正则表达式

1. 基础元字符与转义

• .：匹配除换行符以外的任意单个字符。（在开启 s 修饰符后可匹配包括换行符在内的所有字符）。

• \：转义字符。用于取消元字符的特殊含义（如 \. 匹配真实的句号），或引入特殊的预定义字符。

• |：逻辑或（分支）。例如 cat|dog 匹配 "cat" 或 "dog"。注意：| 的优先级极低，通常需配合括号使用，如 (cat|dog)s。

2. 字符集合 (Character Classes)

用于匹配方括号内的任意一个字符。

• [abc]：匹配 "a"、"b" 或 "c" 中的任意一个。

• [^abc]：脱字符 ^ 在中括号内表示取反，匹配除了 "a", "b", "c" 之外的任意字符。

• [a-z]：范围匹配，匹配所有小写英文字母。

• [a-zA-Z0-9]：组合范围，匹配所有大小写字母和数字。

• 注意：在 [] 内，大多数元字符（如 ., *, ?）会失去特殊含义，变为普通字符。

3. 预定义字符族 (Shorthand Classes)

大写字母通常是小写字母的取反。

• \d：匹配数字，等价于 [0-9]。

• \D：匹配非数字，等价于 [^0-9]。

• \w：匹配单词字符（字母、数字、下划线），等价于 [a-zA-Z0-9_]。

• \W：匹配非单词字符。

• \s：匹配空白字符（空格、制表符 \t、换行符 \n、回车符 \r 等）。

• \S：匹配非空白字符。

4. 量词与贪婪模式 (Quantifiers & Greediness)

量词用于指定其前面的一个字符或一个分组的出现次数。

• 基本量词：

  • *：匹配 0 次或多次（\(\ge\) 0）。

  • +：匹配 1 次或多次（\(\ge\) 1）。

  • ?：匹配 0 次或 1 次。

  • {n}：精确匹配 \(n\) 次。

  • {n,}：匹配至少 \(n\) 次。

  • {n,m}：匹配 \(n\) 到 \(m\) 次。

• 贪婪与懒惰 (Greedy vs. Lazy)：

  • 默认情况下，量词是贪婪的，会尽可能多地匹配字符。

  • 在量词后加上 ?，将其变为懒惰（非贪婪）模式，会尽可能少地匹配字符。

  • 示例：对于字符串 "<div>test</div>"：

    • 贪婪模式 <.*> 会匹配整个 "<div>test</div>"。

    • 懒惰模式 <.*?> 会匹配 "<div>"。

5. 边界断言 (Anchors)

边界断言不消费字符（不占用匹配文本的宽度），它们只匹配特定的位置。

• ^：匹配字符串的起始位置。（多行模式下匹配每行的开头）。

• $：匹配字符串的结束位置。（多行模式下匹配每行的结尾）。

• \b：匹配单词边界。即 \w 和 \W 之间的位置，或者 \w 与字符串开头/结尾之间的位置。

• \B：匹配非单词边界。

6. 分组与捕获 (Grouping & Capturing)

使用小括号 () 将多个字符组合为一个整体，同时会被引擎“捕获”到内存中供后续引用。

• (...)：捕获分组。默认按左括号的出现顺序从 1 开始编号。

• \1, \2：反向引用（Backreference）。在正则表达式内部引用之前捕获到的第 1、第 2 个分组匹配到的具体文本。

  • 示例：(\w+)\s+\1 可以匹配重复的单词，如 "hello hello"。

• (?:...)：非捕获分组。仅用于逻辑组合和应用量词，不保存匹配结果，提高匹配性能。

• (?<name>...) 或 (?'name'...)：命名捕获分组。为分组指定一个明确的名称，提取数据时可通过名称索引。

7. 环视 / 零宽断言 (Lookarounds)

高级特性，用于在匹配时设定条件，但不消费字符（即断言部分的内容不会出现在最终的匹配结果中）。

• (?=...)：肯定正向环视（Positive Lookahead）。要求当前位置的右侧必须匹配 ...。

  • 示例：Windows(?=95|98) 匹配 "Windows98" 中的 "Windows"，但不匹配 "Windows3.1"。

• (?!...)：否定正向环视（Negative Lookahead）。要求当前位置的右侧不能匹配 ...。

• (?<=...)：肯定逆向环视（Positive Lookbehind）。要求当前位置的左侧必须匹配 ...。

• (?<!...)：否定逆向环视（Negative Lookbehind）。要求当前位置的左侧不能匹配 ...。

8. 常用修饰符 / 模式标志 (Modifiers / Flags)

修饰符通常写在正则表达式定界符之外（如 /pattern/ig）。

• i (Ignore case)：忽略大小写。

• g (Global)：全局匹配。找到所有匹配项，而不是在找到第一个匹配后停止（特定语言 API 中的概念，如 JS）。

• m (Multiline)：多行模式。使 ^ 和 $ 除了匹配整个字符串的开头和结尾外，还能匹配每一行的开头和结尾。

• s (Singleline / Dotall)：单行模式。使 . 能够匹配包括换行符在内的所有字符。

• x (Extended / Free-spacing)：扩展模式。忽略表达式中的空白字符和 # 注释，便于编写复杂正则。

9. 性能陷阱：灾难性回溯 (Catastrophic Backtracking)

• 成因：当正则表达式中存在嵌套的量词（如 (a+)+ 或 .*.*），且目标字符串在其末尾导致匹配失败时，正则引擎会尝试所有可能的排列组合，导致 CPU 占用率飙升，程序假死。

• 规避方案：

  1. 尽可能明确匹配的字符集，避免滥用 .*（如用 [^"]* 替代 .*? 匹配引号内的内容）。

  2. 使用固化分组（Atomic Grouping） (?>...)，一旦匹配成功，丢弃内部的所有备用状态（不支持回溯）。