正则表达式(RegularExpression)使用指南

在芯片开发过程中，正则表达式的使用非常常见。初次上手晦涩难懂，多用几次爱不释手！

本文将概述正则表达式以及实用的匹配规则，并给出使用表达式的辅助工具：CheatSheet和在线测试工具。

 

01 正则表达式概述

正则表达式，Regular Expression，或缩写regexp，是一种用于描述文本模式（pattern）的表达式。通过该文本模式，我们可以从文本中高效和准确地匹配查找到想要的字符串。

正则表达式的搜索和匹配功能非常强大，以至于几乎所有的脚本语言（比如Python, Perl，JavaScript)，Java等高级编程语言，甚至grep等一些Linux命令，都支持正则表达式。

在芯片开发过程中，难免会有很多胶水脚本（glue script）用来串接各种流程，也就不可避免的需要对流程中产生的中间文件做处理，可能是提取、删除或者修改内容等等。另外，在代码review、仿真调试等阶段，通常需要对代码或者仿真日志做信息检索或数据有效性检查。

而这些，都是正则表达式在芯片开发过程中大显身手的地方。

 

02 Cheat Sheet

CheatSheet可作为日常工具手册，用户可以快速地查阅正则表达式的匹配规则。不过，实际经验告诉我，多用了几次之后，常用的匹配规则也就都记住了。

 

03 常用关系特性

从CheatSheet可以直接看到正则表达式最基础的匹配规则，包括匹配数字、字母、空白、通配符、开头、结尾等等。但在实际使用中，还需要考虑一些匹配关系，这也是本小节想要呈现的内容。

> 捕获分组（capturing group）和非捕获分组（non-capturing group）

在正则表达式中，可以使用圆括号对表达式进行分组。在匹配完成后，就可以使用分组编号来对圆括号中的内容进行提取。默认情况下，整个表达式的分组编号是0，之后从左往右每遇到一个”(”就分配一个递增的分组编号。举个栗子：

除了如上图所示直接使用分组编号对匹配结果进行索引，我们还可以在表达式内进行分组命名，这样就可以是使用组名来进行索引。举个栗子：

非捕获分组同样使用小括号来进行匹配，其格式是(?:exp)。非捕获分组只能在当前的位置匹配文本，不会被分配分组编号，也即是说，在匹配完成之后无法通过分组编号对其进行索引。

> 前向匹配（lookahead）和后向匹配（lookbehind）

前向匹配和后向匹配，严格来讲也是非捕获分组。在有些地方会叫做环视（lookaround），意味着在匹配的时候需要先“环顾四周”。前后向匹配在实际应用中非常常用。

前向匹配(?=exp)，用来匹配右边跟着指定字符串的文本；后向匹配(?<=exp)，用来匹配左边跟着指定字符串的文本。举个栗子，匹配2022年且日期为22号的月份：

相反，通过把前后匹配表达式中的”=“改成”!”，即(?

> 贪婪匹配（greedy）和非贪婪匹配（non-greedy）

贪婪程度指的是正则表达式匹配停止的条件，贪婪模式会尽可能多的匹配，非贪婪模式会尽可能少的匹配。

默认的匹配模式是贪婪模式，举个栗子：d+可以匹配大于1个数字的字符串，那么针对被检索文本“20220122”，正则表达式默认尽可能多的匹配，即匹配整个“20220122”，因为它都满足“大于1个数字的字符串”这个pattern，而不是只匹配第一个数字“2”或匹配部分数字“20220”。

非贪婪匹配也是非常常用的匹配模式，有些地方会叫做懒惰匹配（lazy），但都是一个意思：通过添加?来改变正则表达式匹配停止的条件。举个栗子：

 

04 测试工具

这里推荐正则表达式的在线测试工具。在该网站上，提供了正则表达式的使用参考，并且可以供用户测试自己写出来的正则表达式是否符合预期。

　　审核编辑：汤梓红