正则表达式专题(JS版)第7篇：正则表达式的构建-Java充电社【公众号：Java充电社】

对于一门语言的掌握程度怎么样，可以有两个角度来衡量：读和写。

不仅要看懂别人的解决方案，也要能独立地解决问题。代码是这样，正则表达式也是这样。

与“读”相比，“写”往往更为重要，这个道理是不言而喻的。

对正则的运用，首重就是：如何针对问题，构建一个合适的正则表达式？本章就解决该问题。

## 内容包括

1. 平衡法则
2. 构建正则前提
3. 准确性
4.  效率

## 1. 平衡法则

构建正则有一点非常重要，需要做到下面几点的平衡：

1. 匹配预期的字符串
2. 不匹配非预期的字符串
3. 可读性和可维护性
4. 效率

## 2. 构建正则前提

### 2.1 是否能使用正则

正则太强大了，以至于我们随便遇到一个操作字符串问题时，都会下意识地去想，用正则该怎么做。但我们始终要提醒自己，正则虽然强大，但不是万能的，很多看似很简单的事情，还是做不到的。

比如匹配这样的字符串：1010010001....

虽然很有规律，但是只靠正则就是无能为力。

### 2.2 是否有必要使用正则

要认识到正则的局限，不要去研究根本无法完成的任务。同时，也不能走入另一个极端：无所不用正则。能用字符串API解决的简单问题，就不该正则出马。

- 比如，从日期中提取出年月日，虽然可以使用正则：

```javascript
var string = "2017-07-01";
var regex = /^(\d{4})-(\d{2})-(\d{2})/;
console.log( string.match(regex) );
// => ["2017-07-01", "2017", "07", "01", index: 0, input: "2017-07-01"]

```

其实，可以使用字符串的`split`方法来做，即可：

```javascript
var string = "2017-07-01";
var result = string.split("-");
console.log( result );
// => ["2017", "07", "01"]

```

- 比如，判断是否有问号，虽然可以使用：

```javascript
var string = "?id=xx&act=search";
console.log( string.search(/\?/) );
// => 0

```

其实，可以使用字符串的`indexOf`方法：

```javascript
var string = "?id=xx&act=search";
console.log( string.indexOf("?") );
// => 0

```

- 比如获取子串，虽然可以使用正则：

```javascript
var string = "JavaScript";
console.log( string.match(/.{4}(.+)/)[1] );
// => Script

```

其实，可以直接使用字符串的`substring`或`substr`方法来做：

```javascript
var string = "JavaScript";
console.log( string.substring(4) );
// => Script

```

### 2.3 是否有必要构建一个复杂的正则

比如密码匹配问题，要求密码长度6-12位，由数字、小写字符和大写字母组成，但必须至少包括2种字符。

在第2章里，我们写出了正则是：

`/(?!^[0-9]{6,12}$)(?!^[a-z]{6,12}$)(?!^[A-Z]{6,12}$)^[0-9A-Za-z]{6,12}$/`

其实可以使用多个小正则来做：

```javascript
var regex1 = /^[0-9A-Za-z]{6,12}$/;
var regex2 = /^[0-9]{6,12}$/;
var regex3 = /^[A-Z]{6,12}$/;
var regex4 = /^[a-z]{6,12}$/;
function checkPassword(string) {
	if (!regex1.test(string)) return false;
	if (regex2.test(string)) return false;
	if (regex3.test(string)) return false;
	if (regex4.test(string)) return false;
	return true;
}

```

## 3. 准确性

所谓准确性，就是能匹配预期的目标，并且不匹配非预期的目标。

这里提到了“预期”二字，那么我们就需要知道目标的组成规则。

不然没法界定什么样的目标字符串是符合预期的，什么样的又不是符合预期的。

下面将举例说明，当目标字符串构成比较复杂时，该如何构建正则，并考虑到哪些平衡。

### 3.1 匹配固定电话

比如要匹配如下格式的固定电话号码：

> 055188888888
>
> 0551-88888888
>
> (0551)88888888

第一步，了解各部分的模式规则。

上面的电话，总体上分为区号和号码两部分（不考虑分机号和+86的情形）。

区号是0开头的3到4位数字，对应的正则是：`0\d{2,3}`

号码是非0开头的7到8位数字，对应的正则是：`[1-9]\d{6,7}`

因此，匹配055188888888的正则是：`/^0\d{2,3}[1-9]\d{6,7}$/`

匹配0551-88888888的正则是：`/^0\d{2,3}-[1-9]\d{6,7}$/`

匹配(0551)88888888的正则是：`/^$0\d{2,3}$[1-9]\d{6,7}$/`

第二步，明确形式关系。

这三者情形是或的关系，可以构建分支：

`/^0\d{2,3}[1-9]\d{6,7}$|^0\d{2,3}-[1-9]\d{6,7}$|^$0\d{2,3}$[1-9]\d{6,7}$/`

提取公共部分：

`/^(0\d{2,3}|0\d{2,3}-|$0\d{2,3}$)[1-9]\d{6,7}$/`

进一步简写：

`/^(0\d{2,3}-?|$0\d{2,3}$)[1-9]\d{6,7}$/`

其可视化形式：

![](https://itsoku.oss-cn-hangzhou.aliyuncs.com/itsoku/blog/article/176/80d8e36f-44a5-4e9b-ac60-4aa2c11637e2.png)

上面的正则构建过程略显罗嗦，但是这样做，能保证正则是准确的。

上述三种情形是或的关系，这一点很重要，不然很容易按字符是否出现的情形把正则写成：

`/^$?0\d{2,3}$?-?[1-9]\d{6,7}$/`

虽然也能匹配上述目标字符串，但也会匹配(0551-88888888这样的字符串。当然，这不是我们想要的。

其实这个正则也不是完美的，因为现实中，并不是每个3位数和4位数都是一个真实的区号。

这就是一个平衡取舍问题，一般够用就行。

### 3.2 匹配浮点数

要求匹配如下的格式：

> 1.23、+1.23、-1.23
>
> 10、+10、-10
>
> .2、+.2、-.2

可以看出正则分为三部分。

符号部分：`[+-]`

整数部分：`\d+`

小数部分：`\.\d+`

上述三个部分，并不是全部都出现。如果此时很容易写出如下的正则：

`/^[+-]?(\d+)?(\.\d+)?$/`

此正则看似没问题，但这个正则也会匹配空字符""。

因为目标字符串的形式关系不是要求每部分都是可选的。

要匹配1.23、+1.23、-1.23，可以用`/^[+-]?\d+\.\d+$/`

要匹配10、+10、-10，可以用`/^[+-]?\d+$/`

要匹配.2、+.2、-.2，可以用`/^[+-]?\.\d+$/`

因此整个正则是这三者的或的关系，提取公众部分后是：

`/^[+-]?(\d+\.\d+|\d+|\.\d+)$/`

其可视化形式是：

![](https://itsoku.oss-cn-hangzhou.aliyuncs.com/itsoku/blog/article/176/0456e3d2-f30d-4ec2-a66a-29875785d753.png)

如果要求不匹配+.2和-.2，此时正则变成：

![](https://itsoku.oss-cn-hangzhou.aliyuncs.com/itsoku/blog/article/176/596334d2-5f8f-467f-9458-85ee27d00d55.png)

当然，`/^[+-]?(\d+\.\d+|\d+|\.\d+)$/`也不是完美的，我们也是做了些取舍，比如：

- 它也会匹配012这样以0开头的整数。如果要求不匹配的话，需要修改整数部分的正则。
- 一般进行验证操作之前，都要经过trim和判空。那样的话，也许那个错误正则也就够用了。
- 也可以进一步改写成：`/^[+-]?(\d+)?(\.)?\d+$/`，这样我们就需要考虑可读性和可维护性了。

## 4. 效率

保证了准确性后，才需要是否要考虑要优化。大多数情形是不需要优化的，除非运行的非常慢。什么情形正则表达式运行才慢呢？我们需要考察正则表达式的运行过程（原理）。

正则表达式的运行分为如下的阶段：

1. 编译
2. 设定起始位置
3. 尝试匹配
4. 匹配失败的话，从下一位开始继续第3步
5. 最终结果：匹配成功或失败

下面以代码为例，来看看这几个阶段都做了什么：

```javascript
var regex = /\d+/g;
console.log( regex.lastIndex, regex.exec("123abc34def") );
console.log( regex.lastIndex, regex.exec("123abc34def") );
console.log( regex.lastIndex, regex.exec("123abc34def") );
console.log( regex.lastIndex, regex.exec("123abc34def") );
// => 0 ["123", index: 0, input: "123abc34def"]
// => 3 ["34", index: 6, input: "123abc34def"]
// => 8 null
// => 0 ["123", index: 0, input: "123abc34def"]

```

具体分析如下：

```javascript
var regex = /\d+/g;
```

当生成一个正则时，引擎会对其进行编译。报错与否出现在这个阶段。

```javascript
regex.exec("123abc34def")
```

当尝试匹配时，需要确定从哪一位置开始匹配。一般情形都是字符串的开头，即第0位。

但当使用`test`和`exec`方法，且正则有`g`时，起始位置是从正则对象的`lastIndex`属性开始。

因此第一次`exec`是从第0位开始，而第二次是从3开始的。

设定好起始位置后，就开始尝试匹配了。

比如第一次`exec`，从0开始，去尝试匹配，并且成功地匹配到3个数字。此时结束时的下标是2，因此下一次的起始位置是3。

而第二次，起始下标是3，但第3个字符是“a”，并不是数字。但此时并不会直接报匹配失败，而是移动到下一位置，即从第4位开始继续尝试匹配，但该字符是b，也不是数字。再移动到下一位，是c仍不行，再移动一位是数字3，此时匹配到了两位数字34。此时，下一次匹配的位置是d的位置，即第8位。

第三次，是从第8位开始匹配，直到试到最后一位，也没发现匹配的，因此匹配失败，返回`null`。同时设置`lastIndex`为0，即，如要再尝试匹配的话，需从头开始。

从上面可以看出，匹配会出现效率问题，主要出现在上面的第3阶段和第4阶段。

因此，主要优化手法也是针对这两阶段的。

### 4.1 使用具体型字符组来代替通配符，来消除回溯

而在第三阶段，最大的问题就是回溯。

例如，匹配双引用号之间的字符。如，匹配字符串123"abc"456中的"abc"。

如果正则用的是：`/".*"/`，，会在第3阶段产生4次回溯（粉色表示`.*`匹配的内容）：

![](https://itsoku.oss-cn-hangzhou.aliyuncs.com/itsoku/blog/article/176/90488d03-e683-4205-a398-db974b95c986.png)

如果正则用的是：`/".*?"/`，会产生2次回溯（粉色表示`.*?`匹配的内容）：

![](https://itsoku.oss-cn-hangzhou.aliyuncs.com/itsoku/blog/article/176/726251a4-3706-45ce-a14e-9a41ec50d8ac.png)

因为回溯的存在，需要引擎保存多种可能中未尝试过的状态，以便后续回溯时使用。注定要占用一定的内存。

此时要使用具体化的字符组，来代替通配符`.`，以便消除不必要的字符，此时使用正则`/"[^"]*"/`，即可。

### 4.2 使用非捕获型分组

因为括号的作用之一是，可以捕获分组和分支里的数据。那么就需要内存来保存它们。

当我们不需要使用分组引用和反向引用时，此时可以使用非捕获分组。例如：

`/^[+-]?(\d+\.\d+|\d+|\.\d+)$/`

可以修改成：

`/^[+-]?(?:\d+\.\d+|\d+|\.\d+)$/`

### 4.3 独立出确定字符

例如`/a+/`，可以修改成`/aa*/`。

因为后者能比前者多确定了字符a。这样会在第四步中，加快判断是否匹配失败，进而加快移位的速度。

### 4.4 提取分支公共部分

比如/`^abc|^def/`，修改成`/^(?:abc|def)/`。

又比如`/this|that/`，修改成`/th(?:is|at)/`。

这样做，可以减少匹配过程中可消除的重复。

### 4.5 减少分支的数量，缩小它们的范围

`/red|read/`，可以修改成`/rea?d/`。此时分支和量词产生的回溯的成本是不一样的。但这样优化后，可读性会降低的。

## 小结

本章涉及的内容并不多。

一般情况下，针对某问题能写出一个满足需求的正则，基本上就可以了。

至于准确性和效率方面的追求，纯属看个人要求了。我觉得够用就行了。

关于准确性，本章关心的是最常用的解决思路：

针对每种情形，分别写出正则，然用分支把他们合并在一起，再提取分支公共部分，就能得到准确的正则。

至于优化，本章没有为了凑数，去写一大堆。了解了匹配原理，常见的优化手法也就这么几种。

```html
作者：老姚
链接：https://juejin.im/post/5965943ff265da6c30653879
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
```

<a style="display:none" target="_blank" href="https://mp.weixin.qq.com/s/_S1DD2JADnXvpexxaBwLLg" style="color:red; font-size:20px; font-weight:bold">继续收门徒，亲手带，月薪 4W 以下的可以来找我</a>

## 最新资料

1. <a href="https://mp.weixin.qq.com/s?__biz=MzkzOTI3Nzc0Mg==&mid=2247484964&idx=2&sn=c81bce2f26015ee0f9632ddc6c67df03&scene=21#wechat_redirect" target="_blank">尚硅谷 Java 学科全套教程（总 207.77GB）</a>
2. <a href="https://mp.weixin.qq.com/s?__biz=MzkwOTAyMTY2NA==&mid=2247484192&idx=1&sn=505f2faaa4cc911f553850667749bcbb&scene=21#wechat_redirect" target="_blank">2021 最新版 Java 微服务学习线路图 + 视频</a>
3. <a href="https://mp.weixin.qq.com/s?__biz=MzkwOTAyMTY2NA==&mid=2247484573&idx=1&sn=7f3d83892186c16c57bc0b99f03f1ffd&scene=21#wechat_redirect" target="_blank">阿里技术大佬整理的《Spring 学习笔记.pdf》</a>
4. <a href="https://mp.weixin.qq.com/s?__biz=MzkwOTAyMTY2NA==&mid=2247484544&idx=2&sn=c1dfe907cfaa5b9ae8e66fc247ccbe84&scene=21#wechat_redirect" target="_blank">阿里大佬的《MySQL 学习笔记高清.pdf》</a>
5. <a href="https://mp.weixin.qq.com/s?__biz=MzkwOTAyMTY2NA==&mid=2247485167&idx=1&sn=48d75c8e93e748235a3547f34921dfb7&scene=21#wechat_redirect" target="_blank">2021 版 java 高并发常见面试题汇总.pdf</a>
6. <a href="https://mp.weixin.qq.com/s?__biz=MzkwOTAyMTY2NA==&mid=2247485664&idx=1&sn=435f9f515a8f881642820d7790ad20ce&scene=21#wechat_redirect" target="_blank">Idea 快捷键大全.pdf</a>

![](https://itsoku.oss-cn-hangzhou.aliyuncs.com/itsoku/blog/article/1/2883e86e-3eff-404a-8943-0066e5e2b454.png)