能用 AST 搞明白的正则语法，就不需要看文档

字符串的处理基本都会用正则表达式，用它来做字符串的匹配、提取、替换等很方便。

但是正则表达式的学习还是有些难度的，比如贪婪匹配、非贪婪匹配、捕获子组、非捕获子组等概念，不止初学者难理解，有很多工作几年的人都不理解。

那正则表达式怎么学比较好？怎么快速掌握正则表达式呢？

推荐一个我觉得很不错的学习正则的方式：通过 AST 来学习。

正则表达式的匹配原理是把模式串 parse 成 AST，然后通过这个 AST 去匹配目标字符串。

模式串中的各种信息在 parse 之后都会保存在 AST 里面。AST 是 abstract syntax tree，抽象语法树的意思，顾名思义，是按照语法结构组织的一棵树，那么从 AST 的结构上自然可以轻易的知道正则表达式支持的语法。

怎么查看正则表达式的 AST 呢？

可以通过 astexplorer.net 这个网站来可视化的查看：

切换 parse 的语言为 RegExp，就可以做正则表达式的 AST 的可视化。

就像前面所说，AST 是按照语法来组织的一棵树，那么从它的结构上自然能容易地理清各种语法。

那么我们就从 AST 的角度来学习下各种语法吧：

/abc/

先从简单的开始，/abc/ 这样一个正则就可以匹配 'abc' 的字符串，它的 AST 是这样的：

3 个 Char，值分别是 a、b、c，类型是 simple。那之后的匹配就是遍历 AST，分别匹配这三个字符了。

我们用 exec 的 api 测试了下：

第 0 个元素是匹配的字符串，index 是匹配字符串的开始下标。input 是输入的字符串。

再来试下特殊的字符：

/\d\d\d/

/\d\d\d/ 是匹配三个数字的意思，\d 是正则支持的有特殊含义的元字符(meta char)。

通过 AST 我们也可以看出来，它们虽然也是 Char，但类型确是 meta：

可以通过 \d 的元字符来匹配任意数字：

哪些是 meta char 哪些是 simple char，通过 AST 来看一目了然。

/[abc]/

正则支持通过 [] 的方式来指定一组字符，也就是说匹配其中任意一种字符都行。

通过 AST 我们也可以看出来，它被包裹了一层 CharacterClass，就是字符类的意思，也就是匹配它包含的任意一种字符都行。

测试下也确实是这样：

/a{1,3}/

正则表达式支持指定某个字符重复多少次，用 {from,to} 的形式，

比如 /b{1,3}/ 表示字符 b 重复 1 到 3 次，/[abc]{1,3}/ 表示 a/b/c 这个字符类重复 1 到 3 次。

通过 AST 可以看出来，这种语法叫做 Repetition（重复）：

他有个 quantifier 的属性表示量词，这里的类型是 range，从 1 到 3。

正则也支持一些量词的简写，比如 + 表示 1 到无数次、* 表示 0 到无数次、? 表示 0 或 1 次。

分别是不同类型的量词：

有同学可能会问，这里的 greedy 属性是啥意思呢？

greedy 是贪婪的意思，这个属性就表示这个 Repetition 是贪婪匹配还是非贪婪匹配。

如果在量词后加个 ?，你就会发现 greedy 变成 false 了，也就是切换到了非贪婪匹配：

那贪婪和非贪婪是指啥呢？

我们看个例子就知道了。

默认 Repetition 的匹配是贪婪的，只要满足条件就一直匹配下去，所以这里 acbac 都能匹配到。

量词后加个 ? 就切换到了非贪婪，就只会匹配第一个了：

这就是贪婪匹配和非贪婪匹配，通过 AST 我们能够清楚的知道贪婪和非贪婪是针对重复语法来说的，默认是贪婪匹配，在量词后加个 ? 就可以切换到非贪婪。

(aaa)bbb(ccc)

正则表达式支持通过()把匹配到的一部分字符串放到子组里返回。

通过 AST 看一下：

对应的 AST 就叫做 Group。

而且你会发现它有个 capturing 的属性，默认是 true：

这是啥意思呢？

这就是子组捕获的语法。

如果不想捕获子组，可以这样写 (?:aaa)

看，capturing 变为 false 了。

那捕获和非捕获有什么区别呢？

我们试一下：

哦，原来 Group 的 capturing 属性代表的是是否提取的意思啊。

我们通过 AST 可以看出来，捕获是针对子组来说的，默认是捕获，也就是提取子组的内容，可以通过 ?: 切换到非捕获，就不会提取子组的内容了。

我们对用 AST 来了解正则语法已经轻车熟路了，那来看点难的：

/bbb(?=ccc)/

正则表达式支持通过 (?=xxx) 的语法来表示先行断言，用来判断某个字符串是否前面是某个字符串。

通过 AST 可以看到这种语法叫做 Assertion，并且类型为 lookahead，也就是往前看，只匹配前面的意思：

这是啥意思呢？为啥要这么写？和 /bbb(ccc)/ 还有 /bbb(?:ccc)/有啥区别呢？

我们试一下：

从结果可以看出来:

/bbb(ccc)/ 匹配了 ccc 的子组并且提取出来了这个子组，因为默认子组是捕获的。

/bbb(?:ccc)/ 匹配了 ccc 的子组但没有提取出来，因为我们通过 ?: 设置了子组不捕获。

/bbb(?=ccc)/ 匹配了 ccc 的子组也没有提取出子组，说明也是非捕获的。它和 ?: 的区别是 ccc 没有出现在匹配结果里。

这就是先行断言(lookahead assertion)的性质：先行断言代表某段字符串前面是某段字符串，对应的子组是非捕获的，而且断言的字符串不会出现在匹配结果中。

如果后面不是跟着那段字符串就不匹配：

/bbb(?!ccc)/

把 ?= 改成 ?! 之后意思就变了，通过 AST 看一下：

虽然还是先行断言 lookahead assertion，但是多了个 negative 为 true 的属性。

这个意思很明显，本来是前面是某段字符串，否定之后就是前面不是某段字符串。

那匹配结果正好就反过来了：

现在前面不是某段字符串的话才匹配了，这就是否定先行断言。

/(?<=aaa)bbb/

有先行断言自然也有后行断言，也就是后面是某段字符串才匹配。

同理，也可以否定：

(?<=aaa)对应的 AST 很容易想到，就是 lookbehind assertion：

(?

先行断言、后行断言就是最难理解的正则表达式语法了，通过 AST 来学习是不是就容易理解多了～

总结

正则表达式是处理字符串的很方便的工具，但它的学习还是有些难度的，像贪婪匹配、非贪婪匹配、捕获子组、非捕获子组、先行断言、后行断言等语法很多人都搞不清楚。

我推荐通过 AST 来学习正则，AST 是按照语法结构来组织的一颗对象树，各种语法通过 AST 节点的名字和属性可以轻易的理清楚。

比如我们通过 AST 理清楚了：

重复语法（Repetition）就是字符 + 量词的形式，默认是贪婪匹配（greedy 为 true），代表一直匹配到不匹配为止，量词后加个 ? 就切换成了非贪婪匹配，匹配到一个字符就停止。

子组语法（Group）是用于提取某段字符串的，默认是捕获（capturing 为 true），代表需要提取，可以通过 (?:xxx)切换到非捕获，只匹配不提取。

断言语法（Assertion）代表前面或后面有某段字符串，分为先行断言（lookahead assertion）和后行断言（lookbehind assertion），语法分别是(?=xxx)和 (?<=xxx)，可以通过把 = 换成 ! 来表示否定（negative 为 true），意思正好反过来。

是各种文档对语法理解的深还是编译器对语法理解的深？

那还用问，肯定是编译器呀！

那么通过它按照语法 parse 出来的语法树来学习语法自然比文档更好。

正则表达式是这样，其他的语法的学习也是这样，能用 AST 学会的语法，就不需要看文档。