K：正则表达式之基础简介

正则表达式(regular expression 简称regex)是一种工具，和其它工具一样是为了解决某一类问题而发明的。正则表达式是一些用来匹配和处理文本的字符串。平时主要用于查找和替换符合相应模式的文本，而该模式，就是由正则表达式所定义。需要注意的是，使用正则表达式对字符串进行匹配，正则表达式的编写方案并不是唯一的，同一个问题，往往会有多种方案。同时，需要注意的是正则表达式的语法是区分大小写的即\d和\D表示的是不同的意思。

正则表达式的特殊字符及其含义如下：

. 用来匹配任意单个字符，当字符本身为“.”时，需要使用\来对其进行转义即(\.用于表示.这个字符本身，而不是任意单个字符。在绝大多数的正则表达式的实现里，.只能用于匹配除了换行符以外的任何单个字符)

[]用来定义一个字符集合。其表示在[]中所包含的字符的其中一个类似与sql语句中的in的作用。在[]中，可以使用“-”来表示一个集合的范围，例如[1-9]和[0123456789]是等价的，当然，其不仅限于数字，以下的也是合法的字符区间:

A-Z:匹配从A到Z的所有大写字母

a-z:匹配从a到z的所有小写字母

A-F:匹配从A到F的所有大写字母

A-z:匹配从ASCII字符A到ASCII字符z的所有字母，该模式不常用，因为其还包含着[和^等在ASCII字符表里排列在Z和a之间的字符。可以在一个字符集合中给出多个字符区间，例如[A-Za-z0-9]表示所有的数字和大小写字母

同时，可以使用[^]用于表示需要匹配的字符不在该定义的集合区间中。当要匹配“[]”本身的时候，需要使用\来对其进行转义，即\[\]的形式表示[]本身。

ps:对于转义字符\，若要表示该字符本身，需要使用\\来表示

 

以下的均为空白符(即原始文本的中的非打印字符)

\f用来匹配一个换页符

\n用来匹配一个换行符

\r用来匹配一个回车符

\t用来匹配一个制表符

\v用来匹配一个垂直制表符

 

ps:需要注意的是，\r\n是windows所使用的文本行结束标签，Unix和Linux系统只使用一个换行符来结束一个文本行；换句话说，在Unix/Linux系统上匹配空白行只用\n即可，不需要加上\r。还有一点是，f、n、r、t、v等字符本身是普通的字符，当用其来匹配空白符的时候，需要对其进行转义。

 

\d用于匹配任意一个数字，其等价于[0-9]

\D用于匹配任意一个非数字字符，其等价于[^0-9]

\w用于匹配任意一个字母字符(包括大小写)和数字字符或下划线字符，等价于[0-9A-Za-z_]

\W用于匹配任意一个非字母(包括大小写)数字或下划线字符，等价于[^0-9A-Za-z_]

\s用于匹配任意一个空白字符，等价于[\f\n\r\t\v]

\S用于匹配任意一个非空白字符，等价于[^\f\n\r\t\v]

\x用于匹配某个特定字符的十六进制，例如\x0A对应于ASCII码字符10，其效果等价于\n

\0用于匹配某个特定字符的八进制，例如\011对应于ASCII码中的字符9，其等价于\t

 

POSIX字符类：

[:alnum:]用于匹配任意一个字母或数字(等价于[a-zA-Z0-9])

[:alpha:]用于匹配任意一个字母(等价于[a-zA-Z])

[:blank:]用于匹配空格或制表符(等价于[\t ]注意的是，t后面有一个空格)

[:cntrl:]用于匹配ASCII码控制字符(ASCII码0到31，再加上ASCII码127)

[:digit:]用于匹配任意一个数字(等价于[0-9])

[:print:]用于匹配任意一个可打印字符

[:graph:]和[:print:]一样，但是不包括空格

[:lower:]用于匹配任意一个小写字母(等价于[a-z])

[:upper:]用于匹配任意一个大写字母(等价于[A-Z])

[:punct:]用于匹配既不属于[:alnum:]也不属于[:cntrl:]的任何一个字符

[:space:]用于匹配任意一个空白符，包括空格(等价于[^\f\n\r\t\v ]v后面还有一个空格)

[:xdigit:]用于匹配任何一个十六进制数字(等价于[a-fA-F0-9])

POSIX字符类的使用举例：

[[:xdigit:]]可以用于匹配A和F等16进制的数字。需要注意的是，POSIX字符类必须括在[:和:]之间。外层的[]用于定义一个字符集合

 

重复匹配：

+用于匹配前一个字符一个或者多个，至少匹配一个，不匹配零个字符的情况。如果要匹配+本身这个字符，需要对该字符进行转义即\+用于表示“+”这个字符本身。

*用于匹配零个或多个字符，如果要匹配*本身，需要对该字符进行转义，即\*表示字符“*”本身。

?用于匹配一个字符的零个或者一个，最多不能超过一个。如果要匹配字符?本身，则需要对字符?进行转义，即\?表示匹配字符“?”本身。

{m}用于匹配前一个字符m次，且必须是m次，少一次都不能进行匹配，需要注意的是，要匹配字符“{”和字符“}”，需要对其进行转义，即\{和\}用于匹配“{”和“}”字符本身。

{m,n}用于匹配前一个字符最少m次，最多n次。

{m,}用于匹配前一个字符至少m次，即匹配m次或理论上得无限次。

ps:需要注意的是，*和+以及{m,}都是贪婪型的匹配，其在进行模式匹配的时候，会尽可能的从一个文本的开头一直匹配到这段文本的末尾，而不是从这段文本的开头碰到第一个匹配的为止。要使其在碰到文本的第一个匹配为止就结束匹配，则应当将*和+以及{m,}变成懒惰匹配。变成懒惰匹配的方法是在*和+以及{m,}之后加上一个?使其在遇到合适的匹配的时候，就结束模式的匹配。

 

贪婪型匹配的一个例子：

文本：This offer is not available to customers living in <B>AK</B> and <B>HI</B>

正则表达式:<[Bb]>.*</[Bb]>

其匹配的结果是<B>AK</B> and <B>HI</B>

正则表达式修改为<[Bb]>.*?</[Bb]>

其匹配的结果:<B>AK</B>      <B>HI</B>

 

 

位置匹配：

位置匹配用来解决在什么地方进行字符串匹配操作的问题。

\b用来匹配一个单词的开始或结尾。需要注意的是，如果想匹配一个完整的单词，则必须在需要进行匹配的单词前后均加上一个\b。例如:\bcat\b用于匹配单词cat，而无法匹配scatter。而且需要注意的是，\b只是对位置进行匹配，而不匹配任何字符。

\B用于表明不匹配一个单词的边界即字母数字下划线之间，或者非字母数字下划线之间

^用于匹配字符串的开头，即整个文本的开头。当要匹配字符^本身的时候，需要对其进行转义处理，即\^用于匹配字符“^”本身

$用于匹配字符串的结尾，即整个文本的结尾。当要匹配字符$本身的时候，需要对其进行转义处理，即\$用于匹配字符“$”本身