正则表达式的用法及原理

由于工作中和正则表达式打交道比较多，所以花了几天的时间系统学习了正则，在此总结一下。

正则表达式：是一种非常强大的文本处理工具

主要用途：

1.校验数据的有效性(验证手机号、邮箱、身份证号等)

2.用于查询或者匹配符合的文本内容(语音助手query正则召回、egrep查询日志等)

3.对文本进行切割、替换等操作

基本语法：

三种匹配模式：贪婪匹配、非贪婪匹配、独占匹配

1.贪婪匹配：表示次数的量词默认是贪婪的，在贪婪模式下，会竟可能最大长度的去匹配

对于text = 'aaabb'

regex = 'a+' 匹配结果：'aaa'

regex = 'a*' 匹配结果：'aaa','','',''

按照text下标从0开始，试着分析下：

i. [0-3] 匹配'aaa' 到b的时候不满足
ii. [3,3]匹配剩下的'bb'，匹配不了，返回空串
iii. [4,4]匹配剩下的'b'，匹配不了，返回空串
iv. [5,5]匹配剩下的空串，返回空串

2.非贪婪匹配：在量词后面加上问号(?)，就变成非贪婪匹配

这个regex本意都是查找被""括起来的内容，第一张图只有量词+这种情况下就是贪婪匹配，匹配了整个字符串；第二张图在量词+后添加了?这样就变成了非贪婪匹配，匹配了两个字符串

3.独占模式：贪婪模式和非贪婪模式都需要回溯，在有些场景下不需回溯，匹配不上就返回失败，给量词后面加上+，就可以变成独占匹配

regex = 'xy{1,3}z'

text = 'xyyz'

i. 贪婪匹配：y{1,3}最大长度的匹配y，直到去匹配text中的z失败后，吐出text中的z(回溯)，然后再用正则中的z去匹配text中的z

ii. 非贪婪匹配：=> regex = 'xy{1,3}?z'，y{1,3}? 最小长度的匹配y，匹配了xy之后，用正则中的z去匹配字符串中的z不匹配，正则回溯到y{1,3}?继续来匹配y，匹配成功

iii. 独占匹配：=> regex = 'xy{1,3}+yz'，如图就只匹配一个text，不回溯

分组与引用

一般来说我们会把以()括起来的看做一个整体，也即分组的概念

比如：2022-06-29 21:29:30
写一个简单的正则来匹配的话：regex = (\d{4}-\d{2}-\d{2}) (\d{2}:\d{2}:\d{2}
该正则并不严谨，只是为了说明，这里第几个左括号就表示第几个分组(即第几个分组编号)，默认下根据圆括号分完组的子组会保存，方便被后面进行引用

引用的语法：+'分组编号' ， 如regex = '(\w+) \1' 能够匹配连续两个相同的word，\1即分组引用的语法

另：如果不想保存子组的话，可以使用(?:regex表达式)来不保存子组

多分支选择时，左边优先

regex = '北京|北京市'，text = '北京市' 如下图并不匹配，因此要想匹配北京市可以regex = '北京市|北京' 或者是把公共部分提取出来 regex = 北京市?

常见的4中匹配模式

正则中的断言：对匹配到的文本有位置要求，以下图为例：想要匹配11为数字的手机号，但是我输入14位数字的话，前11位是可以匹配的

1.单词边界(word boundary)

eg: regex = 'tom'

text = 'tom will go hiking tomorrow'

其实是匹配了两次， 第一次是tom，第二次是tomorrow的前半部分

语法：\b

regex = 'tom' 包含tom的word
regex = '\btom' 以tom开头的word
regex = 'tom\b' 以tom结尾的word
regex = '\btom\b' 只匹配tom

如果要准确匹配某个word的话，就可以使用(\b\w+\b)

2.行的开始和结束 ^$

3.环视(look around) 要求匹配部分的前面或者后面要满足/不满足某种规则

注：环视虽然有括号，但是不会保存为子组(只表示对文本左右环境的要求，只匹配位置，并不关心其他)

正则相关历史，两个流派

正则匹配原理

正则能够处理复杂文本由于有穷状态自动机(finite automanton).

自动机是指系统可以根据相应的条件，在不同的状态下进行转移(1个系统有有穷个状态，不同状态代表不同的含义，每次的操作如输入字符串，可能会使状态转移)

有穷自动机分为DFA(determinstic finite automanton)和NFA(non-determinstic finite automanton)

NFA工作机制：先看正则后看文本
regex = 'xiao(ai|mi|du|ma)'
text = 'i work at xiaomi'
从正则表达式的第一个字符x，在text文本中查找x，匹配后直到走到字符o，接着用第一个分支ai中的a去匹配text文本中的m，匹配失败，第一个分支ai结束，用第二个分支mi的第一个字符m继续和text文本匹配，最终匹配成功，那么剩下的第三、四个分支就不用继续匹配了，类似于Java中&&的短路逻辑
DFA工作机制：先看文本后看正则
regex = 'xiao(ai|mi|du|ma)'
text = 'i work at xiaomi'
从text文本的第一个字符i开始去匹配regex的第一个字符x，不匹配，继续向后走，直到匹配完xiao，在匹配多分支结构时为并行的匹配，同时去用text文本中的字符m分别匹配a，m，d，匹配不上的该分支就结束，最终就分支mi胜出，匹配成功

未完待续......