1、正则表达式（五）：浅谈两种匹配操作在正则表达式中，匹配是最最基本的操作。使用正则表达式，换种说法就是“用正则表达式去匹配文本”。但这只是广义的“匹配”，细说起来，广义的“匹配”又可以分为两类：提取和验证。所以，本篇文章就来专门讲讲提取和验证。提取提取可以理解为“用正则表达式遍历整个字符串，找出能够匹配的文本”，它主要用来提取需要的数据，常见的任务有：找出文本中的电子邮件地址，找出HTML代码中的图片地址、超链接地址提取数据时，首先要注意的，就是准确性。准确准确性分为两方面：完整和精确。前者是要提取出需要的所有文本，不能漏过；后者是要保证提取的结果中没有不需要的文本，不可出错。为保证完整，我们需
2、要考虑足够多的变体，覆盖所有情况。一般来说，要提取的数据都只有概念的描述（比如，提取一个电子邮件地址，提取一个身份证号），如果没有拿到完整规范的特征描述，可能只能凭经验总结出几条特征，然后逐步完善，也就是不断考虑新的情况，照顾到各种情况。拿“提取文本中的浮点数字符串”为例。最容易想到的情况，就是3.14、3999.2、0.36之类，也就是“数字字符串 + 小数点 + 数字字符串”，所以用表达式d+.d+，按照我们上一篇文章说过的“与或非”，三个部分都是必须出现的，所以这个表达式似乎是没问题了。d+.d+但是有些时候，0.7是写作.7 的，上面的表达式无法照顾这种情况，所以必须修改表达式：整数部
3、分是可能出现也可能不出现的，所以小数点之前的d+应该改为d*，就成了d*.d+。d*.d+但是且慢，浮点数还包括负数，比如-0.7，但现在这个表达式无法匹配最开始的符号，所以还应该改成-?d*.d+。-?d*.d+但仅仅保证完整性还不够，提取的另一方面是精确，就是排除掉那些“能够由正则表达式匹配，但其实并非期望”的字符串，所以我们还需要仔细观察目前的正则表达式，适当添加限制条件。仍然用上面的正则表达式作例子，-?d*.d+中，-?和d* 都是可能出现的元素，所以它们可能都不出现，这时候表达式能匹配.7之类，没有错；如果只出现了d*能匹配的文本，可以匹配3.14之类，也没有错；但是，如果只出现-
4、? 呢？-.7，通常来说，负的浮点数是应该写作-0.7的，而-.7显然是不合法的。所以，这个表达式应该修改为 (-?d+|d*).d+。(-?d+|d*).d+事情到这里就完整了吗？似乎还不是。我们知道有些地方，日期字符串是“2010.12.22”的形式，如果你要处理的文本中不包含这种日期字符串还好，否则，上面的表达式会错误匹配2010.12.22 或者2010.12.22 。为了避免这种情况，我们需要给表达式加上更多的限制。最直接想法就是，限定表达式两端不能出现点号.，变成(?!“; $matched = preg_match($regex, $string, $oneMatch, PREG
5、_OFFSET_CAPTURE, $lastOffset); 第3种办法是使用迭代器，Python的re.finditer()会得到一个迭代器，每次调用next()，就会获得下一次匹配的结果。这种办法目前只有Python 提供，其它语言尚不具备。代码（以Python 为例）for match in re.finditer(“d+“, “123 45 6“) print match.group(0)验证另一类“匹配”是数据验证，也就是“检查字符串能否完全由正则表达式匹配”，它主要用来测试和保证数据的合法性。比如有些网站要求你设定密码，密码只能由数字或小写字母构成，长度在6到12 个字符之间，如果
6、输入的密码不符合条件，则会提示你修改，这个任务，一般使用JavaScript的正则表达式来完成。初看起来，这也是用正则表达式在字符串中查找匹配文本。但仔细想想，两者又不一样：一般来说，提取时正则表达式匹配的开始/ 结束位置都是不确定的，需要逐次试错，才能决定；验证时，同样需要考虑准确性，但效率并不是重点考虑的因素（一把验证的文本是用户名、手机号、密码之类，不会太长），虽然也要求准确性，但匹配的开始/ 结束位置都是确定的，只要从文本的开头验证即可，不用反复推进-尝试；而且只要发现任何一个“硬性”条件无法满足（比如长度、锚点），即可失败退出。正因为验证操作有这些特点，有些语言中提供了专门的方法进行
7、正则表达式验证。如果没有，我们也可以使用简单的查找功能，只是在正则表达式的首尾加上匹配字符串起始/ 结束位置的锚点来定位，这样既保证表达式匹配的是整个字符串，也可以在无法匹配时尽早判断失败退出。常见语言中的验证方法语言 验证方法 备注Java String.matches(regex)专用于验证，返回boolean值，不需要和$PHP preg_match(regex, string) != 0preg_match返回匹配成功的次数，需要 和$.NET Regex.IsMatch(string, regex)专用于验证，返回boolean值，不需要和$Python re.search(rege
8、x, string) != None成功则返回True，否则返回False ，需要和$re.match(regex, string) != None成功则返回True，否则返回False ，需要$Ruby Regexp.match(text) != nilRegexp.match(text)返回匹配成功的起始位置，若无法匹配则返回nil ，需要和$JavaScriptRegexp.test(string)专用于验证，返回boolean值，需要和$前面说过，在验证时，文本的开始/结束位置是预先知道的，所以验证的表达式编写起来更加简单。比如之前匹配浮点数的表达式，我们首先得到的是(-?d+|d*)
9、.d+，在进行数据提取时，需要在两端加上环视，防止错误匹配其它字符；但是如果是验证浮点数，就不需要考虑两端的环视，应该/不应该出现什么字符，直接在首尾加上和 $即可，所以验证用的表达式是 (-?d+|d*).d+$。我们甚至可以简单将各个条件叠加起来，直接得到最后的表达式，比如下面这个例子：需要验证密码字符串，前期的分析总结出5条明确的规则：下面依次列出对应5条规则的表达式：如果用来提取数据，就必须把这5条规则糅合到一起。前3 条规则比较好办，可以合并为(?!-)0-9A-Za-z-6,12(?!-)$，但它与第4和第5个条件合并都不简单。与第4条规则合并的难点在于，我们无法确定这个0-9出现
10、的位置，如果简单改为 (?!-)0-9A-Za-z-6,120-90-9A-Za-z-6,12(?!-)$，看似正确，却无法保证整个字符串的长度在6-12 之间目前这个表达式的长度在13 （6+1+6 ）到25（12+1+12）之间。这显然有问题，但照这个方式也确实无法保证整个字符串的长度，因为我们无法跨越0-9，为两端0-9A-Za-z- 的量词建立关联，让它们的和为5-11之间。同样，与第5条规则的合并也存在这类问题，因为我们无法确认-的出现位置。看起来，把这5条规则糅合成一个正则表达式，找到能够匹配的文本，真不是件容易的事情。不过，如果我们要做的只是验证，不妨换个思路：我们要匹配的并不是
11、所有的文本，而是文本的开始位置，它后面的文本满足5个条件，而每个条件都可以不用实际匹配任何文本，而用环视来满足。对应5条规则的环视表达式依次是：下面就是寻找这样一个文本起始位置，它后面的文本同时满足这5个条件。实际上，因为锚点并不真正匹配文本，所以多个锚点可以重叠在一起，因此我们完全可以寻找5 个锚点，把它们串联起来：(?=.6, 12$)(?=0-9A-Za-z-*$)(?!-).*(?!-)$)(?=.*0-9)(?!.*-)意思就是：先寻找这样一个字符串起始位置，它之后的字符串满足条件1；然后寻找这样一个字符串其实位置，它之后的字符串满足条件2； 如果能找到5 个这样的字符串起始位置（实
12、际上，因为只有一个字符串起始位置，所以这5 个位置是重叠的），就算验证成功。其实我们也可以不用那么多的括号，只用一个即可：(?=.6, 12$)(?=0-9A-Za-z-*$)(?=(?!-).*(?!-)$)(?=.*0-9)(?!.*-)总结虽然“匹配”是正则表达式的常见操作，但细分起来，“匹配”又可分为提取和验证两种操作。提取时需要照顾准确性和效率，因为此时字符串的起始/结束位置是不确定的，应当添加适当的环视结构，避免匹配了不期望的数据。验证时对效率的要求并不高，因为验证的字符串一般都很短，而且验证的起始/结束位置都是确定的，直接在字符串两端添加和$即可。而且验证有时候要比提取简单得多，我们可以改换思路，改“查找文本”为“查找位置”，针对验证时容许/不容许出现的每一个条件，写出对应的环视功能，作为一个将它们并列在一起。查看文档来源：http:/
