8集合和范围[...]

前言

在方括号 […] 中的几个字符或者字符类意味着“搜索给定的字符中的任意一个”。

集合

比如说，[eao] 意味着查找在 3 个字符 'a'、'e' 或者 `‘o’ 中的任意一个。

这被叫做一个集合。集合可以在正则表达式中和其它常规字符一起使用。

// 查找 [t 或者 m]，然后再匹配 “op”
console.log( "Mop top".match(/[tm]op/gi) ); // [ 'Mop', 'top' ]

请注意尽管在集合中有多个字符，但它们在匹配中只会对应其中的一个。

所以下面的示例并不会匹配上：

// 查找 “V”，然后匹配 [o 或者 i]，之后再匹配 “la”
console.log( "Voila".match(/V[oi]la/) ); // null，并没有匹配上

这个模式会做以下假设：

• V，
• 然后匹配其中的一个字符 [oi]，
• 然后匹配 la，

所以可以匹配上 Vola 或者 Vila。

范围

方括号也可以包含字符范围。

比如说，[a-z] 会匹配从 a 到 z 范围内的字母，[0-5] 表示从 0 到 5 的数字。

在下面的示例中，我们会查询首先匹配 "x" 字符，再匹配两个数字或者位于 A 到 F 范围内的字符。

console.log( "Exception 0xAF".match(/x[0-9A-F][0-9A-F]/g) ); // [ 'xAF' ]

[0-9A-F] 表示两个范围：它搜索一个字符，满足数字 0 到 9 或字母 A 到 F。

如果我们还想查找小写字母，则可以添加范围 a-f：[0-9A-Fa-f]。或添加标志 i。

我们也可以在 […] 里面使用字符类。

例如，如果我们想要查找单词字符 \w 或连字符 -，则该集合为 [\w-]。

也可以组合多个类，例如 [\s\d] 表示 “空格字符或数字”。

字符类是某些字符集的简写

例如：

• \d —— 和 [0-9] 相同，
• \w —— 和 [a-zA-Z0-9_] 相同，
• \s —— 和 [\t\n\v\f\r ] 外加少量罕见的 unicode 空格字符相同。

示例：多语言\w

由于字符类 \w 是简写的 [a-zA-Z0-9_]，因此无法找到中文象形文字，西里尔字母等。

我们可以编写一个更通用的模式，该模式可以查找任何语言中的文字字符。这很容易想到就 Unicode 属性：

[\p{Alpha}\p{M}\p{Nd}\p{Pc}\p{Join_C}]。

让我们理解它。类似于 \w，我们在制作自己的一套字符集，包括以下 unicode 字符：

• Alphabetic (Alpha) —— 字母，
• Mark (M) —— 重读，
• Decimal_Number (Nd) —— 数字，
• Connector_Punctuation (Pc) —— 下划线 '_' 和类似的字符，
• Join_Control (Join_C) —— 两个特殊代码 200c and 200d，用于连字，例如阿拉伯语。

使用示例：

let regexp = /[\p{Alpha}\p{M}\p{Nd}\p{Pc}\p{Join_C}]/gu;

let str = `Hi 你好 12`;

// finds all letters and digits:
console.log( str.match(regexp) ); // H,i,你,好,1,2

当然，我们可以编辑此模式：添加 unicode 属性或删除它们。文章 Unicode：修饰符 “u” 和 class \p{...} 中包含了更多 Unicode 属性的细节。

Edge 和 Firefox 不支持 Unicode 属性

Edge 和 Firefox 尚未实现 Unicode 属性 p{…}。如果确实需要它们，可以使用库 XRegExp。

或者只使用我们想要的语言范围的字符，例如西里尔字母 [а-я]。

排除范围

除了普通的范围匹配，还有类似 [^…] 的“排除”范围匹配。

它们通过在匹配查询的开头添加插入符号 ^ 来表示，它会匹配所有除了给定的字符之外的任意字符。

比如说：

• [^aeyo] —— 匹配任何除了 'a'、'e'、'y' 或者 'o' 之外的字符。
• [^0-9] —— 匹配任何除了数字之外的字符，也可以使用 \D 来表示。
• [^\s] —— 匹配任何非空字符，也可以使用 \S 来表示。

下面的示例查询除了字母，数字和空格之外的任意字符：

console.log( "alice15@gmail.com".match(/[^\d\sA-Z]/gi) ); // [ '@', '.' ]

在[...]中不转义

通常当我们的确需要查询点字符时，我们需要把它转义成像 \. 这样的形式。如果我们需要查询一个反斜杠，我们需要使用 \\。

在方括号表示中，绝大多数特殊字符可以在不转义的情况下使用：

• 表示一个点符号 '.'。
• 表示一个加号 '+'。
• 表示一个括号 '( )'。
• 在开头或者结尾表示一个破折号（在这些位置该符号表示的就不是一个范围） `pattern:’-’。
• 在不是开头的位置表示一个插入符号（在开头位置该符号表示的是排除）'^'。
• 表示一个开口的方括号符号 '['。

换句话说，除了在方括号中有特殊含义的字符外，其它所有特殊字符都是允许不添加反斜杠的。

一个在方括号中的点符号 "." 表示的就是一个点字符。查询模式 [.,] 将会寻找一个为点或者逗号的字符。

在下面的示例中，[-().^+] 会查找 -().^+ 的其中任意一个字符：

// 并不需要转义
let reg = /[-().^+]/g;

console.log( "1 + 2 - 3".match(reg) ); // [ '+', '-' ]

。。。但是如果你为了“以防万一”转义了它们，这也不会有任何问题：

//转义其中的所有字符
let reg = /[\-\(\)\.\^\+]/g;

console.log( "1 + 2 - 3".match(reg) ); // 仍能正常工作：[ '+', '-' ]

范围和标志"u"

如果集合中有代理对（surrogate pairs），则需要标志 u 以使其正常工作。

例如，让我们在字符串 𝒳 中查找 [𝒳𝒴]：

console.log('𝒳'.match(/[𝒳𝒴]/)); // 显示一个奇怪的字符，像 [?]
// [ '�', index: 0, input: '𝒳', groups: undefined ]
//（搜索执行不正确，返回了半个字符）

结果不正确，因为默认情况下正则表达式“不知道”代理对。

正则表达式引擎认为 [𝒳𝒴] —— 不是两个，而是四个字符：

1. 𝒳 (1) 的左半部分，
2. 𝒳 (2) 的右半部分，
3. 𝒴 (3) 的左半部分，
4. 𝒴 (4) 的右半部分。

我们可以看到它们的代码，如下所示：

for (let i = 0; i < '𝒳𝒴'.length; i++) {
    console.log('𝒳𝒴'.charCodeAt(i)); // 55349, 56499, 55349, 56500
};

因此，以上示例查找并显示了 𝒳 的左半部分。

如果我们添加标志 u，那么行为将是正确的：

console.log( '𝒳'.match(/[𝒳𝒴]/u) ); // [ '𝒳', index: 0, input: '𝒳', groups: undefined ]

当我们查找范围时也会出现类似的情况，就像 [𝒳-𝒴]。

如果我们忘记添加标志 u，则会出现错误：

console.log('𝒳'.match(/[𝒳-𝒴]/)); // 错误：无效的正则表达式
// SyntaxError: Invalid regular expression: /[𝒳-𝒴]/: Range out of order in character class

原因是，没有标志 u 的代理对被视为两个字符，因此 [𝒳-𝒴] 被解释为 [<55349><56499>-<55349><56500>]（每个代理对都替换为其代码）。现在很容易看出范围 56499-55349 是无效的：其起始代码 56499 大于终止代码 55349。这就是错误的原因。

使用标志 u，该模式可以正常匹配：

// 查找字符从 𝒳 到 𝒵
console.log('𝒴'.match(/[𝒳-𝒵]/u)); // [ '𝒴', index: 0, input: '𝒴', groups: undefined ]

总结

1. 正则表达式中，使用方括号包裹的字符，类似于[abcd]，表示满足其中一个字符即可

2. 如果想取反的话，可以在方括号中使用^，比如[^0-9]，表示不是0-9中的任意一个

3. 方括号中的-表示范围，比如[0-9]就是[0123456789]

4. 一些简写方式

   1. \d：数字集合，也可以表示为[0-9]，所以\D可以表示为[^0-9]
   2. \s：空格符号，包括空格、制表符\t、换行符\n，和其它少数的稀有字符，也可以表示为，和[\t\n\v\f\r ] 外加少量罕见的 unicode 空格字符。（\v：垂直标签，\f：换页，\r：Windows文本文件使用两个字符\r\n表示换行）
   3. \w：一个单词，也可以表示为[a-zA-Z0-9_]，所以\W，非单字符可以表示为[^a-zA-Z0-9_]

5. 一些特殊字符的范围表示，必须加修饰符u，比如[/[𝒳-𝒵]/u]，如果不标识u不能正常识别，且有可能会报错。这是因为，没有标识u的代理对被视为两个字符，因此那些四个字符的无法正确识别。

   那些不标识u的特殊字符，在进行范围匹配时，有可能会转换为这样的形式[<55349><56499>-<55349><56500>]，这时的范围是56499-55349，左边的大于右边，区间错误，于是就会报错。

6. 如果想在方括号里匹配特殊字符，大多数的特殊字符可以转义也可以不转义，都会被正常识别，比如

   let str = '^.\\()-+/'
   
   // 方括号中的部分特殊字符，无需转义也能正常获取到，不过反斜杠需要转义一下
   console.log(str.match(/[.\\()\-+^]/g)); // [ '^', '.', '\\', '(', ')', '-', '+' ]
   
   // 正常转义也是可以的
   console.log(str.match(/[\.\\\(\)\-\+\^]/g)); // [ '^', '.', '\\', '(', ')', '-', '+' ]

   注意：因为方括号中的^放开头，表示取反，-放中间表示范围，所以在匹配它俩的时候需要注意一下，如果想匹配开头的^就需要转义一下，同理匹配中间的-时也需要转义一下。

7. 因为\w是简写的[a-zA-Z0-9_]，所以无法找到象形文字或者西里尔字母等，所以可以使用unicode的\p{}属性，编写更通用的模式去匹配所有的文字字符，比如[\p{Alpha}\p{M}\p{Nd}\p{Pc}\p{Join_C}]。

   1. Alphabetic (Alpha) —— 字母，
   2. Mark (M) —— 重读，
   3. Decimal_Number (Nd) —— 数字，
   4. Connector_Punctuation (Pc) —— 下划线 '_' 和类似的字符，
   5. Join_Control (Join_C) —— 两个特殊代码 200c and 200d，用于连字，例如阿拉伯语。

8. .会匹配到所有的字符，除了换行符，即\n或者\r\n

   let str2 = "abc123 你好 \n 𝒳𝒴 \r\n cc \t 11 \f 22 \v 333"
   console.log(str2.match(/.+/g)); // [ 'abc123 你好 ', ' 𝒳𝒴 ', ' cc \t 11 \f 22 \x0B 333' ]

参考

https://zh.javascript.info/regexp-character-sets-and-ranges