正则表达式应该怎么学?

正则表达式应该怎么学?

学习正则表达式最好的方式是读《精通正则表达式》这本书:

《精通正则表达式》

建议认真学完前6章,后面与具体编程语言相关的可以跳过。花一些时间系统地学习一下正则表达式是非常有好处的。就像张无忌学会九阳神功后学其他武功都特别快,学会正则表达式后再学习UNIX/Linux的下的工具也都特别快!

除了推荐书籍,我也分享一下我自己读写正则表达式的心得。

如何读正则表达式?

《精通正则表达式》这本书让我认识到,正则表达式只是一种描述字符串长什么样的声明式语言,是字符串的元信息。就像SQL是用来描述数据长什么样的声明式语言,只是SQL使用更直观的英文单词作为关键词,而正则表达式使用的是更加精炼但也更加晦涩的符号字符。

所以,学习正则表达式与学习其他语言的过程是一样的,需要学会这门语言的词法语法语义。如果对这些词法、语法、语义不熟悉,看正则表达式就像天书一样。

词法

前文所述,正则表达式的单词由标点符号字符组成。和汉语、英语等自然语言一样,这些单词也有词性,包括字符(character)、字符类(character class)、分组(grouping)、量词(quantifier)、锚点(Anchor)等。

想要一股脑记住所有符号及其含义,就像从头到尾背英语词典一样,是很低效且痛苦的。好在正则表达式的单词也符合2-8法则,就像英语里的常用词一样并不多,诸如零宽断言等用法其实不太常用,用到的时候临时查文档复习一下用法就行。

以下几个字符是最最常用的元字符:

单词

词性

语义

^

锚点

以……开头

$

锚点

以……结尾

.

字符集

任意字符

*

量词

任意多个

+

量词

1个或多个

?

量词

0个或1个

需要注意的是,除了惰性匹配的量词,其他量词默认都是贪心匹配,即尽可能多地匹配、直到无法匹配为止。

语法

正则表达式的语法并不多,除了要开闭括号要能一一对应,也就是量词只能放在字符、字符集、分组的后面。

示例

举个例子:

/^ab+c*$/

模式读作:“有一些字符串,它们以1个a开头,紧接着1个或多个b,最后以任意多个c结尾。”符合这个规则的字符串很多,有“ab”、“abc”、“abbccc”等等。

如何写正则表达式?

有了前文读正则表达式的基础,基本上也能照葫芦画瓢写正则表达式了,但新手在写正则表达式的时候往往容易忽略“上下文”,会写出非常具体、非常长的模式。因为正则表达式的主要用途就是用于文本匹配,所谓的“上下文”就是正则表达式预计在那些文本中匹配。上下文不同,解法也可以不同。

举个例子,一个爬虫爬取到以下HTML页面信息:

  • Home
  • Friends
    • Bob
    • William
    • Vina

    假设希望在这些内容中匹配出包含「朋友姓名」的行,比较简单的方式有:

    /class=”name”/

    还能更简洁一些:

    /name/

    或者更具体一些:

    /[^]+/

    这三种方式哪种最好呢?这个得视情况而定。我的建议是:

    如果数据来源比较可控,例如内部系统生成的数据,则尽量写简单有效的模式;

    如果数据来源不可控,例如网络爬虫从外部系统抓取的数据,内容随时都有可能发生变化,那适度地优化一下正则表达式,让模式具备一些弹性去适应可预见的一些变化。

    如果让我来写这个例子的正则表达式,我会倾向于这样写:

    /class=”[^”]*bnameb[^”]*”/

    这样既具备一定的弹性,例如未来添加了其他class,或li换成其他tag,都能自动适应;又不会过于复杂。

    综上所述,正则表达式并没有唯一的标准答案,需要根据待匹配文本的上下文选择复杂度最合适的方案。因此,写正则表达式时不用着急,不必要求自己一次就写对。应该像写SQL一样在数据集上多select几次,对数据集有了较全面的认知后,不断修正数据过滤条件,就能优化出比较精炼的SQL;同样的,写正则表达式也是在目标字符串上反复筛选,最后就能优化出比较精炼的模式。

    郑重声明:本文内容及图片均整理自互联网,不代表本站立场,版权归原作者所有,如有侵权请联系管理员(admin#wlmqw.com)删除。
    (0)
    用户投稿
    上一篇 2022年7月27日
    下一篇 2022年7月27日

    相关推荐

    联系我们

    联系邮箱:admin#wlmqw.com
    工作时间:周一至周五,10:30-18:30,节假日休息