本教程详细介绍了如何利用javaScript中的正则表达式从非结构化文本中高效提取特定模式的数据，例如查找并获取与货币单位“usd”相邻的数字。文章将深入解析正则表达式的构建原理、各组成部分的含义，并提供完整的代码示例，指导读者如何匹配不同形式的数字（整数、浮点数、正负数），以及如何对提取结果进行后处理，从而将字符串转换为可计算的数值。
在处理大量文本数据时，我们经常面临需要从非结构化字符串中提取特定信息的需求。例如，在一个句子中识别出某个货币单位（如“usd”）及其关联的数值。这种任务对于人工来说可能很简单，但对于程序而言，需要一种强大且灵活的模式匹配工具。正则表达式（Regular Expression, Regex）正是为此而生，它能够定义复杂的文本模式，并高效地在字符串中查找、匹配或替换这些模式。
识别并提取特定模式：数字与货币单位
假设我们有一个字符串，其中包含各种信息，我们需要从中找出所有形如“数字 usd”的片段，并确保这些数字可以是整数、浮点数，且支持正负号。例如，从“Today i will buy a set of buns for 4214 usd and eat it tomorrow. So tomorrow the budget would be total of -505.5 USD.”中，我们希望提取出“4214 usd”和“-505.5 USD”。
以下是数字可能出现的几种形式：
- 1000
- -1000
- 1000.0
- -1000.0
- 1000,0
- -1000,0
- 0
构建正则表达式
为了满足上述需求，我们可以构建一个正则表达式来精确匹配这些模式。核心的正则表达式是 /[-+]?d+[,.]?d?susd/gmi。下面我们来详细解析这个表达式的各个组成部分：
-
[-+]?：
- [ 和 ] 定义了一个字符集。
- – 和 + 是字符集中的两个字符。
- ? 表示前面的元素（即字符集 [-+]）出现零次或一次。这使得匹配的数字可以是正数（无符号或带+号）或负数（带-号）。
-
d+：
- d 是一个特殊字符，代表任何数字（0-9）。
- + 表示前面的元素（即 d）出现一次或多次。这用于匹配数字的整数部分，例如“4214”或“505”。
-
[,.]?：
- [ 和 ] 定义了一个字符集。
- , 匹配逗号。
- . 匹配点号。由于 . 在正则表达式中有特殊含义（匹配除换行符外的任意字符），所以需要使用反斜杠 进行转义。
- ? 表示前面的元素（即字符集 [,.]）出现零次或一次。这允许数字可以是整数，也可以是带有小数点的浮点数。
-
d?：
- d 匹配任何数字。
- ? 表示前面的元素（即 d）出现零次或一次。这用于匹配小数点或逗号后的一个数字。例如，它可以匹配“1000.0”中的“0”。如果需要匹配两位小数（如“1000.12”），则需要修改为 d{1,2}。
-
s：
- s 是一个特殊字符，代表任何空白字符（包括空格、制表符、换行符等）。
- 这里它用于匹配数字和货币单位之间的一个空格。
-
usd：
- 直接匹配字符串“usd”。
-
修饰符（Flags）：
- g (global)：表示全局匹配，查找字符串中所有符合模式的匹配项，而不是找到第一个就停止。
- m (multiline)：表示多行匹配，^ 和 $ 将匹配每行的开头和结尾，而不仅仅是整个字符串的开头和结尾。
- i (case-insensitive)：表示不区分大小写匹配，例如，它将匹配“usd”、“USD”、“Usd”等。
完整代码示例
在javascript中，我们可以使用 String.prototype.match() 方法配合正则表达式来提取匹配项。
const text = `Today i will buy a set of buns for 4214 usd and eat it tomorrow. So tomorrow the budget would be total of -505.5 USD. And another item for 1000,0 usd. Also a free item for 0 usd.`; // 定义正则表达式 const regex = /[-+]?d+[,.]?d?susd/gmi; // 执行匹配 const matches = text.match(regex); console.log('所有匹配项:', matches); // 预期输出: ["4214 usd", "-505.5 USD", "1000,0 usd", "0 usd"] // 对匹配结果进行后处理 if (matches) { console.log('n处理后的数值:'); matches.forEach(match => { // 移除货币单位，并将逗号替换为点号，以便转换为标准浮点数 const numString = match.replace(/susd/i, '').replace(',', '.'); const numberValue = Number(numString); console.log(numberValue); }); } /* 预期输出: 4214 -505.5 1000 0 */
注意事项与总结
- 精度与通用性：当前正则表达式 d? 仅匹配小数点或逗号后的一位数字。如果需要匹配两位或更多小数，应将 d? 替换为 d{1,2}（匹配一到两位小数）或 d+（匹配一位或多位小数）。
- 货币单位的扩展：如果需要匹配多种货币单位（如“usd”、“eur”、“jpy”），可以将 usd 部分替换为 (?:usd|eur|jpy)。
- 潜在的假阳性/假阴性：正则表达式虽然强大，但并非万能。在复杂或格式不规范的文本中，可能会出现未能匹配到目标（假阴性）或错误匹配非目标（假阳性）的情况。例如，如果文本中有“123 usd-something”，当前正则会匹配“123 usd”。
- 上下文验证：对于更严格的数据提取，可能需要结合正则表达式匹配到的结果，进行额外的上下文或语义分析来验证其有效性。
- 性能考虑：对于极长的字符串和非常复杂的正则表达式，性能可能会受到影响。在大多数常见场景下，这种影响可以忽略。
通过本教程，您应该已经掌握了如何使用正则表达式从文本中提取特定模式的数据，特别是数字和其关联的特定单词。正则表达式是文本处理领域中一个不可或缺的工具，熟练运用它将极大地提高您处理字符串数据的效率和准确性。