javascript之正则表达式

转载：http://omiga.org/blog/archives/714

javascript之正则表达式

定义

在javascript我们可以通过内建的类来定义一个正则表达式。

var reName = new RegExp("omiga");

实际上RegExp类的构造函数可以接受两个参数，除了本身需要匹配的模式字符串外，还可以定义指定额外处理方式的第二个参数。

var reName = new RegExp("omiga","i");　//忽略大小写

我很好奇输出reName会得到什么结果呢？于是：

document.write(reName);

得到结果：/omiga/i，于是我们得到javascript中正则表达式的第二种定义方法（perl风格）：

var reName = /omiga/;

那第二个参数呢？当然，同样可以为其指定第二个参数：

var reName = /omiga/i;

这两种定义方式都是可行的，完全可以根据个人习惯进行选择。就像可以使用var s = new String(“for a simple life”);定义字符串的同时还可以使用var s = “for a simple life”;来定义是完全相同的。建议使用perl风格的写法，除了简洁外，还省去了使用RegExp构造函数定义时需要对“\”转义的麻烦。

如果要匹配字符“\”，perl风格的写法是：

var res = /\\/;

而构造函数的写法则需要对两个“\”都进行转义：

var res = new RegExp("\\\\");

感觉上是不是就麻烦了很多？

记住，在一个完整的正则表达式中“\”后面总是跟着另外一个字符。

javascript中的正则表达式

其实上面已经在开始讲了javascript对正则表达式的实现方式了，只定义了正则表达式，但是如何在javascript中真正使用正则表达式呢？在javascript中RegExp和String对象都有处理正则表达式的方法。

• test RegExp的test方法用来测试字符串是否匹配给出的匹配模式，返回布尔值；
• exec RegExp的exec方法返回包含第一个匹配的的数组或null；
• match String的match方法返回包含所有匹配子字符串的数组；
• replace String的replace方法完成string的替换操作，支持正则表达式；
• search 与String的indexof方法类似，不同的是search支持正则表达式，而不仅仅是字符串；
• split 按照一定规则拆分字符串并将子字符串存储到数组中的String方法。

关于这些函数的具体使用方法，可以参阅JS的相关函数手册。

一个实例对象除了方法当然还有属性，一个正则表达式有以下属性：

• global 布尔值，若全局选项g已设置则返回true，否则返回false；
• ignoreCase 布尔值，若忽略大小写选项i已设置则返回true，否则返回false；
• lastIndex 整数，使用exec或test方法时被填入，表示下次匹配将会从哪个字符位置开始；
• multiline 布尔值，表示多行模式选项m是否设置，若设置则返回true，否则返回false；
• source 正则表达式的元字符串形式。/\\/的source将返回”\\“。

元字符

在正则表达式中有一些特殊的字符符号我们是不能直接使用的，必须对其进行转义后才能使用。如“\”，因为这些字符在正则表达式中有特殊的语法含义，这类字符被称为元字符，正则表达式中的元字符有：

.,\,/,*,?,+,[,(,),],{,},^,$,|

可能不太好记忆，当无法确定某个字符是否是元字符的时候就勇敢的对其进行转义是没有错的，对不是元字符的字符进行转义是不会出什么问题的，但是如果不对元字符转义就会有意想不到的错误产生了。

分组匹配

一个简单的字符就可以是一个匹配模式，但是现实情况往往不会这么简单。比如我们要匹配一个0-9的数字：

var i = 5;var j = 6;

这个正则表达式要如何书写才能同时匹配这两个数字呢？简单的字符表达式当然无法完成了，这个时候我们就可以为0-9十个数字来定义一个字符集合（字符类）来进行匹配。

var reNum = /[0123456789]/;document.write(reNum.test(i)); //truedocument.write(reNum.test(j)); //true

使用test方法测试匹配结果都输出了true。

范围匹配

上一个例子使用了分组匹配，但是如果要匹配所有26个英文字母，还要包括大小写，仍然可以使用分组匹配：

var reLetter = /abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ/;

恩，这个正则表达式是完全正确的，但是是不是感觉太长了，有没有办法让它更为简洁一点？当然是有的，为字符或数字指定一个匹配范围就可以了。

var reNum = /[0-9]/;var reLetter = /[a-zA-Z]/;

这样就可以了，“-”用来定义一个匹配区间，字符的具体顺序由ASCII字符表确定，所以不能写成/A-z/，因为Z-a之间还包含着其他字符。

取非匹配

很多编程语言中都使用“！”取非操作，包括javascript。正则表达式中也有取非操作，比如/[^0-9]/就是一个取非操作的正则表达式了。

var i = 5;var s = "o";var rec = /[^0-9]/;document.write(rec.test(i)); //falsedocument.write(rec.test(s)); //true

符号^用来完成取非操作，同时^0-9也是必须包含在[]中的，因为^其实还有另外一种特殊用途。

特殊字符

可能你觉得/[a-zA-Z]/，/[0-9]/还是不够简洁，的确，在正则表达式中一些特定的字符集合可以使用一些特殊的元字符来代替。这些特殊的字符并不是必不可少的，但是却可以给我们带来不少方便。/[0-9]/就完全可以写成这样：

var reNum = /\d/;

那大小写字母字符类呢？很遗憾，除了POSIX字符类（javascript不支持POSIX字符类）中有支持大小写字母的特殊字符类外并没有专门替代方法。

常见的特殊字符有：

• \d　任何一个数字字符，等价于[0-9]
• \D　任何一个非数字字符，等价于[^0-9]
• \w　任何一个字母数字或下划线字符，等价于[a-zA-Z_]
• \W　任何一个非字母数字和下划线字符，等价于[^a-zA-Z_]
• \s　任何一个空白字符，包括换页符、换行符、回车符、制表符和垂直制表符，等价于[\f\n\r\t\v]
• \S　任何一个非空白字符，等价于[^\f\n\r\t\v]
• .　换行和回车以外的任何单个字符，等价于[^\n\r]

相同字母大小写总是进行取非操作的。

十六进制和八进制字符

在正则表达式中使用十六进制或八进制字符也是完全可行的，他们所匹配的字符即是由其转换成十进制后的数值在ASCII中所对应的字符。

var reAt = /\x40/; //十六进制字符\x40(64)对应字符“@”var reA = /\0101/; //八进制字符\0101(65)对应字符“A”

重复匹配

以匹配一个email地址为例，[e-mail]这样的一个email地址必须包括一个合法的用户名mymail，@符号以及一个合法的域。其中用户名和域名的字符个数都是无法判断的，但是有一点是肯定的——用户名必须至少是一个字符，域名至少是两个字符中间还必须有一个点号。于是我们可以这样做：

var reMail = /\w+@\w+\.\w+/i;var email = "[e-mail]";document.write(reMail.test(email)); //true

“+”表示字符出现一次或多次，至少出现一次。这个正则表达式其实并不能匹配所有合法的email地址，后面我们继续完善。

除了“+”可以指定至少匹配一次外，还有很多其他的可以指定匹配次数的方式。

• ?　出现零次或一次，最多一次
• *　出现任意次（零次、一次、多次）
• +　出现一次或多次，至少一次
• {n}　能且只能出现n次
• {n,m}　至少出现n次，最多出现m次

www.gogle.com，www.google.com，www.gooogle.com这三个网址都能正确地打开google的首页，于是就可以用{n,m}匹配其中的1个，2个或3个字母”o”。

var gogle = "www.gogle.com";var google = "www.google.com";var gooogle = "www.gooogle.com";var reGoogle = /w{3}\.go{1,3}gle\.com/i;document.write(reGoogle.test(gogle)); //truedocument.write(reGoogle.test(google)); //truedocument.write(reGoogle.test(gooogle)); //true

在上面的正则表达式中，我们使用了{3}来制定字符“w”能且只

能出现3次，用{1,3}来制定字母“o”可以出现1到3次。

防止过度匹配

有这样一段HTML文本：

var html = "<em>omiga</em>for a simple life<em>http://omiga.org/</em>";

如果现在要讲<em></em>及其中间的文本匹配出来，正则表达式可以这样写：

var reEm1 = /<em>.*<\/em>/gi;document.write(html.match(reEm1)); //"<em>omiga</em>for a simple life<em>http://omiga.org/</em>"var reEm2 = /<em>.*?<\/em>/gi;document.write(html.match(reEm2)); //<em>omiga</em>,<em>http://omiga.org/</em>

当使用贪婪模式的时候，”.*”会最大程度地进行字符匹配，所以输出了整个字符串。而在惰性模式中，”.*?”只进行最小限度的匹配，所以完整的输出了我们需要的字符串。

惰性模式的语法很简单，即是在贪婪模式后面加上一个“?”即可。

• * –> *?
• + –> +?
• {n,} –> {n,}?

位置匹配

var s = “_Don’t do it!”;

如何将单词“do”匹配出来？it’s easy!

var reDo = /do/gi;document.write(s.match(reDo)); //Do,do

但是这个简单的正则表达式/do/gi将“don’t”中的“do”也进行了匹配，可这并不是想要的结果。而在正则表达式中有专门用来进行单词边界匹配的限定符”\b“。

var reDo = /\bdo\b/gi;document.write(s.match(reDo)); //do

“\b”到底匹配的什么呢？”\b”匹配的是一个位置，一个位于”\w“（字母，数字，下划线）和”\W“之间的位置。

既然有”\b”，那有”\B”吗？当然，他和”\b“刚好相反，由来匹配一个不是单词边界的位置。比如上例中匹配”don’t”中的”do”时”\B”就可派上用场。

var reDo = /\Bdo\B/gi;document.write(s.match(reDo)); //Do

在介绍取非匹配的时候介绍^只用位于[]并紧跟[方能取非匹配，而^还有另外一种用途——字符串边界匹配。

• ^　用来匹配字符串开头
• $　用来匹配字符串结尾

比如我们要匹配一个http://omiga.org形式的org域名：

var url = "http://omiga.org";var reUrl = /^(http):\/\/omiga\.(org)$/gi;document.write(reUrl.test(url)); //true

正则表达式reUrl限制url必须以”http”开头，以”org”结尾。

又如经常被扩展的string方法trim：

function trim(s){　　return s.replace(/(^\s*)|(\s*$)/g,"");}

同时我们可以在整个模式的最前面使用(?m)来启用分行匹配模式。这样，^不但匹配正常的字符串开头，还将匹配行分隔符（换行符）后面的开始位置；$不仅匹配正常的字符串结尾，还将匹配行分隔符（换行符）后面的结束位置。

 

 

 

子表达式

上一篇文章的最后部分中的var reUrl = /^(http):\/\/omiga\.(org)$/gi;已经涉及到子表达式了。用来指定重复次数的元字符只能作用于紧挨着它的字符或元字符，而在实际应用中我们需要进行重复匹配的字符往往不一定就只是一个字符或元字符，就如reUrl中所要匹配的“http”和“org”就是多个字符，这时候就可以使用（和）将多个字符括起来作为一个独立的元素来使用。

同样在上一篇文章中所构造的验证email地址的正则表达式var reMail = /\w+@\w+\.\w+/i;并不完善，一个有效的用户名除了可以是字母、数字、下划线外，还可以是点号，同时域名部分也不能保证是mail.com这行的形式，也完全有可能是mail.mymail.com这样的形式，所以一个更为完善的匹配有效email地址的正则表达式是这样的：

var reEmail = /(\w+\.)*\w+@(\w+\.)+\w+/i;

字表达式允许多重嵌套，而且这种嵌套在理论上是没有限制的，但在实际应用中还是应该根据实际情况适可而止。

回溯引用

在web开发中，我们经常需要去匹配HTML标签，大多数的HTML标签都有一个开始标记和结束标记如<h1></h1>,<div></div>，如果只需单纯的匹配H1和DIV我们可以很容易的构造出该正则表达式：

var reH1 = /<h1>.*?<\/h1>/gi;var reDiv = /<div>.*?<\/div>/gi;

但是我们所要匹配的并不是某个或某几个HTML标签，事实上HTML具体是什么样的形式我们完全是未知的，比如XML的标记我们是完全无法预计的，所以分组匹配在这里完全排不上用场。幸运的是，在正则表达式中回溯引用允许正则表达式模式引用前面的匹配结果。具体应用可以参考下面匹配HTML标签的正则表达式。

var html = "<h1>omiga</h1>";var reTag = /<(\w+\d?)>.*?<\/\1>/gi;document.write(html.match(reTag));//<h1>omiga</h1>

reTag最后部分的\1便是一个回溯引用，引用的前面的第一个子模式(\w+\d?)，当然如果前面还存在第二个子模式我们也可以使用\2引用、。注意：回溯引用只能引用前面已经匹配过的结果，而下面这样的写法就是错误的。

var reTag = /<\1>.*?<\/(\w+\d?)>/gi;

回溯引用在替换操作中有着十分广泛的应用。比如我们要将一段文本中的所有网址自动添加上其对应的超链接，即是将“http://omiga.org”的字符串替换成<a href=”http://omiga.org”>omiga</a>的形式。我们就可以这样处理：

var url = "http://omiga.org";var reUrl = /(http[s]*:\/{2}(\w+\.)+\w+)/gi;document.write(url.replace(reUrl,'<a href="$1">$1</a>'));//<a href="http://omiga.org">http://omiga.org</a>

$1引用了前面的子模式(http[s]*:\/{2}(\w+\.)+\w+)。注意：javascript中进行替换操作时回溯引用使用”$”而不是”\”。

前后查找

如果我们需要获取h1标签中的文本（包含在h1标签中的文本，不包括h1本身），这个正则表达式应该如何写？比如”<h1>front-end</h1>”，在所有介绍过的方法中，似乎都还没有提及过要匹配某个字符串，但却只返回某些字符前或后的字符串的情况，正则表达式中确实是存在这样的语法。

var fe = "<h1>front-end</h1>";var reInnerText = /(?<=<h1>).*?(?=<\/h1>))/i;

在reInnerText和/<h1>.*?<\/h1>/i的匹配模式是相同的，唯一不同的返回结果，/<h1>.*?<\/h1>/i会返回整个fe字符串，而reInnerText只返回”front-end”，比较这两个正则表达式可以发现两处不同的写法：(?<=<h1>)，(?=<\/h1>)。(?<=<h1>)定义了一个向后查找模式，即匹配结果只包括”<h1>”后面的部分；(?=<\/h1>)则定义的是一个向前查找模式，匹配结果只返回”</h1>”前的结果；所以reInnerText的匹配结果只返回”<h1>”和”</h1>”之间的内容！前后查找的语法很简单，向前查找是一个以”?=”开头的字表达式，而向后查找确实一个以”?<=”开头的字表达式。

遗憾的javascript并不支持正则表达式的向后查找，所以事实上reInnerText的写法在javascript是有语法错误的。有条件可以使用其他支持前后查找的语言进行验证，比如PHP。

$title = '<h1>front-end</h1>';if(preg_match('/(?<=<h1>).*?(?=<\/h1>)/i',$title,$rst)){   echo $rst[0];//front-end}

条件查找

正则表达式还有一种功能强大但却不被经常用到的功能——嵌入条件查找。在回溯引用一节中所介绍的匹配HTML标签的正则表达式并没有考虑诸如<img src=”logo.gif” />这样的元素，而下面的reImg正式一个使用嵌入条件匹配img元素的正则表达式。

var reImg = /<(img)?\s+[^>]+(?(1)\/)>/i;