正则表达式入门:用模式一次找对文本
刚开始处理文本时,很多人都用过最笨的办法:打开文件,一个一个词去找,眼睛看花了还怕漏掉。文件只有几十行时这样做还行,一旦变成几百行日志、几千条数据,人工查找就完全不靠谱了。这时候,正则表达式就派上了用场。它不是一种编程语言,而是一种描述文本样子的规则,学会它,就等于学会了用一句话告诉电脑:我要找的文本长什么样。
先从最简单的例子说起。如果你想在一堆文字里找出所有的数字,最直接的办法就是写一个代表数字的符号。在正则表达式里,数字可以用一个简写来表示,意思是任意一个数字字符。写一次这个符号,就能匹配一个数字;如果想匹配连续的多个数字,再加一个表示重复的符号,就能把一串完整的数字一次找出来。同样,字母、下划线这些常见字符也有对应的简写,组合起来,就能描述出邮箱、日期、手机号这类有固定样子的文本。
理解正则表达式的关键,是把“样子”拆开来看。一段文本的样子通常由三部分组成:开头是什么,中间由哪些字符组成,结尾是什么。比如一个简单的日期,先是四位数字,再是一个分隔符,接着是两位数字,又是一个分隔符,最后是两位数字。把这个结构翻译成正则表达式,就是先写数字的规则,再写分隔符,再写数字,如此一步一步拼出来。刚开始写的时候不用追求一次写对,可以先写出最核心的部分,测试通过后再慢慢加上开头、结尾和细节。
初学者最容易踩的坑,是把匹配范围写得太宽。比如只写了数字的规则,却没有限定前后应该是什么,结果把不该匹配的内容也一起找了出来。解决办法是加上边界:开头用一个符号表示字符串的开始,结尾用一个符号表示字符串的结束,这样只有完整符合样子的文本才会被选中。另一个常见的坑,是把特殊符号当成了普通字符。正则表达式里有些符号本身有特殊含义,比如点号表示任意一个字符,如果你真的想找一个小数点,就需要先对它做转义,告诉正则表达式这个点号就是它自己。
还有一类很有用的写法,是字符集合。方括号里的内容表示“这里可以是其中的任意一个字符”,比如写上几个字母,就表示这个位置可以是这些字母中的任何一个。如果想表示一个范围,还可以用短横线来连接起止字符,比如小写字母的范围、大写字母的范围、数字的范围,都可以这样简写。配合表示重复次数的符号,就能很方便地描述出长度不固定的文本,比如用户名可以是三到十六个字母或数字,密码可以要求至少包含几位字符。
重复次数是正则表达式里最灵活的部分。一个符号可以表示出现零次或多次,另一个表示出现一次或多次,还有一个表示出现零次或一次。再精确一点,还可以用大括号直接写出次数范围,比如至少出现两次、最多出现五次,或者恰好出现四次。掌握了这几种写法,很多看似复杂的规则都会变得简单。比如一段连续的空白、一段重复的标点、一个由多个单词组成的短语,都可以用重复次数一次性描述清楚。
光会写还不够,还要会验证。写正则表达式最忌讳的就是凭感觉,觉得差不多就直接用在正式数据上。正确的做法是先准备几组测试文本:既要有应该匹配的正常例子,也要有不应该匹配的反例,比如格式接近但细节不对的文本。把规则放进测试工具里跑一遍,看看哪些匹配了、哪些没有,再根据结果调整。很多在线工具都会把匹配到的部分高亮显示出来,对初学者来说非常直观,改起来也有方向。
在实际工作中,正则表达式最常见的用途有三种。第一种是查找,比如在日志里找出所有报错的时间点,或者在配置文件里找出所有以某个前缀开头的行。第二种是替换,比如把日期格式统一改成同一种写法,或者把文本里多余的空格清理掉。第三种是校验,比如检查用户输入的邮箱、手机号是否符合基本格式。需要注意的是,校验只能检查格式是否合理,并不能证明这个邮箱或手机号真实存在,重要的信息还是要通过其他方式二次确认。
最后给初学者三条建议。第一,从小处开始,先解决一个具体的小问题,比如找出一段文字里的所有年份,再慢慢扩展到更复杂的规则。第二,写规则时尽量写得清楚而不是写得简短,过于简短的规则往往难以阅读,过一段时间自己都看不懂。第三,遇到看不懂的规则不要硬猜,把它拆成一段一段,逐段理解每一部分在匹配什么,再拼成整体的意思。正则表达式学起来有点像学一种新的标点符号,刚开始会觉得符号太多,但一旦掌握了最常用的十几个写法,处理文本的效率就会明显提升。下次再面对一堆杂乱的文字时,不妨先想一想:我要找的文本,长什么样?
- 点赞
- 收藏
- 关注作者
评论(0)