最实用的RegExp(正则表达式)技巧

我并不经常使用RegExp，一旦需要，我会使用多种方法。

注意：此博客文章使用JavaScript作为示例，但并不是只有JavaScript才可以使用这些技巧。

我们时常需要从一大段文本中提取出带引号的字符串、HTML标签或是大括号之间的内容。尽管写一些适当的分析程序会使代码更加健壮、更易于维护和可读，但我们经常选择正则表达式（或简称RegExp），因为你只需要搜索现成的RegExp并使用它就行。你在网络上找到的基于RegExp的解决方案都不是最优的，并且很难读懂它们的工作原理。

简便方法

让我们来看一下提取字符串的例子；你面临的情况可能是，需要从一段 JavaScript中，提取出带引号的字符串：

输入：console.log("Hello world!"); console.log("Hello back!");
理想的匹配：['"Hello world!"', '"Hello back!"']

刚接触到RegExp的人可能会想是/".*"/gus完成了提取工作，让我们来仔细分析这个RegExp的含义：

/…/gus ——在JavaScript（以及许多其他语言）中RegExp以斜线分隔，后跟模式标志。g表示在同一个字符串中可能有多个匹配，我们对它们都感兴趣。u能够将模式视为Unicode，这通常来说更有意义；s允许.匹配\n。

" ——匹配一个"字符

. ——匹配任何字符

* ——重复最后一次操作符0次或多次

" ——再一次匹配一个"字符

注意：在JavaScript中，s和u都是相当新的标志，可能不是所有的浏览器都会支持。

在我们的输入字符串中运行这个RegExp会产生一个意想不到的结果： "Hello world!"); console.log("Hello back!" 这就是计算机“在技术上是正确的”的情况——这个字符串两端确实有引号，并且在这之间确有一段的任意字符，但并没有达到我们想要的效果。

我最经常看到的解决方案是人们切换到“non-greedy”模式*：

/".*?"/gus

这里的RegExp和上面那个相似，但是它却让*通配符尽量少的去匹配字符（即non-greedy,非贪婪模式），以此来得到我们期望的结果.

就个人而言，我对非贪婪模式的匹配存在信任问题，更关键的是：在console.log("Hello \"world\"!");上运行正则表达式会发生什么呢？

显然没有达到效果。

诀窍

反斜杠背叛了我们！所以现在怎么办？这就是我即将要说的诀窍了，我将我的RegExp告诉你，而且会向你展示我是如何做到的：/"([^"\\]|\\.)*"/gus

没错，我们只是用了RegExp中的一个，漂亮不？

第一个问题是，虽然/".*?"/gus能够起一点作用，但还是没能达到我们的目的。我们并不想得到双引号间的任何字符，只需要双引号。如何做到这一点呢？在RegExps中，你可以使用字符组来匹配整个字符集：

[abc]——匹配所包含的任意一个字符，如a,b,c;

[a-z]——匹配 ‘a’ 到 ‘z’ 范围内的任意小写字母字符；

[^abc]——匹配除a,b,c外的任何字符；

考虑到这一点，我们可以在没有非贪婪匹配的情况下编写我们的原始RegExp：

/"[^"]*"/gus

但是，这仍然不能解决反斜杠问题。为此，我们需要强调上面提到的问题：我们想要的是双引号而并非双引号间的任何字符，但如果是一个反斜线，我们将忽略其后的字符。 这让我们回到了神秘的原始RegExp（为分组添加了一些空间）：

/"   (   [^"\\]   |   \\.   )*   "/gus

(...|...) ——匹配列出的选项中的任意一个，用 | 分界（此项中只有两个选项）；

[^"\]——匹配除双引号和反斜线之外的任意字符；

\. ——匹配一个反斜线和其后的任何单字符

这里的诀窍是提供两个互斥的选择方案。第一种方案不能匹配双引号。如果一个带有双引号的字符串应当匹配这个RegExp，那么第二个选择必须是与之匹配的字符串，只有在前面加上反斜杠时才会发生这种情况。

你看，这个RegExp甚至可以匹配字符串中溢出的引号！

真的是酷毙了！

奖励：HTML标签

HTML标签是非常有趣的，因为它的(无限数量的)闭合字符">"在转义之后并不包含原字符">"（而是类似>）。因此，在大多数情况下，正则表达式“/<[^>]*>/”可以完成匹配标签的作用。

直到你在属性值中使用">"字符！

输入<a href="javascript:alert('>');" target="_blank">lol</a>
理想输出: <a href="javascript:alert('>');" target="_blank">

为了处理这种情况，我们必须两次使用我们的新技巧。结束标记“ >”出现在HTML标记中的唯一方法是包含在一个字符串中。因此我们的第一个选项将接受任除结束标签和双引号外的任何内容。第二个是我们之前的字符串 RegExp：

/<([^>"]| string RegExp )*>/gus

或者将它写完整：

/<([^>"]|"([^"\\]|\\.)*")*>/gus

很难懂吧？但它确实起作用了！

部分建议

这是 Jamie Zawinski的名言为何这么出名的原因之一：

有些人在面对难题时，会想“我将使用正则表达式来解决它”，之后他们就有了两个难题。

RegExp往往很快就能造成难以维系的混乱，因此我们应当谨慎的使用它。请记住，大多数语言的语法都不能使用RegExp进行分析。但最重要的是：最好不要自作聪明，而应该用简单的方法调用来进行字符串操作。

翻译：看雪翻译小组 Logdty

校对：看雪翻译小组 StrokMitream

[培训]《安卓高级研修班(网课)》月薪三万计划，掌握调试、分析还原ollvm、vmp的方法，定制art虚拟机自动化脱壳的方法