JavaScript正则表达式和模式匹配

一、概述

正则表达式是一个对象，用来描述字符串的模式。JavaScript用RegExp类表示正则表达式，String和RegExp两个类都定义了一些方法来使用正则表达式，完成一些基于文本的模式匹配、查找与替换等强大功能。JavaScript的正则表达式语法完全是Perl5正则表达式语法的一个子集。本文先介绍正则表达式的语法，然后介绍String和RegExp类使用正则表达式的一些方法。

二、定义正则表达式

在JavaScript中，正则表达式是用RegExp类表示的，所以我们当然可以使用RegExp的构造函数来定义正则表达式对象；但是就像字符串一样，我们也可以使用字面量来定义正则表达式，只不过字符串是使用一对引号包含一串字符，而正则表达式是使用一对斜杠包含（"/"）一串字符。

例子：使用RegExp：var pattern=new RegExp("s$");

上面的例子等价于：var pattern = /s$/; 他们都匹配一个s字符结尾的字符串。

1、字符字面量

（1）正则表达式中的字母和数字字符，都匹配他们本身。

（2）正则表达式使用反斜杠加一个特殊字符，可以表示非字母和数字的字符。有：

\n (换行），\v (vertical tab)， \0 (nul字符)，\f(form feed)， \t(Tab)， \r(回车)， \uxxxx(4位16进制数字xxxx表示的unicode字符)， \xnn(2位16进制数字nn表示的拉丁字符)，\cX(X表示的控制字符)

（3）标点符号：^ $ . * ! + ? = : | / \ ( ) [ ] { }18个字符在正则表达式中有特殊含义，如果要匹配这些字符本身，需要在前面加个反斜杠。不过其他的标点比如@符号，引号等不需要加反斜杠就表示他们本身。

如果在匹配的时候不记得哪些需要加反斜杠，哪些不需要，一个安全的做法就是在所有需要匹配标点符号本身的情况下，都在标点符号前加上反斜杠。

2、字符组

多个单个字符合并一起放到一个中括号中，表示一个字符组，字符组匹配在字符组中的任意一个字符。如：/[abc]/ 匹配a,b,c中的任意一个。

在字符组的左括号后加上一个插入符表示反字符组，反字符组匹配不在字符组中的任意一个字符，如：/[^abc]/匹配除了a,b,c的任意字符。

字符组中可以使用连字符表示一个字符范围，如：/[a-zA-Z0-9/匹配26个大小写字母和0到9的数字中的任何一个。

由于字符组在正则表达式中经常使用，所以JavaScript在正则表达式的语法中定义了一些特殊的转义字符表示这些字符组。对字符组归纳一下：

[...]          --匹配括号中任意单个字符 

[^...]        --匹配非括号中的任意单个字符，即上面的反字符组

.               --单个句点匹配除了换行以及其他Unicode的行结束符外的任意字符

/w             --匹配任意Ascii字符，等价于[a-zA-Z0-9_]

/W            --匹配任意非Ascii字符，等价于[^a-zA-Z0-9_]，即上面的反字符组

/s              --匹配任意Unicode空字符

/S              --匹配任意非Unicode空字符，即上面的反字符组

/d              --匹配任意数字，等价于[0-9]

/D              --匹配非数字，等价于[^0-9]，即上面的反字符组

[\b]            --匹配单个退格字符，这个特殊情况是因为\b在正则表达式中有其他的意义。

3、重复

重复表示上一个模式可以重复的次数，重复的语法有：

{n,m}      --上一个模式至少出现n次，但是不超过m次

{n,}         --上一个模式至少出现n次，没有上限

{n}          --上一个模式只能出现n次

?              --上一个模式出现0次或者1次，等价于{0,1}

+             --上一个模式至少出现1次，等价于{1,}

*             --上一个模式出现0次或者多次，等价于{0,}

（1）非贪婪重复

上面的重复语法表示的都是贪婪重复，贪婪重复表示在匹配过程中，在模式的其他部分仍然可以匹配的情况下，尽可能多地去匹配。

我们可以在重复语法的后面加个问号，表示非贪婪匹配，非贪婪匹配是只要匹配到了，就不继续往下匹配了。

比如有字符串”aaa“，用/a+/可以匹配到整个字符串”aaa“，而用/a+?/仅仅匹配了字符串的第一个字符”a“

使用非贪婪重复，不一定能产生期望的效果，比如字符串"aaab"，用/a+b/可以匹配整个字符串，如果你使用/a+?b/，可能是想匹配字符串的后两位，但是实际上该匹配返回的还是整个字符串。

4、可选、组合、引用

|   --用来分割可选的匹配模式，如/ab|cd|ef/  匹配ab，或者cd，或者ef，有多个可选方案时，采用从左到右的匹配顺序，找到匹配结果就停止，即使后面有更优的匹配。比如/a|ab/ 匹配字符串ab的时候，结果为a。

()  --圆括号表示一个组合，组合里的模式当做一个整体看待，比如/java(script)?/，匹配java或者javascript。

正则表达式中的圆括号的另一个用途就是，用作子模式。比如/[a-z]+\d+/，匹配小写字母开头，数字结尾的字符串。如果你只关心每个匹配中结尾的数字，可以使用/[a-z]+(\d+)/。

有了子模式，我们还可以通过一个反斜杠加一个数字对子模式进行引用，数字是子模式在整个模式中的索引（第几个左括号）。不过引用的不是子模式本身，而是子模式的匹配结果。

比如：/['"][^'"]['"]/匹配的是用引号引起来的字符串，但是左右的单双引号可能不对称。如果使用子模式就可以解决这个问题：/(['"])[^'"]*\1/，其中\1表示对第一个子模式匹配结果的引用。

注意，对子模式的引用，不能放到字符组里去，比如不能这样：/(['"])[^\1]*\1/。

这种子模式及其引用，使用JavaScript有了强大的能力对字符串进行查找和替换。

另外如果不想对子模式产生一个引用的索引，可以把圆括号变成(?:...)，即在左括号后面加上?:，如/([jJ]ava(?:[sS]cript)?)\sis\s(fun\w*)/中，\2表示的是(fun\w*)匹配的结果

总结一下：

|               --可选项，表示匹配左边或者右边

(...)           --组合，把括号中的字符组合成一个单独的单元，可以和? * + | 等一起使用。组合匹配的结果可以被记住，并在之后进行引用。

(?:...)        --单纯的组合，不能记住匹配的结果用来对其进行引用。

\n              --第n个匹配子模式的引用，n是通过从左到右数左括号的个数确定的，不过(?:除外。

5、定义匹配的位置（锚点）

正则表达式中的很多元素都表示匹配一个实际的字符，有一些特别的元素表示匹配字符之间的位置。比如\b匹配的是单词之间的边界，或者单词与字符串首尾的边界。

像\b这种元素，没有确定在匹配结果中的任何字符，然而他们确定了一个匹配结果应该发生的合法位置，我们把这样的元素称为正则表达式的锚点(regular-expression anchors)。

正则表达式锚点总结

^              --字符串的起始位置，在多行查找中，匹配每一行的开始

$              --字符串的结束位置，在多行查找中，匹配每一行的结束

\b             --匹配单词的边界，即：\w与\W之间的位置，或者\w与字符串起始与结尾之间的位置。注意：要匹配一个退格符，使用[\b]

\B             --匹配非单词的边界，与\b正好相反。

(?=p)        --匹配一个位置，该位置上接下来的字符符合模式p，匹配结果中不包含p匹配的结果。如/Java(?=:)/匹配"Java: program language"中的Java，但是不匹配"Java program language"

(?!p)         --匹配一个位置，该位置上接下来的字符必须不符合模式p，匹配结果也不含p匹配的结果，与上面刚好相反。比如/Java(?!Script)([A-Z]\w*)/匹配Java开头，后面跟一个大写字母以及任意个其他单词，但是Java后面不能跟Script。所以这个正则表达式匹配：JavaScrpt，JavaBean，但是不匹配Javabean，JavaScript，JavaScripter

6、标识

正则表达式最后一个语法元素是标识，标识定义个更高级别的匹配规则，标识没有定义在双斜杠之间，而是定义在第二个斜杠后面。JavaScript支持3个标识：

i       --表示匹配是非大小写敏感的

g      --表示匹配是全局的，在查找字符串中，所有的匹配项都必须找到

m     --表示多行查找匹配模式，该模式下，^  $除了匹配整个查找字符串的首位外，还匹配每一行的首位位置。

三、与模式匹配相关的String方法

String对象支持4个方法使用正则表达式，search

1、search：使用一个正则表达式参数，返回第一个匹配的位置，没有匹配返回-1，如："JavaScript".search(/script/i)返回4，如果参数不是正则表达式，使用RegExp构造函数把它转成正则表达式，search不支持全局标识g，如果包含的话，会被忽略掉。

2、replace：使用两个参数，第一个为正则表达式，第二个为替换的字符串。如果第一个参数是字符串，该函数不会像search一样把它先转成正则表达式，而是直接搜索该字符串。该函数支持全局标识g，如果使用g，则会把所有匹配的结果用第二个参数替换，否则只替换第一个匹配结果。如：text.replace(/javacript/ig,"JavaScript")，把text中的所有javascript替换成正确的大小写形式。

如果第二个参数中包含$加一个数字的话，则替换的字符串会用匹配的结果替换掉这两个字符，然后再作为新的替换字符串去替换原来的字符串。比如包英文的引号换成中文的引号：text.replace(/"([^"]*)"/g,'”$1“');

3、match：使用一个正则表达式参数，不是正则表达式，先转为正则表达式。返回一个字符串数组。如果正则表达式是全局模式，返回的是所以匹配结果的数组。如果正则表达式是非全局模式的，返回的也是一个数组，数组第一个元素为匹配结果，其他元素是正则表达式中子模式的匹配结果。

4、split：使用一个正则表达式参数，匹配结果作为分隔符，把字符串分隔成字符串数组，如果参数是字符串而不是正则表达式，则直接用字符串作为分隔符。如："123,456,234".split(",")返回["123","456","234"]

"1,   3, 4  ,  5".split(/\s*,\s*/)返回["1","3","4","5"]

四、RegExp对象

RegExp提供了一个构造函数，3个方法，以及5个属性来定义和使用正则表达式对象。

1、构造函数：构造函数使用1个或者2个字符串参数，第一个参数定义表达式实体，第二个参数定义表达式标识，即i，g，m及其组合。如：var zipcode=new RegExp("\\d{5}","g");

2、5个属性：

source           --只读属性，包含正则表达式文本的字符串

global            --只读属性，是否全局模式，true/false

ignoreCase     --只读属性，是否忽略大小写模式，true/false

multiline         --只读属性，是否多行模式，true/false

lastIndex       --读写属性，整型，对于g模式下，存储下一次搜索的起始位置，方法test()和exec()会使用到。

3、2个方法

exec()，一个字符串参数，如果没有匹配，返回null，如果有匹配，返回匹配的字符串数组结果，类似String方法match的数组结果，数组第一个元素表示匹配结果，接下来的元素表示每一个子模式的匹配结果。在返回的结果数组对象上，新增了2个属性：index和input，index表示匹配在字符串中发生的位置，input表示查找字符串。如果正则表达式是全局模式，那么执行后会修改正则表达式对象上的lastIndex属性，表示下次搜索的起始位置。非全局模型下，lastIndex始终为0.

如： var pattern=/Java/g;

var text="JavaScript is more fun than Java!";

var result;

while((result=pattern.exec(text))!=null){

alert(result[0]  + result.index + pattern.lastIndex);

}

test()，一个字符串参数，如果匹配成功，返回true，否则，返回false，该方法和exec()类似，只是返回值不同。全局模式下，执行后也会修改正则表达式的lastIndex属性，可以在一个字符串上多次调用。