource/image/e2/84/e2184c4583ff4f32a14c1cb6f1bc9184.png)
|
|||
|
|
|||
|
但是这么写不够简洁自然,所以正则中提供了一种模式,让英文的点(.)可以匹配上包括换行的任何字符。
|
|||
|
|
|||
|
这个模式就是**点号通配模式**,有很多地方把它称作单行匹配模式,但这么说容易造成误解,毕竟它与多行匹配模式没有联系,因此在课程中我们统一用更容易理解的“点号通配模式”。
|
|||
|
|
|||
|
单行的英文表示是 **S**ingle Line,单行模式对应的修饰符是 **(?s)**,我还是选择用the cat来给你举一个点号通配模式的例子。如下图所示:
|
|||
|
|
|||
|
![](https://static001.geekbang.org/resource/image/59/52/59b4b56c3d5852b3412185dc3a3de052.png)
|
|||
|
|
|||
|
需要注意的是,JavaScript不支持此模式,那么我们就可以使用前面说的\[\\s\\S\]等方式替代。在Ruby中则是用Multiline,来表示点号通配模式(单行匹配模式),我猜测设计者的意图是把点(.)号理解成“能匹配多行”。
|
|||
|
|
|||
|
## 多行匹配模式(Multiline)
|
|||
|
|
|||
|
讲完了点号通配模式,我们再来看看多行匹配模式。通常情况下,`^`匹配整个字符串的开头,$ 匹配整个字符串的结尾。多行匹配模式改变的就是 `^` 和 $ 的匹配行为。
|
|||
|
|
|||
|
![](https://static001.geekbang.org/resource/image/09/b9/09cbdacb73c7c66423a878f452c87fb9.png)
|
|||
|
|
|||
|
多行模式的作用在于,使 ^ 和 $ 能匹配上**每行**的开头或结尾,我们可以使用模式修饰符号 (?m) 来指定这个模式。
|
|||
|
|
|||
|
![](https://static001.geekbang.org/resource/image/e3/19/e3bf8bd8f9d594472a940d4a7e4f2f19.png)
|
|||
|
|
|||
|
这个模式有什么用呢?在处理日志时,如果日志以时间开头,有一些日志打印了堆栈信息,占用了多行,我们就可以使用多行匹配模式,在日志中匹配到以时间开头的每一行日志。
|
|||
|
|
|||
|
值得一提的是,正则中还有 \\A 和 \\z(Python中是 \\Z) 这两个元字符容易混淆,\\A 仅匹配整个字符串的开始,\\z 仅匹配整个字符串的结束,在多行匹配模式下,它们的匹配行为不会改变,如果只想匹配整个字符串,而不是匹配每一行,用这个更严谨一些。
|
|||
|
|
|||
|
## 注释模式(Comment)
|
|||
|
|
|||
|
在实际工作中,正则可能会很复杂,这就导致编写、阅读和维护正则都会很困难。我们在写代码的时候,通常会在一些关键的地方加上注释,让代码更易于理解。很多语言也支持在正则中添加注释,让正则更容易阅读和维护,这就是正则的注释模式。正则中注释模式是使用(?#comment) 来表示。
|
|||
|
|
|||
|
比如我们可以把单词重复出现一次的正则 (\\w+) \\1 写成下面这样,这样的话,就算不是很懂正则的人也可以通过注释看懂正则的意思。
|
|||
|
|
|||
|
```
|
|||
|
(\w+)(?#word) \1(?#word repeat again)
|
|||
|
|
|||
|
```
|
|||
|
|
|||
|
![](https://static001.geekbang.org/resource/image/44/ef/44f064fc587d5e5fd3538849b78039ef.png)
|
|||
|
|
|||
|
在很多编程语言中也提供了x模式来书写正则,也可以起到注释的作用。我用Python3给你举了一个例子,你可以参考一下。
|
|||
|
|
|||
|
```
|
|||
|
import re
|
|||
|
|
|||
|
regex = r'''(?mx) # 使用多行模式和x模式
|
|||
|
^ # 开头
|
|||
|
(\d{4}) # 年
|
|||
|
(\d{2}) # 月
|
|||
|
$ # 结尾
|
|||
|
'''
|
|||
|
|
|||
|
re.findall(regex, '202006\n202007')
|
|||
|
# 输出结果 [('2020', '06'), ('2020', '07')]
|
|||
|
|
|||
|
```
|
|||
|
|
|||
|
需要注意的是在x模式下,所有的换行和空格都会被忽略。为了换行和空格的正确使用,我们可以通过把空格放入字符组中,或将空格转义来解决换行和空格的忽略问题。我下面给了你一个示例,你可以看看。
|
|||
|
|
|||
|
```
|
|||
|
regex = r'''(?mx)
|
|||
|
^ # 开头
|
|||
|
(\d{4}) # 年
|
|||
|
[ ] # 空格
|
|||
|
(\d{2}) # 月
|
|||
|
$ # 结尾
|
|||
|
'''
|
|||
|
|
|||
|
re.findall(regex, '2020 06\n2020 07')
|
|||
|
# 输出结果 [('2020', '06'), ('2020', '07')]
|
|||
|
|
|||
|
```
|
|||
|
|
|||
|
## 总结
|
|||
|
|
|||
|
最后,我来给你总结一下,正则中常见的四种匹配模式,分别是:不区分大小写、点号通配模式、多行模式和注释模式。
|
|||
|
|
|||
|
1. 不区分大小写模式,它可以让整个正则或正则中某一部分进行不区分大小写的匹配。
|
|||
|
2. 点号通配模式也叫单行匹配,改变的是点号的匹配行为,让其可以匹配任何字符,包括换行。
|
|||
|
3. 多行匹配说的是 ^ 和 $ 的匹配行为,让其可以匹配上每行的开头或结尾。
|
|||
|
4. 注释模式则可以在正则中添加注释,让正则变得更容易阅读和维护。
|
|||
|
|
|||
|
![](https://static001.geekbang.org/resource/image/f3/a5/f36c2bca74f9bfcc54bb3e4ed53d4aa5.png)
|
|||
|
|
|||
|
## 思考题
|
|||
|
|
|||
|
最后,我们来做一个小练习吧。HTML标签是不区分大小写的,比如我们要提取网页中的head 标签中的内容,用正则如何实现呢?
|
|||
|
|
|||
|
![](https://static001.geekbang.org/resource/image/74/69/74504bef5656171815b42899f1600969.png)
|
|||
|
|
|||
|
你可以动手试一试,用文本编辑器或你熟悉的编程语言来实现,经过不断练习你才能更好地掌握学习的内容。
|
|||
|
|
|||
|
今天的课程就结束了,希望可以帮助到你,也希望你在下方的留言区和我参与讨论。也欢迎把这篇文章分享给你的朋友或者同事,一起交流一下。
|
|||
|
|