从正则表达式匹配 IP 地址谈起

正则表达式 RegEx 是一种强大的字符串处理工具，在字符串处理中应用广泛。RegEx（Regular Expression）可以理解为匹配规则（Regular）的搜索模式。正则表达式匹配的不是字符串本身，而是一种字符串生成规则。凡是符合这一规则的字符串，都可以使用正则表达式检索获取。

介绍完正则表达式的概念，这里可以通过一些实践来体会正则表达式的强大与便捷。下面介绍如何使用正则表达式匹配 IP 地址，这里作为练习只处理 IPv4 地址。

待匹配字符串如下：

$ arp -a

接口: 192.168.216.1 --- 0x3
  Internet 地址         物理地址              类型
  192.168.216.255       ff-ff-ff-ff-ff-ff     静态
  224.0.0.22            01-00-5e-00-00-16     静态
  224.0.0.251           01-00-5e-00-00-fb     静态
  224.0.0.252           01-00-5e-00-00-fc     静态
  239.255.255.250       01-00-5e-7f-ff-fa     静态

接口: 169.254.86.111 --- 0xd
  Internet 地址         物理地址              类型
  169.254.255.255       ff-ff-ff-ff-ff-ff     静态
  224.0.0.22            01-00-5e-00-00-16     静态
  224.0.0.251           01-00-5e-00-00-fb     静态
  224.0.0.252           01-00-5e-00-00-fc     静态
  239.255.255.250       01-00-5e-7f-ff-fa     静态

接口: 192.168.1.2 --- 0xe
  Internet 地址         物理地址              类型
  192.168.1.1           18-13-2d-2f-fa-b4     动态
  192.168.1.255         ff-ff-ff-ff-ff-ff     静态
  224.0.0.22            01-00-5e-00-00-16     静态
  224.0.0.251           01-00-5e-00-00-fb     静态
  224.0.0.252           01-00-5e-00-00-fc     静态
  239.255.255.250       01-00-5e-7f-ff-fa     静态
  255.255.255.255       ff-ff-ff-ff-ff-ff     静态

接口: 169.254.252.27 --- 0x14
  Internet 地址         物理地址              类型
  169.254.255.255       ff-ff-ff-ff-ff-ff     静态
  224.0.0.22            01-00-5e-00-00-16     静态
  224.0.0.251           01-00-5e-00-00-fb     静态
  224.0.0.252           01-00-5e-00-00-fc     静态
  239.255.255.250       01-00-5e-7f-ff-fa     静态
  255.255.255.255       ff-ff-ff-ff-ff-ff     静态

初级

根据 IPv4 地址的格式，可以发现，IP 地址有 4 组数字组成，每组数字长度范围为从 1 位到 3 位，并且每组数字之间由 . 分割。那么根据这一规律，可以使用正则表达式写出匹配字符串：

((\d{1,3})\.){3}(\d{1,3})
(\d{1,3}\.){3}(\d{1,3})

IP 地址由 4 个字节组成，每个字节 8 位，所以 IPv4 地址的取值范围是 0 ~ 255，共 256 个。

这样的处理方法虽然简单，一目了然，但却需要面对一个大问题——正则表达式匹配出来的不是 IPv4 地址。例如：

999.888.777.666
......

这些非法 IPv4 地址字段也会在这一不严谨的正则表达式中匹配出来，这显然不是我们想要的。因此，我们需要对正则表达式进行改进，使其只匹配合法的 IPv4 地址。

高级

在构造一个正则表达式的时候，一定要考虑周全，避免出现匹配到不合法的字段，定义清楚的规则，确定可以匹配什么，以及不能匹配什么。

在这个 IPv4 地址匹配的过程中，我们需要确定一个合法有效的 IPv4 地址的格式，即：

4 组数字，每组数字范围为 1 ~ 255；
每组数字之间用 . 分割；
任意的 1 位或 2 位数字
任意的以 1 开头的 3 位数字；
任意的以 2 开头，第二位数字在 0 到 4 之间的 3 位数字；
任意的以 2 开头，第二位数字为 5，第三位数字在 0 到 5 之间的 3 位数字；

知晓上述规则后，依次罗列所有规则，准确的匹配模式自然可以构造如下：

(((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))\.){3}((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))

其中，按照 IPv4 地址规则，

(\d{1,2}) 匹配任意 1 位或 2 位数字；
(1\d{2}) 匹配任意以 1 开头的 3 位数字；
(2[0-4]\d) 匹配任意以 2 开头，第二位数字在 0 到 4 之间的 3 位数字；
(25[0-5]) 匹配任意以 25 开头的 3 位数字；

看起来不错，完全按照上述 IPv4 规则匹配，但只要实际匹配查找，会发现上述正则表达式，根本无法正常匹配 IPv4 地址，效果甚至不如第一个匹配模式。例如：

255.255.255.0
255.255.255.10
255.255.255.255

这两种 Ipv4 地址，上述正则表达式只能匹配到第一个和第二个，却无法匹配到第三个。但是，正则表达式规则是严格按照 IPv4 地址规则定义的，为什么会出现这种情况呢？

这就要引出正则表达式的贪心（greedy）特性了。也就是在正则表达式中，如果出现多个匹配模式，那么会优先匹配最长的匹配模式，而不是符合匹配规则的最短的，而且会尽量满足第一个匹配模式，具体到 IPv4 地址匹配，就是尽可能匹配最长的规则以及首位规则。

((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))

这是匹配一组 IPv4 地址字段的正则表达式匹配模式，其中 (\d{1,2}) 表示匹配任意 1 ~ 2 位数字，在 IPv4 前三组字段的匹配中，由于 . 的存在，根据正则表达式的贪心特性，会尽可能匹配最长的匹配模式，即 (\d{1,2}) 无法匹配的会自动切换下一子表达式，以求匹配的字符串模式更长。所以，上述正则表达式匹配前三组没有出现任何问题，但是在第四组字段的匹配过程中，由于 (\d{1,2}) 无法匹配 255，所以当 (\d{1,2}) 匹配 25 时，两个数字全部匹配到，匹配模式自动结束，如果第四个字段是 3 个数字，那么第三个数字将被忽略而无法匹配到。

那么，如何改进呢？

进阶

其实，根据以上分析，可以发现，无需较大修改，因为 IPv4 规则仍是不变的，如果将 IPv4 地址的匹配规则改为如下，就可以完美匹配了。

(((25[0-5])|(2[0-4]\d)|(1\d{2})|(\d{1,2}))\.){3}(((25[0-5])|(2[0-4]\d)|(1\d{2})|(\d{1,2})))

按照正则表达式的贪心特性以及首位子表达式优先匹配特性，可以在规则组合时，优先选择匹配位数较长的子表达式，当前子表达式不满足时，在依次切换匹配位数较短的子表达式。

写在最后

本来只是正则表达式匹配 IPv4 地址，一个很简单的小练习，没想到发现了一个正则表达式匹配 IPv4 地址的坑，涉及到正则表达式的贪心特性以及首位子表达式优先。世事洞明皆学问，此言不虚，所以，还是记录一下吧。