gitbook/正则表达式入门课/docs/250629.md

157 lines
11 KiB
Markdown
Raw Normal View History

2022-09-03 22:05:03 +08:00
# 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 \\zPython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。