正則表達式是 JavaScript 中威力最強也最容易寫錯的工具之一。本文從 RegExp 物件的建立方式說起,一路講到括號捕獲、貪婪與非貪婪、反向引用、預搜尋,最後整理常用方法與屬性,力求形成一份可以反覆查閱的完整參考。
最直接的方式是字面值,用斜槓把表達式包起來:
var reg1 = /'\w+'/g;
當表達式需要動態拼接時,就必須改用建構函式:
var reg2 = new RegExp('\'\\w+\'', 'g');
兩者的差別在於轉義層級。字面值中反斜線只需寫一次;而建構函式的第一個參數是字串,字串本身要經過一層解析,因此引號與反斜線都需要二次轉義。同時注意,字串形式不需要(也不能)用斜槓包起來。
無論哪種方式,最終都會產生一個新的 RegExp 物件並賦值給變數。
1. 使用方式不同
String.prototype.match(RegExp); // match 是字串的方法 RegExp.prototype.exec(String); // exec 是正則物件的方法
2. 未加 g 時,兩者結果相同
無匹配時回傳 null;有匹配時回傳一個陣列:array[0] 是整體匹配的字串,array[1]、array[2]……依序對應括號捕獲的子字串。同時陣列還帶有兩個屬性:array.index 表示匹配起始位置,array.input 表示被搜尋的原始字串。
3. 加上 g 之後,兩者行為分道揚鑣
match 會一次回傳所有匹配結果組成的陣列,每項就是一個匹配到的字串。此時括號捕獲的子字串不復存在,陣列也不再帶有 index 與 input 屬性。
exec 的行為則與沒有 g 時幾乎一樣,每次只回傳一個匹配結果,但會更新 RegExp 物件的 lastIndex 屬性,記錄下次搜尋的起始位置。當再也找不到匹配時,lastIndex 會被重置為 0。因此可以用迴圈搭配 lastIndex 取出全部結果:
var testStr = "now test001 test002";
var re = /test(\d+)/ig;
var r = "";
while (r = re.exec(testStr)) {
console.log(r[0] + " " + r[1]);
}
也可以用 testStr.match(re),但加了 g 之後只能拿到全部匹配字串,無法取得括號中的子結果。
字母、數字、漢字、下劃線,以及沒有被賦予特殊意義的標點符號。表達式中的普通字元在匹配時只對應一個相同字元。例如表達式 c 匹配字串 abcde,結果為成功,匹配內容是 c,位置從 2 到 3。
不便直接書寫的字元用反斜線引入:
\r、\n:回車與換行\t:定位字元\\:代表反斜線本身\^、\$、\.:分別匹配 ^、$、. 這些本身有特殊意義的字元\d:任意一個數字 0~9\w:任意字母、數字或下劃線\s:任意空白字元(空格、定位字元、換頁等).:除換行符以外的任意單一字元注意:這些表達式雖然能匹配多種字元中的任意一個,但一次只能匹配一個。就像撲克牌中的鬼牌可以代替任何一張牌,但只能代替一張。
[ab5@]:匹配 a、b、5、@ 中的任意一個[^abc]:匹配 a、b、c 之外的任意字元[f-k]:匹配 f 到 k 之間的任意字母[^A-F0-3]:匹配 A~F、0~3 之外的任意字元{n}:重複 n 次,如 \w{2} 等同 \w\w{m,n}:至少 m 次、最多 n 次,如 ba{1,3} 可匹配 ba、baa、baaa{m,}:至少 m 次,如 \w\d{2,} 可匹配 a12、_456、M12344?:0 次或 1 次,等同 {0,1}+:至少 1 次,等同 {1,}*:0 次或任意次,等同 {0,}^:匹配字串起始位置,本身不消耗字元$:匹配字串結束位置,本身不消耗字元\b:匹配單字邊界,即 \w 與非 \w 之間的縫隙\B:匹配非單字邊界因此 ^aaa 只能匹配以 aaa 開頭的字串,aaa$ 只能匹配以 aaa 結尾的字串,而 \bend\b 能在 weekend,endfor,end 中精準找出最後那個 end。
|:左右兩側的「或」關係( ):一是讓括號內的表達式能被整體修飾次數,二是讓括號內匹配到的內容能被單獨取出帶有 {m,n}、{m,}、?、*、+ 的表達式,預設會盡可能多地匹配,這稱為貪婪模式。
以字串 dxxxdxxxd 為例:
(d)(\w+) 中,\w+ 會吞掉第一個 d 之後的全部內容 xxxdxxxd。(d)(\w+)(d) 中,\w+ 會匹配 xxxdxxx——它本來也能吃掉最後一個 d,但為了讓整個表達式匹配成功,必須「讓出」這個字元。在次數修飾符後再加一個 ?,就切換為非貪婪(又稱勉強)模式,會盡可能少地匹配:
(d)(\w+?) 中,\w+? 只匹配了一個 x。(d)(\w+?)(d) 中,為了讓後面的 d 能匹配上,\w+? 不得不擴展到 xxx。最典型的對比是處理 HTML:
// 貪婪:一次匹配從第一個 <td> 到最後一個 </td> /<td>(.*)<\/td>/ // 非貪婪:逐個匹配每個 <td>...</td> /<td>(.*?)<\/td>/
抓取 HTML 標籤內容時,幾乎總應該使用非貪婪寫法。
括號內的子表達式匹配到的字串會被記錄下來,一方面可在結果陣列中單獨取得,另一方面可以在匹配過程中透過 \1、\2 反向引用。編號規則是:左括號出現順序越靠前,編號越小;若括號互相嵌套,外層先編號。
// 引號配對:左引號是 ' 則右引號也必須是 '
/('|")(.*?)\1/
// 要求某個 \w 字元至少連續出現 5 次
/(\w)\1{4,}/
// 匹配成對的 HTML 標籤,標籤名必須一致
/<(\w+)\s*(\w+=(['"]).*?\3)?\s*>.*?<\/\1>/
注意 /(\w)\1{4,}/ 與 /\w{5,}/ 的區別:前者要求「同一個字元連續出現」,後者只要求「五個單字字元」。
預搜尋與 ^、$、\b 類似,都是對某個位置附加條件,本身不消耗任何字元。
正向預搜尋
(?=xxxxx):所在位置的右側必須能匹配 xxxxx(?!xxxxx):所在位置的右側必須不能匹配 xxxxx// 只匹配 "Windows " 且後面緊接 NT 或 XP /Windows (?=NT|XP)/ // 只匹配 do,且後面不是 \w /do(?!\w)/
反向預搜尋
(?<=xxxxx):所在位置的左側必須能匹配 xxxxx(?<!xxxxx):所在位置的左側必須不能匹配 xxxxx// 只取出前後各四位數字之外的中间八位
/(?<=\d{4})\d+(?=\d{4})/
需要留意的是, Safari 舊版本與部分老引擎不支援反向預搜尋,使用時應確認目標環境。
十六進位轉義
\xXX:以兩位十六進位表示字元,如 \x20 代表空格\uXXXX:以四位十六進位表示任意 Unicode 字元大寫即取反
\S:非空白字元\D:非數字字元\W:非字母、數字、下劃線非捕獲括號:(?:xxxxx) 只用於分組或次數修飾,不記錄匹配內容,也不佔用反向引用編號,在不需要取值的場景下能提升可讀性與效能。
/(?:(\w)\1)+/
RegExp 物件方法
exec(str):回傳第一個匹配結果陣列;搭配 g 時可反覆呼叫以取得後續匹配。test(str):回傳布林值,判斷是否存在匹配。String 物件方法
match(re):回傳匹配結果陣列;加 g 時回傳全部匹配字串。search(re):回傳第一個匹配的索引,找不到則為 -1。replace(re, str):替換匹配部分。$1、$2 可引用括號捕獲的內容。split(re):以匹配部分作為分隔符切割字串,回傳陣列。var str = "user13userddduser345"; "user13userddduser345".match(/user\d/g); // ["user1", "user3"] "user13userddduser345".search(/user\d/); // 0 "user13userddduser345".replace(/u(se)r\d/g, "$1"); // "se3userdddse45" "user13userddduser345".split(/user\d/); // ["", "3userddd", "45"]
要注意 replace 的第一個參數如果是字串而非正則,只會替換第一處;且字串形式無法使用 g,必須用正則物件才能全域替換。
驗證使用者名稱為 2~4 個漢字
function checkForm(obj) {
var username = obj.username.value;
var regx = /^[\u4e00-\u9fa5]{2,4}$/;
if (!regx.test(username)) {
alert("Invalid username!");
return false;
}
return true;
}
去除 HTML 標籤,取得純文字
function toPlainText(htmlStr) {
return htmlStr.replace(/<[^>]*>/g, "");
}
g 的作用:
exec:加 g 後需反覆呼叫才能依序取得所有匹配。test:加不加 g 沒有區別。match:加 g 一次回傳所有匹配。replace:加 g 才會替換全部。split 與 search:加不加 g 結果相同。m 的作用:只影響 ^ 與 $。不加 m 時,^ 只匹配整個字串的開頭、$ 只匹配結尾;加上 m 後,^ 還能匹配每個換行之後的位置,$ 還能匹配每個換行之前的位置。對其他模式而言,m 沒有任何影響。
^ 與 $ 包住表達式,例如 /^\d+$/。\b 包住,例如 /\b(if|while|else|void|int)\b/。/\d*.?\d*/,更好的寫法是 /\d+.?\d*|.\d+/。| 時,盡量讓左右兩側不會匹配同一段內容,避免交換順序後結果改變。正則表達式的學習曲線較陡,但一旦掌握「不消耗字元的錨點」與「消耗字元的表達式」這條主線,其餘規則都只是排列組合。建議把本文當作隨查手冊,遇到具體問題時再回頭對照相應章節。