极客时间推出了正则表达式的学习课程，有不少朋友问我“为什么不是你来讲？” 这个问题其实没有必要。知识是全人类的财富，从来就不属于哪个个人，问道固然有先后，但先闻道者并不必然获得垄断特权。
虽然我翻译过和写作过正则表达式相关的书籍，但那都是陈年老黄历了，如今来看并不稀奇，而且现在显然有更多更丰富的学习手段，书籍未必是唯一。《正则表达式入门课》的作者涂伟忠长期从事后端开发，在正则表达式的运用上积累了许多经验，更愿意悉心把它打磨为课程，用尽可能通俗易懂的方式，系统化地梳理和讲解了正则的知识点，实在是造福大家的好事，值得恭喜，值得推荐。
👆扫我的二维码，免费试读
结算用口令「weizhong8」，到手仅 ¥50
如果你是新人 只要 ¥9.9
当然我也知道，许多人认为正则表达式很难懂，所以无论书写得再耐心，课程做得再细致，他们仍然对正则表达式敬而远之。每次看到这样的例子，我都未免觉得可惜。要知道，正则这玩意儿，入门确实不那么容易，然而一旦入门了，就能感觉到威力无穷。《正则指引》繁体版的副标题更是用到了“横刃万解”这样的形容，在我看来，这一点不夸张。
今天我想举个例子，是许多许多年前，我如何用正则表达式帮朋友分析白话小说。
这位朋友的任务虽然名曰“分析”，其实和技术一点关系没有，纯粹是语言学的研究。简单说，是要把《三国演义》、《红楼梦》、《水浒传》、《红楼梦》、《儒林外史》里的“连字句”找出来。什么是“连字句”呢？具体来说，它有好几种子类别：
“真连我们吃饭的地方也没有了”，这是“连…也…”；“真连个畜生也不如了”，这是“连…也不…”；“连你自己屋里的事还不知道”，这是“连…还不…”；“越发连个体统都没了”，这是“连…都…”。
所以这个任务真正要做的，是辨析这些连字句的结构、类型、数量，尝试找出一些规律。但是为了完成它，首先得把五本小说里的所有的连字句都找出来。这任务，别说文科生无从下手，一般理科生见了也得想破脑袋。
恰好我之前钻研过正则表达式，当时又恰好有空，所以尽管这个例子并不在任何一份正则表达式的相关资料里，甚至都没有可以拿来修改的例子，但我稍微动了动脑筋，很快就用正则表达式解决了问题。如今虽然许多年过去了，我仍然记得大致的思路。
每本小说对应一个TXT文件，那么先把这个TXT文件转成Unicode格式存储。要记得，凡是涉及到多字节字符（或者非ASCII字符）的处理，Unicode格式是必然选择，它可以省去很多不必要的麻烦，而且能用到正则表达式的高级功能，非常方便。
然后要做的重要一步是清洗原始文本。这些小说虽然有全本的TXT下载，但并没有官方版本，所以大多都有格式错误。如果格式有问题，之后的查找和提取一定会有问题，很可能正则表达式要写得复杂无比。见如此，还不如索性先把原始数据洗干净，磨刀不误砍柴工嘛。
于是我们要做的有：
\p{Separator}
用这个正则表达式去掉所有的空白字符——白话小说之前连标点都没有，更不会有空白字符。为什么不能用字符串查找替换，把空格都干掉呢？因为“空白”的情况很复杂，有许多字符看起来都是空白，但它们未必是空格。中文的情况就更复杂，很可能出现中文空格（全角空格，以前就有人用它来严格保证“每段开头缩进2个字”）。
不过情况再复杂也不要紧，支持Unicode特性的正则表达式可以通吃。
(?<=\p{Han})\n(?=\p{Han})
用这个正则表达式删除所有句子内部的换行符。我们需要处理的是句子，句子是以标点符号为结束的，而不是以换行符为结束的，而正则表达式的许多特性都会区分换行符，引起不必要的麻烦。所以删除句子内部的换行符非常重要。
这种换行符也很好识别：如果用前后环视发现都是中文字符而不是标点符号，就必须删掉。
(?<=\p{han})(?<!\p{Punctuation})\n{2,}
用这个正则表达式给所有“不是以标点符号结尾的句子”加上句号。有一些句子是以“换行符+空行”为结束的，这样浏览起来没问题，程序处理起来却很麻烦。用正则表达式找到“之前是汉字但不是标点”的多个连续换行符，替换为中文句号，程序处理起来就简单多了。
到现在为止，我们得到了基本规范的文本：去掉了所有空白字符，没有多余的换行符，每个句子都有标点符号结尾。实际上正则表达式确实应该这样用：与其用一个复杂的正则表达式去处理杂乱的文本，不如先用正则表达式把杂乱文本给洗干净了，然后可以大大降低处理难度。
文本洗干净之后，剩下的事情也就很简单了：用正则表达式找到这样的句子，其中包含“连”字，并且在“连”字之后会出现一段不包含标点符号的文字，再往后出现的是“也”、“也不”、“还不”、“都”之类的字，然后再是一段不包含标点符号的文字，直到句子结束。正则表达式大概长这样：
\P{Punctuation}*连\P{Punctuation}+(也[^不]|也不|还不|都[^不]|都不)\P{Punctuation}+\p{Punctuation}
请注意其中的(也[^不]|也不|还不|都[^不]|都不)，用它可以很方便地区分“连…也…”和“连…也不…”的情况，这是正则表达式的独门秘籍，普通的字符串处理是很难做到的。
在我印象里，这整个方案，设计大概花了半小时，写代码和调试花了大概两小时（毕竟意外情况很多，年代久远上面并没有列全）。总之大概就花了一个下午的时间，之后敲下回车键，几百万字的文本分析瞬间结束，所有的连字句分类逐条显示出来。此时，其他人还在进行激烈的心理斗争：这五本小说几百万字，全都看一遍都要花很长时间，把所有连字句都挑出来更是眼睛都要花掉，还不能保证没有漏掉的……
我想说的是，上面这几个正则表达式虽然看起来和常见的不一样，其实丝毫不复杂。如果你肯多花几个小时去学习，肯定能一眼看穿其中的奥妙。而一旦你洞穿了其中的奥妙，那么别说查找连字句，比这复杂得多的任务都不在话下。这样的收益/投入比例，在我看来是绝对值得的。
👆扫我的二维码，免费试读
结算用口令「weizhong8」，到手仅 ¥50
如果你是新人 只要 ¥9.9
导读 | 余晟：我是怎么学习和使用正则的？
你好，我是余晟。受伟忠的邀请，今天我来和你聊聊我是怎么学习和使用正则的？
刚工作那会儿，因为密集用到正则表达式，所以我花了不少时间去钻研正则相关的问题，因此获得了机会，翻译了《精通正则表达式》（第三版），后来⼜写了一本书《正则指引》。到如今，许多年过去了，这些东西还历历在目，我也很乐意拿出来和你分享一下，希望在学习正则的道路上，能给你一些启发。
我经常在⽹上看到，许多⼈抱怨正则表达式“难学”，我知道，它确实不好学。但同时我也仔细看过⼤家的抱怨，发现和我之前的做法⼀样：⽤到什么功能，就去⽹上搜⼀个例⼦来改改，能跑通就满意。⾄于这例⼦到底如何构成的，⾃⼰是不是都懂了，其实⼼⾥没底，能⼤概看懂五六分，就已经很满⾜了。
这样浮光掠影的使⽤⽅法或许能解决眼前的问题，但⼀定不算“学会”。它有点像打井，每次挖到⼀点⽔就满⾜了，根本不管有没有持续性，也不关⼼挖没挖到含⽔层。结果就是，每次要喝⽔的时候，你都得重新打⼀眼井。
那么对于正则表达式，我们有没有可能“打出⼀⼝永不⼲涸的深井”呢？当然有，那就是 ⼀次性多投⼊点时间， 由表及里，由术及道。一旦掌握了方法，之后就 会 简单很多了 。
按照我的经验，如果每天花一刻钟或者半小时，坚持个把礼拜，通常都能登堂入室，达到“不会忘”的境界。不要以为这时间很多，我知道有些人很喜欢找“正则表达式五分钟入门”，其实每次都没有入门，日积月累，反而浪费了几十甚至上百个五分钟。
那多投⼊时间很好理解，但是什么叫掌握⽅法呢？⽤我的话说，就是摆脱了字符的限制，深⼊到概念思维的层⾯。不要盯着那些⻤画桃符⼀般的字符和表示法皱眉，⽽要摆脱桃符，把真正的“⻤”给认出来——虽然它们不那么容易看⻅。也正因为这样，我们才需要⼀次性多投⼊点时间。
那最终怎样才算“入门”了呢？按照我的经验，就是通过学习掌握方法，后来无论用正则表达式解决什么问题，都能自发遵循下⾯的流程去走，甚至能达到不需要这个流程，也能做到解决问题，那基本上就算入门了。
第⼀步，做分解。 拿到一个问题后，我们要先思考：这个问题可以分为⼏个⼦问题？每个⼦问题是否独⽴？我们拿最常⻅的电⼦邮件地址匹配来说。从文本结构来看，它可以分为“username + @ + domain name”这三个独⽴的部分。怎么画呢？我们可以先画出逻辑结构图。通过这个过程来厘清思路。当然，这是软件⼯程最基本的思路，相信你做起来应该问题不大。
第⼆步，分析各个⼦问题。 某个位置上可能有多个字符？那就⽤字符组。某个位置上可能有多个字符串？那就⽤多选结构。出现的次数不确定？那就⽤量词。对出现的位置有要求？那就⽤锚点锁定位置…… 某种程度上，这就像武术⾥的⻅招拆招，每个问题都有对应的解法，只要熟练掌握了，知道什么时候用字符组，什么时候用多选结构，什么时候用量词，什么时候用锚点，就很容易搭建起完整的概念模型。
第三步，套 “ ⽪ ” 。 你大概注意到了，到现在，我们还没有谈论正则表达式的典型标志，比如方括号、星号、花括号。要知道，这些典型标志无非只是一些符号而已，真正重要的是字符组、多选结构、量词等等这些概念。一旦你的概念模型清楚了，写出正则表达式就非常简单了，无非是查阅语法⼿册，把之前得到的概念模型按照对应语⾔或⼯具的约定写下来而已。许多人觉得正则表达式难懂，总是纠缠于“这里为什么要多一个星号？那里为什么是方括号而不是花括号？”，原因恰恰在于对概念模型不清楚。虽然各种语⾔或⼯具对正则表达式的⽀持⼤同⼩异，但细微差别仍然不可忽视。不过只要你⼼怀正念，洞若观⽕，这些差异其实并不是⼤问题。
第四步，调试。 很多人都说，正则表达式的麻烦之处在于它像个⿊箱⼦，很难调适，迄今为⽌仍然没有特别好⽤的⼯具，所以我们没法⼀步步跟进去看匹配的具体过程，只能笼统地知道“匹配了”或者“没匹配”。那到底怎么调试呢？我的经验是，复杂⼀点的正则表达式不能⼀次写对，这是很正常的。与其纠结“这个正则表达式看起来这么复杂，此处到底要用星号*还是加号+”，不如先搞清楚，星号（*）或加号（+）限定的到底是正则表达式中的哪一部分，对应要匹配文本中的哪一部分。这两个问题搞清楚了，整个问题就迎刃而解了。
另外，还有⼀点统摄全局的经验想和你说一下，那就是 学会了正则表达式之后，务必要保持克制。 写正则表达式很容易上瘾，毕竟它的功能那么强⼤，处理速度那么快，⼜像天书符咒那样充满了“神秘”色彩。于是，“写⼀条其他⼈看不懂的正则表达式，⼀次性解决所有问题”，就成了某些程序员的执念。但是，从软件⼯程的⻆度来看，这种办法绝对是噩梦，不但其他⼈⽆法理解，⾃⼰过⼀段时间也会挠头。
那到底该怎么“克制”呢？我的经验有以下三点。
第⼀，能⽤普通字符串处理的，坚决⽤普通字符串处理 。 字符串处理的速度不⻅得差，可读性却好上很多。如果要在大段文本中定位所有的today或者tomorrow，用最简单的字符串查找，直接找两遍，明显比to(day|morrow)看起来更清楚。
第⼆，能写注释的正则表达式，⼀定要写注释 。 正则表达式的语法非常古老，不够直观，为了便于阅读和维护，如今⼤部分语⾔⾥都可以通过x打开注释模式。有了注释，复杂正则表达式的结构也能⼀⽬了然。
第三，能⽤多个简单正则表达式解决的，⼀定不 要 苛求⽤⼀个复杂的正则表达式 。 这里最明显的例子就是输⼊条件的验证。比如说，常见的密码要求“必须包含数字、小写字母、大写字母、特殊符号中的至少两种，且长度在8到16之间”。你当然可以绞尽脑汁用一个正则表达式来验证，但如果放下执念，⽤多个正则表达式分别验证“包含数字”“包含小写字母”“包含大写字母”“包含特殊符号”这四个条件，要求验证成功结果数大于等于2，再配合一个正则表达式验证长度，这样做也是可行的。虽然看起来繁琐，但可维护性绝对远远强于单个正则表达式。
小结
好了，到此为⽌，我的经验介绍完了，可以交棒了。
这些年，很多人问过我，我当时到底是怎么学会正则的？说实话，我那会儿根本没想什么，纯粹出于“干一行爱一行”的朴素想法。要用得多，就找书来，哪怕是囫囵吞枣，也要一鼓作气看完。 我一直觉得，真正值得学的东西，没有什么“平滑学习曲线”。在前面的阶段，你总得狠下心来，过了一个又一个坎儿，然后才能有一马平川。
我觉得，正则表达式属于“没有维护成本”的技能。⼀旦学会了，每⼀次遇到这类问题都可以“零成本出击”。所以，⻓期来看，这绝对是一笔“⽆本万利”的⽣意。希望你能通过这个专栏早日达到一马平川！
👆扫我的二维码，免费试读👆
最后强调一下，这个可课用口令「weizhong9」仅需 ¥50
如果你是新人 只要 ¥9.9