js数字正则

article/2025/9/14 2:43:32

js正则表达式

1.了解什么是正则表达式?

正则表达式(Regular Expression)又称规则表达式,简单来说它就是一个概念,用事先声明好的字符和字符的组合,来组成一个“规则字符串”,用来检测我们书写的字符串是否符合规则。听到这里也许你有些懵,别慌伙计,咱们往下看↓↓↓

2.正则表达式的应用

就以163邮箱为例子,像判断邮件地址长度、开头是否首字母,是否无特殊字符、判断密码强度,是否符合规范等等,都需要用我们的正则来检索判断的。
在这里插入图片描述

3.常用的正则表达式字符
单个字符
. 匹配任意字符(他就是一个点)
范围内字符
[0~9] 匹配0~9的单个字符
[a-zA-Z] 匹配单个数字、字母或者下划线字符
[^ ] 匹配除去范围内的字符,就是除去括号内的,其他的都对 
范围内字符简写
\d   等价于  [0-9]  匹配单个的数字字符
\D   等价于 [^0-9]  匹配单个的非数字字符
\w   等价于[a-zA-Z0-9_ ] 匹配单个数字、字母或者下划线字符
\W   等价于[^a-zA-Z0-9_] 匹配非单个数字、字母或者下划线字符
空白字符
\s   匹配任意的空白字符  空格、回车、换行(\n)、tab键
\S   匹配任意的非空白字符

注意:简写都是反斜杠

锚字符
^   行首匹配
$   行尾匹配
^ $  必须以同一内容开头或结尾   
重复字符
 注:x代表任意的单个字符或者任意的单个元字符x+   至少匹配一个x字符x?   匹配0个或者1个x字符x*   匹配任意个x字符x{m,n}  匹配至少m个,至多n个x字符x{n}   匹配n个x字符(xyz)   凡是通过小括号括起来的多个字符,当做一个字符进行处理
替代字符
  |    讲多个字符连起来   类似于或运算
这都是啥跟啥啊,你一定很懵吧,稳住,咱们即将迎来“真香定律”!

在这里插入图片描述

创建正则

1.通过new声明
2.省略new声明
3. 常量赋值声明

 var box = new RegExp("hello", "gi");//通过new声明var box = RegExp("hello", "gi");//省略new声明var box = /hello/gi;//直接常量赋值//可以传入两个参数:修饰符(没有先后顺序)i  忽略大小写g  全局匹配m  换行匹配

正则方法

test

格式:正则.test(字符串);
功能:在字符串中匹配正则是否存在
返回值:如果存在返回true
如果不存在就返回false

var str = "how aRe you";
var box = /are/i;//要记住修饰符代表什么
alert(box.test(str));//输出的是true
exec

格式:正则.exec(字符串)
功能:在字符串中匹配正则是否存在
返回值:如果存在返回一个数组,数组里面存放着匹配的内容,如果不存在,返回null

var str = "how aRe you";
var box = /are/i;
alert(box.exec(str).length);
//一般这个用法不常用,记住上一个就好

支持正则的字符

math

格式:字符串 . search(正则)
功能:在字符串中匹配这个正则是否存在
返回值:如果存在,返回一个数组,数组放着,匹配到的子串

var str = "how are Are ARE you";
var box = /arex/ig;
alert(str.match(box)); //输出结果是 are,Are,ARE
search

格式:字符串.search(正则)
功能:在字符串中,查找正则表达式,第一次出现的位置
返回值:如果查找到,返回,查找到的下标
查找不到,返回-1

var str = "how ARE are you";
var box = /are/i;
alert(str.search(box)); //输出结果是 4
replace

格式:字符串.replace(正则, newStr);
功能:在字符串中找到正则,并且将他替换成新字符串。
返回值:替换成功的新字符串

var str = "how are Are ARE you";
var box = /are/ig;
var newStr = str.replace(box, "two");
alert(newStr); //输出的是 how two two two you
split

格式:字符串.split(正则)
功能:使用正则对字符串进行字符串分割
返回值:分割完的子串组成的数组。

var str = "how are Are ARE you";
var box = /are/i;
var arr = str.split(box);
alert(arr); //输出的是 how , , , you

终于到了真香时刻了,来咱们看案列

表单验证
 if(oValue.length < 6 || oValue.length > 18){oUsernameSpan.style.color = 'red';oUsernameSpan.innerHTML = "!长度应为6~18个字符";//2、判断首字符是否是字母}else if(/[^a-zA-Z]/.test(oValue[0])){oUsernameSpan.style.color = 'red';oUsernameSpan.innerHTML = "!邮件地址必需以英文字母开头";//3、判断所有的字符都是数字、字母和下划线组成  }else if(/\W/.test(oValue)){oUsernameSpan.style.color = 'red';oUsernameSpan.innerHTML = "!邮件地址需由字母、数字或下划线组成";}else{//要是上面所有的都符合条件的话,就输入下面内容oUsernameSpan.style.color = 'green';oUsernameSpan.innerHTML = '✅恭喜,该邮件地址可注册';}

看完这个案列后大家心里也多多少少知道怎么写了,正则的判断语法其实也没有多少,多加练习,一定能够掌握的!

第一次写,就先写这么多,不足之处实在太多,后面会继续改进。

扫码关注下方公众号,天下科技,尽在您眼
在这里插入图片描述

http://chatgpt.dhexx.cn/article/LDsy1hIP.shtml

相关文章

卷积神经网络降维方法,深度神经网络降维方法

1、卷积神经网络中用1*1 卷积有什么作用或者好处 1*1卷积的主要作用有以下几点&#xff1a; 1、降维&#xff08; dimension reductionality &#xff09;。比如&#xff0c;一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积&#xff0c;那么结果的大小为500*5…

常用降维方法

降维方法分为线性核非线性降维&#xff0c;非线性降维又分为基于核函数和基于特征值的方法。 线性降维方法&#xff1a;PCA ICA LDA LFA LPP(LE的线性表示) 基于核函数的非线性降维方法&#xff1a;KPCA KICA KDA 基于特征值的非线性降维方法&#xff08;流型学习&#x…

机器学习四大数据降维方法详解

引言&#xff1a; 机器学习领域中所谓的降维就是指采用某种映射方法&#xff0c;将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y&#xff0c;其中x是原始数据点的表达&#xff0c;目前最多使用向量表达形式。 y是数据点映射后的低维向…

机器学习 | 降维问题

目录 一、主成分分析 二、奇异值分解 2.1 奇异值分解原理 2.2 奇异值分解实践 三、特征值与特征向量 一、主成分分析 主成分有如下特征&#xff1a; 每个主成分是原变量的线性组合&#xff1b;各个主成分之间互不相关&#xff1b;主成分按照方差贡献率从大到小依次排列&…

数据降维方法总结

Introduce 经过这几天面试后&#xff0c;我发现数据降维这一块在工业界用的很多或者说必不可少&#xff0c;因此&#xff0c;这方面需要重点关注。今天&#xff0c;我将数据降维总结于此&#xff0c;包括他人成果&#xff0c;这里对他们的内容表示感谢。 Method 对数据降维作…

机器学习四大降维方法

引言&#xff1a; 机器学习领域中所谓的降维就是指采用某种映射方法&#xff0c;将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y&#xff0c;其中x是原始数据点的表达&#xff0c;目前最多使用向量表达形式。 y是数据点映射后的低维向…

机器学习降维方法概括

最近刷题看到特征降维相关试题&#xff0c;发现自己了解的真是太少啦&#xff0c;只知道最简单的降维方法&#xff0c;这里列出了常见的降维方法&#xff0c;有些算法并没有详细推导。特征降维方法包括&#xff1a;Lasso&#xff0c;PCA&#xff0c;小波分析&#xff0c;LDA&am…

详解机器学习高维数据降维方法

当特征选择完成后&#xff0c;可以直接训练模型了&#xff0c;但是可能由于特征矩阵过大&#xff0c;导致计算量大&#xff0c;训练时间长的问题&#xff0c;因此降低维度也是必不可少的。 常见的降维方法除了以上提到的基于 L1 惩罚项的模型以外&#xff0c;另外还有主成分分…

机器学习之降维

本周关于降维的学习主要分为五类&#xff1a;PCA、LDA、LLE、tSNE、ISOMAP 来进行学习 首先自己的任务是&#xff1a;tSNE的学习 &#xff08;一&#xff09;降维的基本知识点总结 1、降维方法分为线性和非线性降维&#xff0c;非线性降维又分为基于核函数和基于特征值的方…

四大机器学习降维方法

引言&#xff1a; 机器学习领域中所谓的降维就是指采用某种映射方法&#xff0c;将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y&#xff0c;其中x是原始数据点的表达&#xff0c;目前最多使用向量表达形式。 y是数据点映射后的低维向…

降维方法总结

目录 数据降维方法: 降维&#xff1a; 降维的用处&#xff1a; 降维方法思想分类&#xff1a; 降维方法总览 降维方法详细说明 1. 缺失值比率&#xff08;Missing Value Ratio&#xff09; 2. 低方差滤波&#xff08;Low Variance Filter&#xff09; 3. 高相关…

数据分析七种降维方法

近来由于数据记录和属性规模的急剧增长&#xff0c;大数据处理平台和并行数据分析算法也随之出现。于此同时&#xff0c;这也推动了数据降维处理的应用。实际上&#xff0c;数据量有时过犹不及。有时在数据分析应用中大量的数据反而会产生更坏的性能。 最新的一个例子是采用 20…

12种降维方法及python实现

你遇到过特征超过1000个的数据集吗&#xff1f;超过5万个的呢&#xff1f;我遇到过。降维是一个非常具有挑战性的任务&#xff0c;尤其是当你不知道该从哪里开始的时候。拥有这么多变量既是一个恩惠——数据量越大&#xff0c;分析结果越可信&#xff1b;也是一种诅咒——你真的…

特征降维方法

关于降维的学习主要分为五类&#xff1a;PCA、LDA、LLE、tSNE、ISOMAP &#xff08;一&#xff09;降维的基本知识点总结 1、降维方法分为线性和非线性降维&#xff0c;非线性降维又分为基于核函数和基于特征值的方法。 &#xff08;1&#xff09;线性降维&#xff1a;PCA、…

四大降维方法

PCA和LDA之间的区别 从主观的理解上&#xff0c;主成分分析到底是什么&#xff1f;它其实是对数据在高维空间下的一个投影转换&#xff0c;通过一定的投影规则将原来从一个角度看到的多个维度映射成较少的维度。到底什么是映射&#xff0c;下面的图就可以很好地解释这个问题—…

数据降维方法小结

数据的形式是多种多样的&#xff0c;维度也是各不相同的&#xff0c;当实际问题中遇到很高的维度时&#xff0c;如何给他降到较低的维度上&#xff1f;前文提到进行属性选择&#xff0c;当然这是一种很好的方法&#xff0c;这里另外提供一种从高维特征空间向低纬特征空间映射的…

12种降维方法终极指南

来源&#xff1a;Analytics Vidhya 编译&#xff1a;Bot 授权自 论智 你遇到过特征超过1000个的数据集吗&#xff1f;超过5万个的呢&#xff1f;我遇到过。降维是一个非常具有挑战性的任务&#xff0c;尤其是当你不知道该从哪里开始的时候。拥有这么多变量既是一个恩惠——数据…

12种降维方法终极指南(含Python代码)

12种降维方法终极指南&#xff08;含Python代码&#xff09; 你遇到过特征超过1000个的数据集吗&#xff1f;超过5万个的呢&#xff1f;我遇到过。降维是一个非常具有挑战性的任务&#xff0c;尤其是当你不知道该从哪里开始的时候。拥有这么多变量既是一个恩惠——数据量越大&…

七种降维方法

近来由于数据记录和属性规模的急剧增长&#xff0c;大数据处理平台和并行数据分析算法也随之出现。于此同时&#xff0c;这也推动了数据降维处理的应用。实际上&#xff0c;数据量有时过犹不及。有时在数据分析应用中大量的数据反而会产生更坏的性能。 最新的一个例子是采用 20…

【数据降维】数据降维方法分类

数据降维基本原理是将样本点从输入空间通过线性或非线性变换映射到一个低维空间&#xff0c;从而获得一个关于原数据集紧致的低维表示。 数据降维工具箱drtoolbox中众多算法&#xff0c;这里简单做个分类。 因为很多并没有仔细了解&#xff0c;在此次只对八种方法做分类&…