我要评论本文是一篇正则表达式高级教程，主要通过对正则表达式几个概念的介绍，深入探讨正则表达式高级功能，以期达到通俗化解释正则表达式高深概念的目的。
介绍过正则表达式的基础和基本套路正则三段论：定锚点，去噪点，取数据了，接下来这篇文章，补充一点相对高级的概念：1. 概念一：按单字符匹配 2. 概念二：匹配优先和不匹配优先 3. 概念三：贪婪模式与非贪婪模式 4. 概念四：环视（断言） 5. 概念五：平衡组 6. 概念六：模式修饰符 7. 附：正则三段论应用
概念一：按单字符匹配
正则里面的数据都是按照单个字符来进行匹配的，这个通过数值区间的例子最容易体现出来，比如，示例一：
我要匹配0-15的数值区间，用正则来写的话，便是[0-9]|1[0-5]，这里，便是把0-9这种单字符的情况，和10-15这种多字符的情况拆分开了，使用分支|来区分开，表示要么是0-9，要么是10-15。
上面是两位数值的情况，现在延伸至1-65535，我个人的处理思想是从大到小，一块块分解：
1. 65530-65535 ==> 6553[0-5] 末位区间0-5
2. 65500-65529 ==> 655[0-2][0-9] 第四位区间0-2，末位区间0-9
3. 65000-65499 ==> 65[0-4][0-9]{2} 第三位区间0-4，后两位0-9
4. 60000-64999 ==> 6[0-4][0-9]{3} 第二位区间0-4，后三位0-9
5. 10000-59999 ==> [1-5][0-9]{4} 第一位区间1-5，后四位0-9
6. 1-9999 ==> [1-9][0-9]{0,3} 第一位只能是1-9，后三位可有可无最后组合起来：
(6553[0-5]|655[0-2][0-9]|65[0-4][0-9]{2}|6[0-4][0-9]{3}|[1-5][0-9]{4}|[1-9][0-9]{0,3})
便得到1-65535匹配正则。
根据数据处理需求，可以在正则前后加上^和$，以匹配整个数据串，或者前后加入\b，把它当做单词边界处理。没有限定字符的边界往往是js正则判断中常见的错误之一。
概念二：匹配优先和不匹配优先
匹配优先和不匹配优先从字面理解也是比较容易的，所谓匹配优先，就是，能匹配我就先匹配；不匹配优先就是，能不匹配我就先不匹配，这段匹配先跳过，先看看后面的匹配能不能通过。
概念三：贪婪模式与非贪婪模式
正则的贪婪模式和非贪婪模式是一个比较容易混淆的概念，不过，我们可以这么理解，一个人很贪婪，所以他会能拿多少拿多少，换过来，那就是贪婪模式下的正则表达式，能匹配多少就匹配多少，尽可能最多。而非贪婪模式，则是能不匹配就不匹配，尽可能最少。
下面举个例子，示例二：
需求：匹配1后面跟任意个0 源串：10001 使用贪婪模式：10* 结果：1000 和 1 使用非贪婪模式：10*? 结果：1 和 1
首先，*是匹配0个或多个的意思。
贪婪模式下，它表示，首先匹配一个1，然后匹配1后面的0，最多可以匹配3个0，因此得到1000，然后第二次又匹配到一个1，但是后面没有0，因此得到1；
非贪婪模式下，它表示，首先匹配一个1，然后1后面的0，能不匹配就不匹配了，所以，它每次都只是匹配了一个1。
看到这里，也许，有些人觉得，哎呀，我懂了！
那么，下来我们改改，看看你是不是真懂了。
示例三：
需求：匹配1后面跟任意个0，再跟一个1 源串：10001 使用贪婪模式：10*1 结果：10001 使用非贪婪模式：10*?1 结果：10001
为什么这两次的结果一样了？
因为，正则表达式要判断完这整个正则才算成功，这种情况下，
贪婪模式，首先匹配一个1，然后匹配1后面尽可能多的0，发现3个，再匹配0后面的一个1，正则表达式匹配完，完成匹配，得到10001；非贪婪模式，首先匹配一个1，然后，0*?是非贪婪模式，它不想匹配了（非贪婪模式不匹配优先），看看后面是不是1了？然后发现哎妈呀，后面是个0啊，然后它回头，不能再偷懒了，用0*?匹配一个0吧，然后匹配到10，又不想匹配了，看看后面有没有1了，还是没有，又回去用0*?匹配掉一个0，得到100，继续偷懒，但是发现后面还不是1，然后又用0*?匹配得到1000，最后，发现真不容易啊，终于看到1了，匹配得到10001，正则表达式匹配完，完成匹配。
看到这里，是不是懂了？
那究竟哪个模式好呢？
什么时候使用贪婪模式，什么时候使用非贪婪模式，哪个性能好，哪个性能不好，不能一概而论，要根据情况分析。
下面我举个例子：
源码：
<a href="http://www.****.cn/my-regexp" rel="external nofollow" rel="external nofollow" target="_blank" title="我眼里的正则表达式（入门）">我眼里的正则表达式（入门）</a> <a title="我眼里的正则表达式（入门）" href="http://www.****.cn/my-regexp" rel="external nofollow" rel="external nofollow" target="_blank">我眼里的正则表达式（入门）</a>
正则1：<a [^>]*?href="([^"]*?)"[^>]*?>([^<]*?)</a>（238次）
正则2：<a [^>]*?href="([^"]*)"[^>]*>([^<]*)</a>（65次）
正则3：<a [^>]*href="([^"]*)"[^>]*>([^<]*)</a>（136次）
附：执行次数的获取请下载正则表达式测试工具：regexbuddy 4.1.0-正则测试工具.rar，使用里面的debug功能。
正则1是通用写法，正则2是在确定字符不会溢出的情况下消除非贪婪模式，正则3是证明并不是全部消除非贪婪模式就是最优。
因此，关于贪婪模式好还是非贪婪模式好的讨论，只能说根据需求而定，不过，在平时的时候用，一般使用非贪婪模式较多，因为贪婪模式经常会由于元字符范围限制不严谨而导致匹配越界，得到非预期结果。
在确定的数据结构里，可以尝试使用[^>]*>这样的排除字符贪婪模式替换非贪婪模式，提升匹配的效率。注意，贪婪部分（[^>]*）的匹配，最好不要越过其后面的字符（>），否则会导致贪婪模式下的回溯，如正则3，[^>]*的匹配越过了href，一直匹配到>为止，而这时候再匹配href，会匹配不到而导致多次回溯处理，直到回溯到href前的位置，后面才继续了下去。
另外，需要注意一点，无论使用贪婪模式还是非贪婪模式，在不同语言需要注意回溯次数和嵌套次数的限制，比如在php中，pcre.backtrack_limit=100000，pcre.recursion_limit=100000。
概念四：环视（断言/零宽断言）
环视，在不同的地方又称之为零宽断言，简称断言。
用一句通俗的话解释：
环视，就是先从全局环顾一遍正则，（然后断定结果，）再做进一步匹配处理。
断言，就是先从全局环顾一遍正则，然后断定结果，再做进一步匹配处理。
两个虽然字面不一样，意思却是同一个，都是做全局观望，再做进一步处理。
环视的作用相当于对其所在位置加了一个附加条件，只有满足这个条件，环视子表达式才能匹配成功。
环视主要有以下4个用法：
(?<=exp)匹配前面是exp的数据
(?<!exp)匹配前面不是exp的数据
(?=exp)匹配后面是exp的数据
(?!exp)匹配后面不是exp的数据
示例四：
(?<=b)aaa匹配前面是b的数据，即baaa匹配，而caaa不匹配
(?<!b)aaa匹配前面不是b的数据，即caaa匹配，而baaa不匹配
aaa(?=b)匹配后面是b的数据，即aaab匹配，而aaac不匹配
aaa(?!b)匹配后面不是b的数据，即aaac能匹配，而aaab不能匹配
另外，还会看到(?!b)[a-z]这种写法，其实它是[a-z]范围里，排除b的意思，前置的(?!b)只是对后面数据的一个限定，从而达到过滤匹配的效果。
因此，环视做排除处理是比较实用的，比如，示例五：
需求：字母、数字组合，不区分大小写，不能纯数字或者纯字母，6-16个字符。
通用正则：^[a-z0-9]{6,16}$ 字母数字组合，6-16个字符
排除纯字母：(?!^[a-z]+$)
排除纯数字：(?!^[0-9]+$)
组合起来：(?!^[a-z]+$)(?!^[0-9]+$)^[a-z0-9]{6,16}$注意，环视部分是不占宽度的，所以有零宽断言的叫法。
所谓不占宽度，可以分成两部分理解：
1、环视的匹配结果不纳入数据结果
2、环视它匹配过的地方，下次还能用它继续匹配。
如果不是环视，则匹配过的地方，不能再匹配第二次了。
上面示例四体现了：环视的匹配结果不纳入数据结果，它的结果：
(?<=b)aaa 源串：baaa 结果：aaa (?<!b)aaa 源串：caaa 结果：aaa aaa(?=b) 源串：aaab 结果：aaa aaa(?!b) 源串：aaac 结果：aaa
而示例五体现了：环视它匹配过的地方，下次还能用它继续匹配
因为，整个匹配过程中，正则表达式一共走了3次字符串匹配，第一次匹配不全部是字母，第二次匹配不全部是数字，第三次匹配全部是字母数字组合，6-16个字符。
扩展部分： `[a-z](?<=b)` [a-z]范围等于b `[a-z](?<!b)` [a-z]范围排除b `(?!b)[a-z]` [a-z]范围排除b
附： js不支持(?<=exp)和(?<!exp)语法
概念五：平衡组
平衡组并不是所有程序语言都支持，而我本人使用的php语言就不支持，所以平时接触也是比较少的。
平衡组主要用到下面四个语法：
(?'group') 把捕获的内容命名为group,并压入堆栈(stack) (?'-group') 从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败 (?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话，继续匹配yes部分的表达式，否则继续匹配no部分 (?!) 零宽负向先行断言，由于没有后缀表达式，如没有(?!b)的b，试图匹配总是失败
在php中是支持(?(group)yes|no)语法的，这里的group是分组编号，即子模式编号，如(a)?(?(1)yes|no) ，匹配ayes 和 no
下面这里引用《正则表达式30分钟入门教程#平衡组》关于<>配对匹配的例子，展示平衡组用法，
< #最外层的左括号
[^<>]* #最外层的左括号后面的不是括号的内容
(
(
(?'open'<) #碰到了左括号，在黑板上写一个"open"
[^<>]* #匹配左括号后面的不是括号的内容
)+
(
(?'-open'>) #碰到了右括号，擦掉一个"open"
[^<>]* #匹配右括号后面不是括号的内容
)+
)*
(?(open)(?!)) #在遇到最外层的右括号时，判断黑板上还有没有没擦掉的"open"；如果还有，则匹配失败
> #最外层的右括号
平衡组的一个最常见的应用就是匹配html,下面这个例子可以匹配嵌套的<div>标签：
<div[^>]*>[^<>]*(((?'open'<div[^>]*>)[^<>]*)+((?'-open'</div>)[^<>]*)+)*(?(open)(?!))</div>概念六：模式修饰符
模式修饰符在许多程序语言中都支持的，比如最常见的是i，不区分大小写，如javascript里的/[a-z0-9]/i，表示匹配字母数字，不区分大小写。
本人在写php正则时常用的模式修饰符主要有i和s，如：
$pattern = '#[a-z0-9]+#is';
模式修饰符s的作用主要是的.能够匹配换行，在处理换行数据时，通常会用到。
在php中，模式修饰符有两种用法，一种是上面的，在分隔符后面的模式修饰符，它的作用范围是全局；另一种是在正则表达式中间的。
例如：
正则：/((?i)[a-z]+)c/ 测试字符：abcabc 匹配：abc 说明：局部（ab）的大小写被忽略了，(?i)的作用范围在分组1内
如果把正则改成：/([a-z]+)c/i，则匹配结果将是：abcabc
概念七：正则三段论应用
正则三段论：定锚点，去噪点，取数据
两篇文章中，最重要的部分当属正则三段论：定锚点，去噪点，取数据，它是整个正则处理过程中的灵魂，它贯穿整个正则撰写过程。
下面举例说明它的思想，示例六：
源数据：标题：深入正则表达式应用，作者：zjmainstay 需求：匹配作者名字
我要从源数据取到zjmainstay这个作者名，那么，在这里，作者：就是我们所说的锚点，因为在上面这段数据中它能够唯一定位到我们的数据zjmainstay（就在它后面），因此，我们得到
(1) 定锚点：作者：
而在这里，我们不需要关心标题什么的，因此，标题：深入正则表达式应用，就是我们的噪点，因此，我们得到
(2) 去噪点
最后，我们确定作者：后面就是我们的数据，这个数据可以是任意字符，因此，我们得到正则：
作者：(.*)
而噪点部分，因为不会对数据取值造成干扰，直接去掉，不需要引入正则中。
下面再举一个噪点干扰的例子，示例七：
源数据： <a href="http://www.zjmainstay.cn/my-regexp" rel="external nofollow" rel="external nofollow" class="demo8" title="正则三段论应用举例">正则表达式入门教程</a> 需求：提取链接和标题，还有a标签的文字
看到这个源数据和需求，我们必须定位好锚点，主要有：
1.<a//必须是a标签
2.href=" 和 "//href=""的内容得到链接
3.title=" 和 "//title=""的内容得到标题
4.> 和 </a>//>和</a>的内容得到标签文字
然后，其他的都是噪点，使用.*?替代，需要提取的数据部分使用括号获取子模式，得到分组数据，因此得到正则：
<a href="(.*?)".*?title="(.*?)">(.*?)</a>
看到这里，也许有朋友觉得，我还是不会写，那么，再来一个更简单的构建方法，细化步骤，从源串逐步得到正则，示例八：
1. 直接拷贝源串，特殊字符处理转义（本例没特殊字符）
<a href="http://www.zjmainstay.cn/my-regexp" rel="external nofollow" rel="external nofollow" class="demo8" title="正则三段论应用举例">正则表达式入门教程</a>
2. 从左到右，一段段转化
2.1 <a href="(.*?)" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="demo8" title="正则三段论应用举例">正则表达式入门教程</a>
2.2 <a href="(.*?)" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" .*?title="正则三段论应用举例">正则表达式入门教程</a>
2.3 <a href="(.*?)" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" .*?title="(.*?)">正则表达式入门教程</a>
2.4 <a href="(.*?)" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" .*?title="(.*?)">(.*?)</a>
3. 得到最终的正则
<a href="(.*?)" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" .*?title="(.*?)">(.*?)</a>至此，正则三段论的基本思想已经展示完毕，大家还有什么不解请评论留言，本人看到会第一时间给予回复。
熟悉正则三段论处理思想，剩下的便是基本语义的熟练程度了，这个通过多用多练可以达到熟能生巧的境界。
最后留下一句至尊提醒：.是万能字符，大家看着用，遇到换行使用[\s\s]替换.即可。
到此这篇关于正则表达式7种高级应用技巧教程的文章就介绍到这了,更多相关正则表达式高级教程内容请搜索代码网以前的文章或继续浏览下面的相关文章希望大家以后多多支持代码网！
发表评论