《精通正则表达式》（第 3 版）¶

Reference¶

交互式入门：https://regexlearn.com/zh-cn

可视化工具

• https://regex-vis.com/
• https://regexper.com/

正则验证：

• https://regex101.com/
• https://regexr.com/

Basic¶

元字符与优先级¶

零宽断言¶

正向预查（Lookahead）和反向预查（Lookbehind）分别表示向前和向后探查匹配，使用临时指针完成探查。

零宽断言（Lookaround，包括 Lookahead 和 Lookbehind）不消耗字符，这也就是零宽的含义。通常用于根据字符串中其他部分的内容来匹配文本，但无需将那些内容包含在匹配结果中。比如密码强度验证、货币格式校验、Email 格式校验、HTML 标签内容提取、注释提取等。

捕获组与引用¶

使用捕获组的代价是匹配的字符需要存储在内存中，大量捕获会降低效率。如果只是匹配，而不需要反向引用，使用非捕获组(?:exp)可以提高效率。

在某些语言（如 Python）和工具中，启用“忽略模式里的空白符”选项，在编写表达式时能任意的添加空格，Tab，换行，而实际使用时这些都将被忽略。如下所示。

(?<=    # 断言要匹配的文本的前缀
<(\w+)> # 查找尖括号括起来的内容
        # (即 HTML/XML 标签)
)       # 前缀结束
.*      # 匹配任意文本
(?=     # 断言要匹配的文本的后缀
<\/\1>  # 查找尖括号括起来的内容
        # 查找尖括号括起来的内容
)       # 后缀结束

锚点与修饰符¶

不开启 m 模式时，^和$只匹配整个字符串的开始和结束，开启后则匹配每行的开始和结束

# /^Line/g
Line\n <- Matched
Line\n
Line

# /Line$/g
Line\n
Line\n
Line   <- Matched

# /^Line/gm
Line\n <- Matched
Line\n <- Matched
Line   <- Matched

# /Line$/gm
Line\n <- Matched
Line\n <- Matched
Line   <- Matched

Tips¶

• ^[abc] 表起始位置为 a 或 b 或 c，[^abc] 表排除指定字符 abc。
• 元字符是否需要转义取决于上下文，如-在[]内需要被转义或放在开头，在[]外则不需要；?*+$在[]外需要被转义，在[]内则不需要。
• [abc]和(a|b|c)作用一样，但[]只能匹配单字符，而(|)可以匹配多字符，如(a1|b2|c3)
• 正则性能优化分为以下两方面（注意性能优化要兼顾可读性）：
  • 步骤
    • 表达式的复杂度
    • 回溯：回溯是导致性能下降的主要原因。回溯是正则表达式引擎在匹配失败时的一种机制，当正则表达式中的某个部分 (例如，一个分支、一个量词、捕获组) 匹配失败时，引擎会“回溯”到之前的状态，尝试不同的匹配路径。例如 a* 引擎可能尝试匹配零个、一个、两个或更多个 "a"。 如果某个选择导致后续匹配失败，引擎会回溯到之前的状态，选择其他数量的 "a”。
    • 贪婪/非贪婪：贪婪量词 (*, +) 会导致更多的回溯。 它们会尽可能多地匹配字符，如果后续的匹配失败，就会回溯来减少匹配的字符数量。非贪婪量词 (*?, +?) 会减少回溯。 它们会尽可能少地匹配字符，减少回溯的次数。
    • 避免量词嵌套: 量词的嵌套可能会导致指数级的回溯
    • 选择结构 (|)：更具体的模式放在前面，减少选择的次数
    • 字符类: 使用字符类 (例如, \d, \w) 代替复杂的字符组合
    • 使用锚点: 使用锚点 (例如 ^, $, \b) 可以帮助引擎更快地定位匹配的起始位置
    • 避免过度使用捕获组: 非捕获组 (?:exp) 更好
  • 内存
    • 捕获组: 捕获组会存储匹配到的字符，占用内存
    • 字符串的长度: 匹配的字符串越长，消耗的内存越多
    • 引擎的实现: 不同的引擎有不同的内存管理方式
• .Net 平衡组可匹配 HTML 标签和配对符（{[()]}）

Examples¶

支持正则表达式的 Linux 命令¶

DFA & NFA¶

搜索时（如 grep）使用 DFA 与 NFA 结合：尽可能使用 DFA，只有在使用反向引用时再切换到 NFA。

Backtracking¶

评论