对正则表达式的初步了解

正则表达式

---

  最近在Java课堂、Javascript课堂上遇到了与另一种模式匹配相关的东西：正则表达式。
  怎么说呢，之前也曾听说过这个名字，当时以为是涉及到计算机图形学的图形生成相关的高深算法（滑稽）。在最近几个月，我开始了HTML、CSS、JAVASCRIPT的自学，在Java学到String类的同时，我在Javascript的学习资料上同样遇到了关于正则表达式的知识（在表单中判断用户输入的内容是否合法）。当时就理解不能，于是整合资料，将正则表达式的相关知识整理如下。

---

介绍

  正则表达式是一种可以用与模式匹配和替换的强有力的工具。一个正则表达式就是由普通字符（大小写的英文字母和数字）以及特殊字符（称为元字符）组成的文字模式。
  由正则表达式的相关表述我们可以知道正则表达式的构成，下面给出特殊字符的解释。

---

正则表达式-元字符

  下表包含了元字符的完整列表以及它们在正则表达式上下文中的行为：

字符 描述 \

将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符。例如，’n’ 匹配字符 “n”。’\n’ 匹配一个换行符。序列 ‘\\’ 匹配 “\” 而 “\(” 则匹配 “(“。

^

匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性，^ 也匹配 ‘\n’ 或 ‘\r’ 之后的位置。

$

匹配输入字符串的结束位置。如果设置了RegExp 对象的 Multiline 属性，$ 也匹配 ‘\n’ 或 ‘\r’ 之前的位置。

*

匹配前面的子表达式零次或多次。例如，zo* 能匹配 “z” 以及 “zoo”。* 等价于{0,}。

+

匹配前面的子表达式一次或多次。例如，’zo+’ 能匹配 “zo” 以及 “zoo”，但不能匹配 “z”。+ 等价于 {1,}。

?

匹配前面的子表达式零次或一次。例如，”do(es)?” 可以匹配 “do” 或 “does” 。? 等价于 {0,1}。

{n}

n 是一个非负整数。匹配确定的 n 次。例如，’o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的两个 o。

{n,}

n 是一个非负整数。至少匹配n 次。例如，’o{2,}’ 不能匹配 “Bob” 中的 ‘o’，但能匹配 “foooood” 中的所有 o。’o{1,}’ 等价于 ‘o+’。’o{0,}’ 则等价于 ‘o*’。

{n,m}

m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，”o{1,3}” 将匹配 “fooooood” 中的前三个 o。’o{0,1}’ 等价于 ‘o?’。请注意在逗号和两个数之间不能有空格。

?

当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 “oooo”，’o+?’ 将匹配单个 “o”，而 ‘o+’ 将匹配所有 ‘o’。

.

匹配除 “\n” 之外的任何单个字符。要匹配包括 ‘\n’ 在内的任何字符，请使用像”(.|\n)“的模式。

(pattern)

匹配 pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在JScript 中则使用 0…9 属性。要匹配圆括号字符，请使用 ‘\(’ 或 ‘\)’。

(?:pattern)

匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 “或” 字符 (|) 来组合一个模式的各个部分是很有用。例如， ‘industr(?:y|ies) 就是一个比 ‘industry|industries’ 更简略的表达式。

(?=pattern)

正向预查，在任何匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如，’Windows (?=95|98|NT|2000)’ 能匹配 “Windows 2000” 中的 “Windows” ，但不能匹配 “Windows 3.1” 中的 “Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。

(?!pattern)

负向预查，在任何不匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如’Windows (?!95|98|NT|2000)’ 能匹配 “Windows 3.1” 中的 “Windows”，但不能匹配 “Windows 2000” 中的 “Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。

x|y

匹配 x 或 y。例如，’z|food’ 能匹配 “z” 或 “food”。’(z|f)ood’ 则匹配 “zood” 或 “food”。

[xyz]

字符集合。匹配所包含的任意一个字符。例如， ‘[abc]’ 可以匹配 “plain” 中的 ‘a’。

[^xyz]

负值字符集合。匹配未包含的任意字符。例如， ‘[^abc]’ 可以匹配 “plain” 中的’p’、’l’、’i’、’n’。

[a-z]

字符范围。匹配指定范围内的任意字符。例如，’[a-z]’ 可以匹配 ‘a’ 到 ‘z’ 范围内的任意小写字母字符。

[^a-z]

负值字符范围。匹配任何不在指定范围内的任意字符。例如，’[^a-z]’ 可以匹配任何不在 ‘a’ 到 ‘z’ 范围内的任意字符。

\b

匹配一个单词边界，也就是指单词和空格间的位置。例如， ‘er\b’ 可以匹配”never” 中的 ‘er’，但不能匹配 “verb” 中的 ‘er’。

\B

匹配非单词边界。’er\B’ 能匹配 “verb” 中的 ‘er’，但不能匹配 “never” 中的 ‘er’。

\cx

匹配由 x 指明的控制字符。例如， \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 ‘c’ 字符。

\d

匹配一个数字字符。等价于 [0-9]。

\D

匹配一个非数字字符。等价于 [^0-9]。

\f

匹配一个换页符。等价于 \x0c 和 \cL。

\n

匹配一个换行符。等价于 \x0a 和 \cJ。

\r

匹配一个回车符。等价于 \x0d 和 \cM。

\s

匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。

\S

匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。

\t

匹配一个制表符。等价于 \x09 和 \cI。

\v

匹配一个垂直制表符。等价于 \x0b 和 \cK。

\w

匹配包括下划线的任何单词字符。等价于’[A-Za-z0-9_]’。

\W

匹配任何非单词字符。等价于 ‘[^A-Za-z0-9_]’。

\xn

匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，’\x41’ 匹配 “A”。’\x041’ 则等价于 ‘\x04’ & “1”。正则表达式中可以使用 ASCII 编码。

\num

匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。例如，’(.)\1’ 匹配两个连续的相同字符。

\n

标识一个八进制转义值或一个向后引用。如果 \n 之前至少 n 个获取的子表达式，则 n 为向后引用。否则，如果 n 为八进制数字 (0-7)，则 n 为一个八进制转义值。

\nm

标识一个八进制转义值或一个向后引用。如果 \nm 之前至少有 nm 个获得子表达式，则 nm 为向后引用。如果 \nm 之前至少有 n 个获取，则 n 为一个后跟文字 m 的向后引用。如果前面的条件都不满足，若 n 和 m 均为八进制数字 (0-7)，则 \nm 将匹配八进制转义值 nm。

\nml

如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。

\un

匹配 n，其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如， \u00A9 匹配版权符号 (?)。

---

  上述部分为完整的元字符及其作用，根据自我理解与实用性将其整理如下

---

常用元字符

字符 描述\

最为常用的就是在其后接字母即转义符，如\n为换行符

^

^会匹配行或者字符串的起始位置，有时还会匹配整个文档的起始位置。

$$会匹配行或字符串的结尾\b用于匹配单词的边界位置（前边界与后边界）\d

用于匹配数字，例如：要匹配一个固定格式的电话号码以0开头前4位后7位，如0737-5686123，正则表达式为：/^0\d\d\d-\d\d\d\d\d\d\d$/（这里只是为了介绍\d字符，实际上有更好的写法会在下面介绍）

\w用于匹配数字、英文字母、下划线（也即除去空白符的其它字符），例如要匹配字符a2345BCD__TTz，正则表达式为：/\w+/，这里的+为限定符，稍后会继续讲解\s

匹配任何空白字符，例如要匹配字符a b c，正则表达式为：/\w\s\w\s\w/（存在更好的匹配模式，这里只是举例）

.

用于匹配除去换行符（\n）之外的任意单个字符

[xyz]

字符集合，用于匹配包含任意集合元素的字符串

[x-z]

字符范围，用于匹配包含任意属于该范围内元素的字符串

---

常用反义字符

  反义字符的写法很简单，只需要将小写字母改成大写即可（部分在表达式里添加^），所实现的功能与原来相反

字符 描述\W

匹配任意不是字母，数字，下划线的字符

\S

匹配任意不是空白符的字符

\D

匹配任意非数字的字符

[^abc]

匹配除了abc以外的任意字符

---

限定词（量词）

  先引用关于量词所涉及到的重要的三个形态：

贪婪
如 * 字符贪婪量词会首先匹配整个字符串，尝试匹配时，它会选定尽可能多的内容，如果失败则回退一个字符，然后再次尝试回退的过程就叫做回溯，它会每次回退一个字符，直到找到匹配的内容或者没有字符可以回退。相比下面两种贪婪量词对资源的消耗是最大的

懒惰
如 ? 懒惰量词使用另一种方式匹配，它从目标的起始位置开始尝试匹配，每次检查一个字符，并寻找它要匹配的内容，如此循环直到字符结尾处。

占有
如 + 占有量词会覆盖事个目标字符串，然后尝试寻找匹配内容 ，但它只尝试一次，不会回溯，就好比先抓一把石头，然后从石头中挑出一粒黄金

• *(贪婪)
  重复零次或更多次，例如aaaaaaaa匹配字符串中所有的a，正则表达式：a*会匹配到所有的字符a
• *(贪婪)
  重复零次或更多次，例如aaaaaaaa匹配字符串中所有的a，正则表达式：a*会匹配到所有的字符a
• ?(占有)
  重复零次或一次,例如aaaaaaaa匹配字符串中的a，正则表达式：a?只会匹配一次，即结果只是单个字符a
• {n}
  重复n次，例如从aaaaaaaa匹配字符串的a并重复3次，正则表达式：a{3}结果即为取到3个a字符aaa
• {n,m}
  重复n到m次，例如正则a{3,4}将a重复匹配3次或者4次，所以供匹配的字符可以是三个aaa也可以是四个aaaa，该正则表达式都可以匹配到
• {n,}
  重复n次或更多次，与{n,m}不同之处就在于匹配的次数没有上限，但至少要重复n次，例如正则表达式a{3,}其中a至少要重复3次

---

特殊限定词

*?
重复任意次，但尽可能少重复。如acbacb正则表达式：a.*?b只会取到第一个acb，原本可以全部取到，但加了限定符后，只会匹配尽可能少的字符 ，而acbacb最少字符的结果就是acb

+?
重复1次或更多次，但尽可能少重复。

??
重复0次或1次，但尽可能少重复。如aaacb，正则表达式a.??b只会取到最后的三个字符acb

{n,m}?
重复n到m次，但尽可能少重复。

{n,}?
重复n次以上，但尽可能少重复。

---

未深究问题

• 捕获分组
捕获分组
• 等价
  等价替换

---

练习

匹配邮箱地址（为JavaScript格式）：
/^[a-zA-Z0-9_]+@([a-zA-Z0-9_]+.)+[a-zA-Z0-9]{2,3}$/
另：规则不同，则正则表达式不同

---