關(guān)于正則表達(dá)式（regex）的插圖指南

這篇博客是關(guān)于正則表達(dá)式（regex）的插圖指南，旨在為那些從來沒有使用過正則表達(dá)式，想嘗試但又望而生畏的新手提供一個簡單介紹。

所以，歡迎使用正則表達(dá)式…

對于大多數(shù)沒有接受過正式 CS 教育的人來說，正則表達(dá)式似乎只有最核心的 Unix 程序員才敢碰。

一個好的正則表達(dá)式看起來像魔法，但請記住：任何足夠先進(jìn)的技術(shù)都無法與魔法區(qū)分開來。

所以，就讓我們揭開正則表達(dá)式的神秘面紗！

如果你理解正則表達(dá)式，它會突然變成一個超快速和強大的工具……但你首先需要理解它，老實說，我覺得新手可能會對它望而生畏！

讓我們從基礎(chǔ)開始。正則表達(dá)式（regex）是什么？它們的用途是什么？

Regex 新手上路

本質(zhì)上來看，正則表達(dá)式是定義一種搜索模式的字符序列。

正則表達(dá)式通常用于 grep 等工具中，以在較長文本字符串中查找模式。

考慮以下一個 cat.txt 文件：

catcat2dog

如果我們使用正則表達(dá)式 cat 來搜索匹配項，我們會找到以下匹配項：

catcat2

高級用戶需要注意的是，本文存在一個技術(shù)上的錯誤，即正則表達(dá)式和使用正則表達(dá)式的工具（如 grep）混為了一談。

正則表達(dá)式適用于字符，而不是單詞

需要反復(fù)強調(diào)的一個重要問題是：正則表達(dá)式適用于字符，而不是單詞。隱含串聯(lián)。

如果我們使用正則表達(dá)式搜索模式 cat，則不會查找單詞「cat」，而會查找字符 c、a 和 t。

點和星號

最基本的字符是單個字符，如 a、b、c 等?，F(xiàn)在讓我們介紹以下兩種特殊的字符。

.（點）字符可以匹配*任何單個字符*。例如，如果我們搜索 c.t，則將匹配從 cat 到 c0t 或 cAt 的任何內(nèi)容，并將匹配任何單個字符 c +任何字符+單個字符 t。

*（星號）字符有點困難。它修改它前面的字符，然后匹配該字符的*零個或多個字符*。的確如此。例如，cat*可以匹配 cat、catt、cattttt 以及 ca。

示例分析：The cat ate my homework

假設(shè)我們逐行讀取一個文件，則第一行如下所示：

The cat ate my homework.

讓我們看看如何匹配該行中的模式 cat。

我們首先將該模式的首字符與句子中的首字符匹配。

如果找不到匹配項，則跳轉(zhuǎn)至該行中的下一個字符，然后再從模式的首字符開始。

如果我們找到一個匹配項，則將跳轉(zhuǎn)至模式和該行中的下一個字符，然后重復(fù)這個過程。當(dāng)我們找到整個模式的匹配時，返回找到匹配項的行。

這就是正則表達(dá)式最基本、最常用的功能，即在較大的字符串中查找較小的搜索模式。

講到這里，我想大家已經(jīng)大致了解了什么是正則表達(dá)式以及它的兩個特殊字符： .（點）和 *（星號）。接下來，我會為大家介紹更多其他內(nèi)容。

正則表達(dá)式三叉戟

正則表達(dá)式的各個部分可以由三個不同的組件組成：

錨點

字符集

修飾符

這三部分構(gòu)成了正則表達(dá)式的三叉戟！

讓我們從三叉戟的第一個部分開始：錨點！

錨點

錨點指定個各行的模式位置。下面是兩個最重要的錨點：

^（插入符號）將模式固定到行首。例如，模式^1 匹配以 1 開頭的任意行。

$（美元符）將模式固定到句尾。例如，9$匹配以 9 結(jié)尾的任意行。

注意，在以上兩種情況下，錨點必須分別位于模式的開頭和結(jié)尾。^1 匹配行首的 1，但 1^匹配后跟^的 1。類似地，1$匹配以 1 結(jié)尾的行，但$1 匹配一個該行任意位置后跟 1 的美元符號。

字符集

三叉戟的第二部分：字符集。字符集是正則表達(dá)式的基礎(chǔ)。單個字符，比如 a，是最基本的字符集（一組元素）。但是 [0-9] 等正則表達(dá)式可以匹配任何一個數(shù)字，或者如果你能回想到 *的含義，則可以制作模式 [0-9][0-9]（這個模式匹配的內(nèi)容留給讀者作為練習(xí)）。

其他一些重要的字符集：

[0-9] 匹配 0…9 中的任何一個數(shù)字

[a-z] 匹配任何小寫字母

[A-Z] 匹配任何大寫字母

我們還可以對多個字符集進(jìn)行組合：

[A-ZA-Z0-9] 匹配任何大小寫字母和單個數(shù)字。

修飾符

此部分內(nèi)容沒有深入展開，以前面遇到的一個修飾符 *（星號）為例。修飾符改變它前面字符的含義。還有很多其他的修飾符，但以* 為例進(jìn)行討論是一個很好的開始。

如下所示：讓我們快速將文本轉(zhuǎn)儲到文件中。

$ echo "The cat jumps long time Then we also have the fact that these are words. 1234 this is a test post please ignore." >> grep.txt

這是現(xiàn)在文件中的內(nèi)容。

$ cat grep.txtThe cat jumps long timeThen we also have the fact that these are words.1234thisisatestpostpleaseignore.

尋找 cat。

$ grep "cat" grep.txtThe cat jumps long time

尋找任何以數(shù)字^[0-9] 開始的任意行。

$ grep "^[0-9]" grep.txt1234 this is a test post please ignore.

就是這樣！你剛剛使用了正則表達(dá)式。太棒了。

總結(jié)

回顧一下這篇博客的內(nèi)容：

正則表達(dá)式的基本功能；

正則表達(dá)式的三個主要組件：錨點、字符集和修飾符。

.（點）、*（星號）、^（插入符）和$（美元符號）。

一些字符集 [0-9]、[a-z]、[A-Z] 和它們的組合。

這篇博客的目的是通過帶插圖的介紹使用戶更輕松地了解正則表達(dá)式。

如果能夠克服技術(shù)上的困難，則最終可以掌握這種相對簡單但功能卻很強大的正則表達(dá)式工具，從而為任何數(shù)據(jù)科學(xué)家?guī)韺氋F的價值。