【正则表达式系列】一些概念字符组、捕获组、非捕获组

前言

本文介绍一些正则中的常用名词以及对应概念，譬如字符组，捕获组、非捕获组、反向引用、转义和\s \b等

大纲

• 字符组
• 捕获组
• 反向引用
• 非捕获组
• .、\s和\S
• \b
• \转义

字符组

[]字符组表示在同一个位置可能出现的各种字符，也就是说它的匹配结果只能是一个字符，不能是多个

例如[hello]匹配的不是hello而是h或e或l或o

特点

• 结果只会匹配一个字符

• 内部特殊字符无需转义\ [ ] 除外

  • 另外，^出现在最开始位置时需要转义
  • -前后构成区间范围时需要转义（推荐永远使用转义\-）
• -表示连字符
• ^表示排除符

示例

特殊字符无需转义

[\^*\-+|(a)]

这个示例的含义是，匹配以下字符中的任意一个

• ^ * - + | ( a )
• 可以看到，这些特殊字符在字符组中仅仅就是字符本身

连字符的作用

[z-a]

匹配这个正则表达式会报错（Range out of order in character class）

原因是连字符后面的字符码要大于等于前面的字符码

var str = 'abc-';
var reg = /[a-z-]/g;

// 最后的连字符没有构成区间，所以仅仅表示  - 这个字符
str.match(reg); // ["a","b","c","-"]

var str = "aAbc-";
var reg = /[A-a-z]/g;

// 通用，A-a 构成一个区间  之后的 -z 无法构成区间，于是它只能作为-字符本身
str.match(reg); // ["a","A","-"]

排除型

var str = '01ABabc-';
var reg = /[^a-z]/g;

// 匹配了除a-z范围外的任意字符
str.match(reg); // ["0","1","B","-"]

排除型字符组用法和普通的一样，但是唯一区别是

• 排除型代表符合条件的都不匹配（功能相反）

\b特殊情况

var str = 'ab\bd,cdef';
var reg = /[\b]/g;
var reg2 =  /\bc/g; 
var reg3 =  /[\b]c/g; 

str.match(reg); // [""] 匹配\b本身
str.match(reg2); // ["c"]  即匹配,号后面的c
str.match(reg3); // null 因为\b后面没有c

• \b在字符组以外表示单词边界
• 在字符组内，表示退格符(\b)

捕获组

捕获组就是把正则表达式中子表达式匹配的内容，保存到内存中以数字编号或显式命名的组里，方便后面引用

例如: /(a)(b)(c)/中的捕获组编号为

• 组0: abc
• 组1: a
• 组2: b
• 组3: c

其中，组0是正则表达式整体匹配结果，组1`2`3才是子表达式匹配结果

特点

• 子表达式捕获组编号从1开始，顺序从左到右（例如编号1是左侧第一个()包裹的子表达式的结果）
• 可以在正则表达式中对前面捕获的内容进行引用（反向引用）
• 也可以在程序中，对捕获组捕获的内容进行引用（比如replace中）

示例

子表达式捕获组编号从1开始，顺序从左到右

var str = "2017-07-29";
var reg = /(\d{4})-(\d{2})-(\d{2})/;

// 非全局模式有捕获组结果
str.match(reg); // ["2017-07-29","2017","07","29",index: 0,input: "2017-07-29"]

上述匹配中，除了整个正则表达式的结果外，还有各个捕获组的结果，其中，子表达式的捕获组从编号1开始，如下

编号	捕获组	匹配内容
0	(d{4})-(d{2})-(d{2})	2017-07-29
1	d{4}	2017
2	d{2}	07
3	d{2}	29

JS程序内的引用

• 在replace中，JS通过$number引用捕获组内容
• 在外部匹配引用，JS通过RegExp.$number引用捕获组内容

var str = '<div id="code1" class="highlight"></div>';
var reg = /<(\w+)[^>]*>/g;

// <div></div>
str = str.replace(reg,"<$1>");

可以看到，在去除div中的属性时，先是整个匹配<divxxx>，然后再把整个内容替换成<$1>，其中$1就是第一个捕获组结果div的引用

注，请不要引用$0，因为它不属于子表达式的捕获组，在replace中引用$0没有任何效果

var str = 'abcd0123ABCD';
var reg = /([a-z]+)(\d+)([A-Z]+)/g;

reg.test(str); // true

console.log(RegExp.$0); // undefined
console.log(RegExp.$1); // abcd
console.log(RegExp.$2); // 0123
console.log(RegExp.$3); // ABCD

注，同样$0的引用没有内容

反向引用

在正则表达式内部对捕获组进行引用称之为反向引用

var str = "boom==boom";
var reg = /(boom)==\1/;

str.match(reg); // ["boom==boom","boom",input: "boom==boom"]

可以看到，正则中\1的值就是捕获组1匹配到的结果boom

因此，这个表达式等价于(boom)==boom

示例

var str = '1234567899';
var str2 = '12345678999';
    
var reg = /^(?:([0-9])(?!\1{2})){1,}$/;

reg.test(str); // true
reg.test(str2); // false

上例中的效果是，匹配一个数字，但是数字中不允许连续出现3次以上的重复数字

• 用到反向引用可以很好的实现

非捕获组

上述可以看到()包括的内容默认匹配时都在捕获组中

但是有时候，因为特殊原因用到了()，但又没有引用它的必要，这时候就可以用非捕获组声明，防止它作为捕获组，降低内存浪费

• ?:可以声明一个子表达式为非捕获组

var str = 'abcd0123ABCD';
var reg = /(?:[a-z]+)(\d+)([A-Z]+)/g;

reg.test(str); // true

console.log(RegExp.$0); // undefined
console.log(RegExp.$1); // 0123
console.log(RegExp.$2); // ABCD

可以看到，(?:[a-z]+)将这个子表达式声明成了非捕获组，因此捕获组的编号直接跳过了它，从下一个(\d+)开始

.、\s和\S

首先说下.

• 定义是除\n以外的任何字符
• 但是，在一些Chrome、Firefox等内核中，代表\n和\r以外的字符
• 如果要匹配.本身，请用\.

再说说\s与\S

• \s是匹配所有的空白字符，包括空白、换行、tab缩进等所有空白
• \S是指除了空白以外的任何字符（和.区别下，.里面还多了一部分空白）

那如何匹配所有字符呢？

• (.|\n)或者是[\s\S](推荐用法)
• 请不要试图使用[.\n]或[\.\n]，这种写法只表示小数点或\n字符中的一个

示例

请写一个表达式，去除多行注释

var str = '\
    var a = 1; \r\n\
    /\** \r\n\
    * 这里是注释 \r\n\
    */\r\n\
    var b = 2;\r\n\
    console.log(a)';

var reg = xxx;

str = str.replace(reg,'');

解答

var reg = /\/\*{1,}[\s\S]*\*\//g;

这里就用的了用[\s\S]来匹配所有的字符（因为仅仅是.是无法匹配\r\n的）

\b 单词边界

\b匹配单词边界，不匹配任何字符

简单的说，\b匹配的位置，一侧是构成单词的字符，另一侧是非单词字符，字符串的开始或结束

而其中单词的判断就是\w的匹配范围（正常a-zA-Z0-9_，JS举例）

注，有一特例，在字符组中[\b]表示的是退格符

特点

• 零宽，即匹配的是位置而不是字符
• 以\w来界定单词
• 字符组中是退格符的意思

示例

var str = 'abc_d=efg+hij哈opq%';
    
var reg = /.\b./g;

// ["d=","g+","j哈","q%"]
str.match(reg);

可以看到，分别在如下几处有单词分界

• d和=直接有一个分界
• g和+之间
• j和哈
• q和%

\转义

var str = 'ab\\cd'; // 字符串 ab\cd
var str2 = 'ab\\\\cd'; // 字符串 ab\\cd
    
var reg = /ab\\\\cd/;
var reg2 = new RegExp('ab\\\\cd');

reg.test(str); // false
reg.test(str2); // true

reg2.test(str); // true
reg2.test(str2); // false

出现\的地方，得多加注意，需要梳理清楚转义逻辑，通过上例可以看到，在正则中出现的\和在字符串中出现的\意义不一样

• reg中，\出现在正则中，所以\\\\的意思就是匹配\\字符串，所以测试str2通过，str失败
• reg2中，\出现在字符串中，所以\\\\的意思\\，然后构建为正则表达式，最终在正则中是\\，也就是匹配\字符串本身，所以测试str通过，str2失败

附录

博客

初次发布2017.07.31于个人博客

http://www.dailichun.com/2017/08/01/regularExpressionConcepts.html

参考资料

• 正则表达式元字符
• 正则表达式基础系列博客