前言：

点击查看前言

我为什么要写这个帖子？
随着信息化进程的推进以及提速降费blablabla....我们在日常生活中会越来越多地遇到正则表达式——
我在服务器安装的昵称插件中，默认只允许字母、数字和下划线昵称，但是我的玩家提出来想要一个汉字昵称，我该怎么办？
Q群里有广告机会混进来发广告甚至违法内容，有很多短信轰炸机会不断地发送诈骗、博彩短信，我该怎么清理这些东西？
人类的自然语言有很高的弹性，比如说“今天杭州天气如何”这一句表达，我换成“今日杭州天气怎样”“杭州天气？今天。”“杭州今天是什么天气？”，都是一个意思，但是机器可不知道，传统的模糊匹配在遇到特殊句式、错别字的时候会显得相对无力，所以我们需要新的工具：正则表达式。

学习之前的准备

你需要这个正则表达式测试网站，用于测试你的表达式是否正确。
我的每一节内容看起来很短，但是实际上对于初学者来说很麻烦，毕竟正则表达式就是这种让人头秃的东西。
建议初学者看完一节之后做完习题，然后闭目养神，保护头发。

从解决第一个问题开始

就像是RPG游戏一样，如果开局直接丢给玩家说明书，那无论这个游戏_{玩法多么有趣画面多么美丽}大部分玩家肯定会弃坑。
所以我打算从一个已有的例子开始，实践出真知。

0、从一个问题开始

某个昵称插件使用正则表达式匹配玩家昵称，内容如下：

[A-Za-z_\d]+
我们先粗略地拆成[]和+两部分
这个方括号[]是什么？
方括号表示匹配一个字符，这个字符必须是方括号内出现的
[ade]将匹配abcd中的a和d
abcd > abcd
这个加号+是什么？
这个加号表示一次或多次匹配
a+将匹配aaa has an apple中的aaa和4个a
aaa has an apple > aaa has an apple
那么问题来了，方括号里面的A-Za-z_\d是什么意思？
在方括号里面的时候，短横线-表示从前一个字符到后一个字符之间的所有字符；
\d匹配所有数字；_就是个下划线
很拗口？
- 举个例子：[W-Z]会匹配所有X到Z的字符，也就是W X Y Z
- 回到这个例子，[a-z]会匹配所有a到z的字符，也就是所有小写字符
- 同理[A-Z]会匹配所有大写字符
- \d会匹配0 1 2 3 4 5 6 7 8 9
- _就是个下划线~~_{（嘤嘤嘤）}~~

回到原来的问题，盐酱你刚刚洋洋洒洒一大堆我啥都没看懂，你就给我好好解决问题！
行行行，好好好。

接下来的内容就是许多RPG游戏喜欢玩的一手——开局放BOSS

建议新人直接跳过下方内容，获取最终答案，或者直接进入第一课。

那我介绍一下新内容：\u和\w，以下内容需要拓展知识

先康康拓展知识如何？

计算机中的字符本质也是一串二进制数字，比如：

a是0110 0001，转化为十进制就是97
z是0111 1010十进制122

所以[a-z]本质就是找出大小是97到122之间的字符
汉字也是，不过汉字占用的是2个字节，也就是16个二进制位。

\w是个神奇的小东西，会匹配我们日常认知中的字母、汉字，也就是character这样的字母，233333这样的数字，以及你不是真正的快乐这样的汉字。
\w依附于操作系统、正则表达式执行器等等稀奇古怪的环境因素，有的软件会将α这种希腊字母匹配进去，有的会匹配ひらがな这样的假名，有的只会匹配操作系统目前语言中的文字，比如汉字。
一般来讲，我个人不是很推荐\w，虽然这个小东西确·实·方·便。
\uxxxx会匹配16进制内容是xxxx的字符，比如\u5b57匹配字

最终答案：[A-Za-z_\d\u4e00-\u9fa5]+

基础知识总结

[]表示匹配一个在其中的字符
+表示匹配前一个字符一次或多次

第一课：最基本的正则表达式

这节课，我们通过学习如何~~攻击史莱姆~~屏蔽垃圾短信来掌握最基本的正则表达式。

1、解决奇怪的垃圾短信

孙子曰：“知己知彼，百战不殆。”
我们首先需要知道垃圾短信大概长什么样。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
  好消息！好消息！
  MCBAR正式与百度达成协议（误）
  即日起，凡是MCBAR用户，均可以享受免费
  的百度搜索服务！
  详情请咨询：www.baidu.com
  退订回TD
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

无论消息内容是广告、博彩亦或者其他奇怪的东西，这些短信都会很心机地加一条：“退订回TD”，有很多乖孩子会天真地回复“TD”——但是这个世界是险恶的——然后广告机器人马上知道这个号码是活的，开始了惨无人道地广告轰炸。

这个退订回复XX是广告机用来钓鱼的，也能反过来为我们所用（我套路了你的套路）。观察一下这些钓鱼内容：

退订回TD  退订回T  回T退订  退订回复TD  退订TD  退订请回TD  回td退订

万变不离其宗，很明显，这些句子中大部分扩写到最后都是退订请回复TD
退订回 TD 或者 退订请回 T

所以这时候就要请出?（——匹配或不匹配，这是一个问题）了
我相信你现在一定有许多?,别担心，这个?的意思就是前一个字符可以不出现。
找找哪些内容是可能不出现的？“请”和“复”还有“D”。

那么正则匹配就是：退订请?回复?TD?。到正则表达式测试网站试试看？
人类的对抗就是套路之间的对抗，就是套娃（我好像发现了新的人类的本质？）

有的广告人知道上面那几种容易被拦截，所以略施小计，整出了变种。
~~_{恕我直言，这些乱搞广告机的人，就应该被塞进大炮里，以极高的速度射向太阳，完成载人登日的伟大壮举。}~~

回T退订  回td退订  退订回tuiding

心机1：大写改小写，原来的正则匹配的是TD和T，现在改成td就匹配不到了
心机2：句式变换，“退订”二字被移动到句尾
心机3：扩句，加入标点符号等干扰因素（有的会加空格）

事情开始变得复杂起来了？没关系（），万变不离其宗。

这一句钓鱼内容永远会出现距离很近的退订和回，以及一串看起来像是有效指令的字母。
还记得如何匹配字母吗？[A-Za-z]
还记得怎么匹配一个或多个字符呢？+
那么在这些要素之间的文字如何匹配？.<这只是一个点，但是它的意思就是匹配任何字符（包括空格）

那么答案呼之欲出了：退订.?.?.?.?回.?[A-Za-z]+

好像不是很优雅？可以试试*，它意味着前一个字符出现几次或者不出现都没关系。
那么答案也就是：退订.*回.*[A-Za-z]+
到正则表达式测试网站试试看？

试一试？

有的垃圾短信更加心机，套路你的内容不再是退订请回复TD的缩写，而是

退订回复X  回复AA退订  想退订？回ASS

这些内容如何匹配？（请尝试匹配下列垃圾短信钓鱼内容）

回复ASD退订 回666以退订

基础知识总结

- .匹配任何字符

- []匹配一个在其中的字符

- +表示前一个字符可以出现一次或多次

- ?表示前一个字符可以不出现

- *表示前一个字符可以不出现，也可以出现一次或多次

第二课：最基本的正则表达式·Plus

这节课，我们以净化B站弹幕为例，学习如何对付一些难缠的家伙。

2、对付难缠的家伙

要说难缠的家伙，B站你们知道吧？
作为中国最大的弹幕视频网站，随着近年来的商业化进程，B站的弹幕生态遭遇了打击——简单来讲，有很多做事不考虑别人感受的人，利用弹幕的匿名性，发一些让人不快的弹幕。
主要是以下几种：

1. 刷观看时间，如1小时前 5438播放，有图为证

2. 超长弹幕，如长（省略无数空格）长 咕咕咕咕咕咕咕咕咕咕咕咕咕咕咕

3. 表白弹幕，如cxk我喜欢你 qbl我们在一起吧

4. 疯狂刷某种梗，如石粒石粒石粒石粒石粒石粒 fbkfbkfbkfbkfbk

5. 不合时宜地用梗，如来世愿做方块人 富有的微笑

6. 人身攻击/阴阳怪气，如去你*的 这就是二刺螈吗

很多，很杂，很乱，你需要将屏蔽等级开到最高(x)
电脑上没有屏蔽等级这个功能，我们应该怎么办？正则表达式。

我们按处理难度给这些烦人的弹幕分分类。

明显固定格式的 富有让我们相遇 1小时前
替换字词，格式变动的 来世愿做XXX xz妈妈爱你
刷重复的字词 枯燥枯燥枯燥枯燥枯燥枯燥 ？？？？？？？

对付第一种替换字词，格式不怎么变化的弹幕，可以使用上节课的知识。
比如针对富有让我们相遇 大会员使我们相遇，可以使用：
[富贫会有][有穷员钱][让使]我们?相[遇聚]

刷重复字词的其实是最简单也是最让人难受的弹幕，因为你不能用[\u0000-\uffff]来屏蔽所有的弹幕，那样不如直接关弹幕。所以我们需要一些新的东西。
\1和{}
括号匹配的内容并不会全部木大，而是会留着备用。举个例子：
用(你我他)在玩mc来匹配你在玩mc，你的程序会记住你这个字；这个特性利用起来，可以用于匹配重复的字符。
比如说(.)可以匹配任何字符，而(.)\1可以匹配两个连在一起的相同字符，比如说哈哈 喵喵。
如果我要屏蔽多个连在一起的相同字符呢？总不能用无数个\1吧？
是的，{}就是这个作用。

{n,m}匹配n到m个（n<=m）前个字符/括号
{n}匹配n个前个字符/括号
{n,}至少匹配n个前个字符/括号（或者说匹配n次到无穷次）

有了这些知识储备，我们就能写出这样的正则表达式：
(.)\1{5,}当一个字符连续出现6次的时候匹配成功。
不过，怎么匹配fbkfbkfbkfbk这样的重复词弹幕呢？我直接放答案，请大家自己研究。
(\S+)(.*\1){5}

试一试

试试开，屏蔽诸如：

2小时前
50分钟前
三小时前
233播放量
500播放留念

这样的弹幕

基础知识总结

()匹配其中的表达式
|逻辑或
[^]负匹配
- 比如[^abc]就是匹配abc这三个字符以外的任何字符