Golang 正则表达式

正则表达式概述

正则表达式(Regular Expression)是一种基于匹配模式的文本处理工具。它有如同一门编程语言一样的模式表示法，赋予使用者描述和分析文本的能力。关于正则表达式，其历史发展和知识体系都非常繁杂，不太可能在此全部展开，如果你对正则表达式有兴趣并愿意深入了解，推荐阅读《精通正则表达式 - Jeffrey E.F Friedl》一书，相信你会得到最全面的理解。在此我们只讲与 Go 相关的以及使用方式即可。

首先说说正则引擎：

• 目前的主流正则引擎又分为 3 类：一、DFA，二、传统型 NFA，三、POSIX NFA。

• 目前使用 DFA 引擎的程序主要有：awk,egrep,flex,lex,MySQL,Procmail 等；

• 使用传统型 NFA 引擎的程序主要有：GNU Emacs,Java,ergp,less,more,.NET 语言,PCRE library,Perl,PHP,Python,Ruby,sed,vi；

• 使用 POSIX NFA 引擎的程序主要有：mawk,Mortice Kern Systems’ utilities,GNU Emacs(使用时可以明确指定)；

• 也有使用 DFA/NFA 混合的引擎：GNU awk,GNU grep/egrep,Tcl。

以上信息引用自《精通正则表达式》。可见传统 NFA 使用最为广泛，大多数编程语言都内置 NFA 引擎实现正则功能。Go 与 2009 年面世，和其他编程语言一样，Go 也内置 NFA 正则引擎。

全面正则表达式语法体系复杂度可比肩一门编程语言，具体使用语法请参考相关教程或工具书，在此只演示一些常用的正则规则：

常用正则规则（其他请详见官方文档）:

符号	意义
\d	数字
\D	非数字
\w	单词字符：大小写字母+数字+下划线_
\W	非单词字符
\s	空白字符：\t、\n、\r、\f 之一
\S	非空白字符
.	换行符以外的任意字符
.	一个真正的点
re+	re 表示的片段出现 1 到多次
re*	re 表示的片段出现 0 到多次
re?	re 表示的片段出现 0 到 1 次
re	re 表示的片段出现 n 次
re	re 表示的片段出现 m 到 n 次
re	re 表示的片段出现 m 到无限多次
re	re 表示的片段出现 0 到 n 次
[abc]	a、b、c 中间的一个字符
[\s\S]	习惯上表示绝对的任意字符
[a-z]	a 到 z 中的任意一个字符
[^abc]	除了 abc 以外的任意字符
re1	re2
^re$	re片段匹配全文,^匹配字符串开始,$匹配字符串结尾
re*?,re+?	re*或 re+所代表的片段，使用非贪婪模式
非贪婪模式	re*或 re+匹配的字符，越少越好
[a-z]*?http	任意多个小写字母，截止到 http 出现为止

Go 正则表达式的使用

Go 标准库提供 regexp 包支持正则表达式搜索。Go 的正则表达式采用 RE2 语法（除了\c、\C），和 Perl、Python 等语言的正则基本一致。

https://studygolang.com/pkgdoc Go 正则包也提供一些正则语法参考与使用用例，值得一提的是，该包保证正则表达式搜索复杂度为 O(n)，其中 n 为输入的长度。这一点很多其他开源实现是无法保证的。虽然在性能上无需担忧，但正则引擎的性能相对于 strings 包还是较高的，建议日常的字符搜索或替换使用 strings 包即可，当涉及较复杂的模式匹配时才用正则表达式。

regexp 包提供多种正则匹配的方式，四种主要匹配模式的工厂函数：

• func Compile(expr string) (*Regexp, error)
  Compile 解析并返回一个正则表达式。如果成功返回，该 Regexp 就可用于匹配文本。

• func CompilePOSIX(expr string) (*Regexp, error)
  类似 Compile 但会将语法约束到 POSIX ERE（egrep）语法，并将匹配模式设置为 leftmost-longest。

• func MustCompile(str string) *Regexp
  MustCompile 类似 Compile 但会在解析失败时 panic，主要用于全局正则表达式变量的安全初始化。

• func MustCompilePOSIX(str string) *Regexp
  MustCompilePOSIX 类似 CompilePOSIX 但会在解析失败时 panic，主要用于全局正则表达式变量的安全初始化。

返回*Regexp 后就可搜索目标文本了，其内部提供多种搜索方法，最常使用的是 MustCompile()模式匹配函数，返回一个*Regexp 指针，该类型指针提供多种搜索方法，FindAllStringSubmatch()支持搜索所有的全匹配和子模式匹配。其他的请根据需求阅读包文档吧。

以下演示一下常用的手机、邮箱、链接、身份证号码的匹配示例：

import (
"fmt"
"io/ioutil"
"net/http"
"os"
"regexp"
)

//正则表达式演练

const (
RE_PHONE = `(1[356789]\d)(\d{4})(\d{4})`
RE_EMAIL = `(\w+?)(\.\w+)?@(\w+)?\.(\w{2,5})(\.\w{2,3})?`
RE_LINK = `<a[\s\S]+?href="(http[\s\S]+?)"`

    /*身份证号:4-50121-1970-11-05-5756*/
    //reID = `[1-6]\d{5}-(  (19\d{2})   |   (20((0\d)|(1[0-8])))    )-((0[1-9])|(1[012]))-((0[1-9])|([12]\d)|(3[01]))-\d{3}[\dX]`
    RE_IDENTITY = `[1-6]\d{5}((19\d{2})|(20((0\d)|(1[0-8]))))((0[1-9])|(1[012]))((0[1-9])|([12]\d)|(3[01]))\d{3}[\dX]`

)

func HandleError(where string, err error) {
if err != nil {
fmt.Println("发现错误：", err, "「", where, "」")
os.Exit(1)
}
}

func GetHtmlContent(url string) (html string) {
resp, err := http.Get(url)
HandleError("http.Get", err)
defer resp.Body.Close()

    bytes, err := ioutil.ReadAll(resp.Body)
    HandleError("ioutil.ReadAll", err)

    return string(bytes)

}

//正则电话号码
func PhoneSpider() {
//爬取电话号码网页
htmlForPhone := GetHtmlContent("http://tieba.baidu.com/p/5395331642")

    //正则匹配电话号码
    compilePhone := regexp.MustCompile(RE_PHONE)
    matchPhones := compilePhone.FindAllStringSubmatch(htmlForPhone, -1)

    //输出结果
    for _, v := range matchPhones {
        fmt.Println(v[0])
    }

}

func EmailSpider() {
//爬取邮箱
htmlForEmail := GetHtmlContent("https://www.douban.com/group/topic/113790741/")
htmlForEmail += "fsj.qie@aa.com" //加一下三级域名有点号的邮箱
htmlForEmail += "sfsaf.rwer@bb.com.cn"

    //正则匹配邮箱
    compileEmail := regexp.MustCompile(RE_EMAIL)
    matchEmail := compileEmail.FindAllStringSubmatch(htmlForEmail, -1)

    //输出结果
    //fmt.Println(matchEmail[0])
    for _, v := range matchEmail {
        fmt.Println(v[0])
    }

}

func IdNumSpider() {
//爬取身份证号
htmlForIden := GetHtmlContent("https://www.sohu.com/a/239090484_99956882")
//正则匹配邮箱
compileId := regexp.MustCompile(RE_IDENTITY)
matchId := compileId.FindAllStringSubmatch(htmlForIden, -1)

    //输出结果
    for _, x := range matchId {
        fmt.Println(x[0])
    }

}

//抓取导航网站首页获取链接
func LinksSpider() {
html := GetHtmlContent("https://www.hao123.com/")
//fmt.Println(html)

    re := regexp.MustCompile(RE_LINK)
    rets := re.FindAllStringSubmatch(html, -1)
    for _, x := range rets {
        fmt.Println(x[1])
    }

}

至此 Go 的正则表达式使用就介绍到这，正则表达式是强大的编程工具，一旦你熟悉使用该工具会让你在日常开发中事半功倍，建议继续深入学习正则表达式！