正则表达式

 

正则表达式入门：

“.” 是另一个元字符，匹配除了换行符以外的任意符。“*”同样是元字符，但其代表的不是字符，也不是位置，而是数量——他指定*前边的内容可以连续重复使用任意次。“.*”连在一起就意味着任意数量的不包含换行的字符。例如：\bhi\b.*\bLucy\b

\ba\w*\b匹配以字母a开头的单词——先是某个单词开始处（\ b），然后是字母a，然后是任意数量的字母或数字（\w*），最后是单词结束处（\b）。          例如：图一

代码

说明

.

匹配除换行符以外的任意字符

\w

匹配字母或数字或下划线或汉字

\s

匹配任意的空白符

\d

匹配数字

\b

匹配单词的开始或结束

^

匹配字符串的开始

$

匹配字符串的结束

  

代码/语法

说明

*

重复零次或更多次

+

重复一次或更多次

?

重复零次或一次

{n}

重复n次

{n,}

重复n次或更多次

{n,m}

重复n到m次

图二

图一

字符转义：

 如果你想查找元字符本身的话，比如你查找“.”或者“*”，就出现了问题：无法指定他们，因为他们会被解释成别的意思。这时你就必须使用“\”来取消这些字符的特殊意义。例如：“\ . 和\*”要查找\本身，则使用“\\ .”例如图二

查找字母和数字、空白：

很简单，但是如果想匹配没有预定义元字符的字符集合（比如元音字母 a e i o u），可以这样[ a e i o u ]就匹配任何一个英文元音字母，[ . ? ! ]匹配标点符号（. 或 ? 或 !）。

例如[0-9]代表的含意与 \ d 就是完全一致的一位数字；同理[a-z0-9A-Z] 也完全等于 \w（如果只考虑英文的话）。

下面是一个更为复杂的表达式：

\ ( ? 0 \ d{ 2 }[ )-] ? \ d { 8 } 这个表达式可以匹配多种的电话号码格式 这里的“（”，“）”也是元字符。适用于（010）12345678 或（022-87654321）

分支条件：

以上的验证格式并非正式的。如果满足其中任意一种规则都应该当成匹配，分支结构的具体语法规则是用“|”把不同的规则的划分开。

例如：0 \ d { 2 } - \ d { 8 } | 0 \ d { 3 } - \ s { 7 }这个表达式匹配两种以连字号分隔电话号码：一种是三位区号，一种是四位区号的。

\ ( 0 \ d { 2 } \ ) [ - ] ? \ d { 8 } | 0 \ d { 2 } [ - ] ? \ d {8}这个表达式匹配3位区号的电话号码，那么美式邮政编码则可以：\ d { 5 } - \ d { 4 } | \ d { 5 }；中式\ d {6}；使用分支结构时，要注意各个条件的顺序。（如果一个条件满足那么另一个条件则放弃）。

分组表达式：

( \ d {1 , 3 } \ . ) { 3 }\ d { 1 , 3 } 这是一个简单的IP地址匹配表达式。\ d { 1 , 3 }匹配1到3位的数字，(\d{1,3}\ . ){ 3 } 匹配三位数字在加上一个“\”英文句号(也就是把这个整体分了三次)，但是他也将匹配这样的IP地址“256.300.888.999”这是不允许的。

正确：((2[0-4] \d |25[0-5] | [01]?\d\d?)\ .){3}(2[0-4]\d|25[0-5] | [01]?\d\d?)

反义表达式：

代码/语法

说明

\W

匹配任意不是字母，数字，下划线，汉字的字符

\S

匹配任意不是空白符的字符

\D

匹配任意非数字的字符

\B

匹配不是单词开头或结束的位置

[^x]

匹配除了x以外的任意字符

[^aeiou]

匹配除了aeiou这几个字母以外的任意字符

例如： \s+匹配  不包含空白符的字符串；<a[^>]+匹配> 用尖括号括起来的以a开头的字符串。

向后引用：

使用小括号指定一个子表达式后，匹配这个子表达式的文本(也就是此分组捕获的内容)可以在表达式或其它程序中作进一步的处理。

\b(\w+)\b\s+\1\b可以用来匹配重复的单词，像go go, 或者kitty kitty。这个表达式首先是一个单词，也就是单词开始处和结束处之间的多于一个的字母或数字(\b(\w+)\b)，这个单词会被捕获到编号为1的分组中，然后是1个或几个空白符(\s+)，最后是分组1中捕获的内容（也就是前面匹配的那个单词）(\1)。

也可以自己指定子表达式的组名。要指定一个子表达式的组名，请使用这样的语法：(?<Word>\w+)(或者把尖括号换成“ ' ”也行：( ? ' Word ' \ w + ))，这样就把\w+的组名指定为Word了。要反向引用这个分组捕获的内容，你可以使用\k<Word>,所以上一个例子也可以写成这样：\b(?<Word>\w+)\b\s+\k<Word>\b。

使用小括号时，还有特定用途的语法：

分类

代码/语法

说明

捕获

(exp)

匹配exp,并捕获文本到自动命名的组里

(?<name>exp)

匹配exp,并捕获文本到名称为name的组里，也可以写成(?'name'exp)

(?:exp)

匹配exp,不捕获匹配的文本，也不给此分组分配组号

零宽断言

(?=exp)

匹配exp前面的位置

(?<=exp)

匹配exp后面的位置

(?!exp)

匹配后面跟的不是exp的位置

(?<!exp)

匹配前面不是exp的位置

注释

(?#comment)

这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释让人阅读

第三个(?:exp)不会改变正则表达式的处理方式，只是这样的组匹配的内容不会像前两种那样被捕获到某个组里面，也不会拥有组号。

零宽断言：

      接下来的四个用于查找在某些内容(但并不包括这些内容)之前或之后的东西，也就是说它们像 \ b , ^ , $ 那样用于指定一个位置，这个位置应该满足一定的条件(即断言)，因此它们也被称为零宽断言

      (?=exp)也叫零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式exp。比如\b\w+(?=ing\b)，匹配以ing结尾的单词的前面部分(除了ing以外的部分)，如查找I'm singing while you're dancing.时，它会匹配sing和danc。

      (?<=exp)也叫零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式exp。比如(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re以外的部分)，例如在查找reading a book时，它匹配ading。

      假如你想要给一个很长的数字中每三位间加一个逗号(当然是从右边加起了)，你可以这样查找需要在前面和里面添加逗号的部分：((?<=\d)\d{3})+\b，用它对1234567890进行查找时结果是234567890。

      下面这个例子同时使用了这两种断言：(?<=\s)\d+(?=\s)匹配以空白符间隔的数字(再次强调，不包括这些空白符)。

负向零宽断言：

前面我们提到过怎么查找不是某个字符或不在某个字符类里的字符的方法(反义)。但是如果我们只是想要确保某个字符没有出现，但并不想去匹配它时怎么办？例如，如果我们想查找这样的单词--它里面出现了字母q,但是q后面跟的不是字母u,

        我们可以尝试这样：\b\w*q[^u]\w*\b匹配包含后面不是字母u的字母q的单词。但是如果多做测试(或者你思维足够敏锐，直接就观察出来了)，你会发现，如果q出现在单词的结尾的话，像Iraq,Benq，这个表达式就会出错。这是因为[^u]总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的[^u]将会匹配q后面的单词分隔符(可能是空格，或者是句号或其它的什么)，后面的\w*\b将会匹配下一个单词，于是\b\w*q[^u]\w*\b就能匹配整个Iraq fighting。《零宽度正回顾后发断言》能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。现在，我们可以这样来解决这个问题：\b\w*q(?!u)\w*\b。

零宽度正回顾后发断言(?!exp)，断言此位置的后面不能匹配表达式exp。例如：\d{3}(?!\d)匹配三位数字，而且这三位数字的后面不能是数字；\b((?!abc)\w)+\b匹配不包含连续字符串abc的单词。

      同理，我们可以用(?<!exp),零宽度正回顾后发断言来断言此位置的前面不能匹配表达式exp：(?<![a-z])\d{7}匹配前面不是小写字母的七位数字。(\d)匹配数字

请详细分析表达式(?<=<(\w+)>).*(?=<\/\1>)，这个表达式最能表现零宽断言的真正用途。

      一个更复杂的例子：(?<=<(\w+)>).*(?=<\/\1>)匹配不包含属性的简单HTML标签内里的内容。(?<=<(\w+)>)指定了这样的前缀：被尖括号括起来的单词(比如可能是<b>)，然后是.*(任意的字符串),最后是一个后缀(?=<\/\1>)。注意后缀里的 \ /，它用到了前面提过的字符转义；\1则是一个反向引用，引用的正是捕获的第一组，前面的(\w+)匹配的内容，这样如果前缀实际上是<b>的话，后缀就是</b>了。整个表达式匹配的是<b>和</b>之间的内容(再次提醒，不包括前缀和后缀本身)。

注释：

小括号的另一种用途是通过语法(?#comment)来包含注释。

例如：2 [0-4] \ d ( ? # 200-249) | 25[0-5] ( ? # 250-255) | [01] ? \ d \ d ? ( ? # 0-199 )。

要包含注释的话，最好是启用“忽略模式里的空白符”选项，这样在编写表达式时能任意的添加空格，Tab，换行，而实际使用时这些都将被忽略。启用这个选项后，在#后面到这一行结束的所有文本都将被当成注释忽略掉。例如，我们可以前面的一个表达式写成这样：

 (?<=     # 断言要匹配的文本的前缀

 <(\w+)>  # 查找尖括号括起来的字母或数字(即HTML/XML标签)

  )       # 前缀结束

  .*      # 匹配任意文本

 (?=      # 断言要匹配的文本的后缀

 <\/\1>    # 查找尖括号括起来的内容：前面是一个"/"，后面是先前捕获的标签

   )      # 后缀结束

贪婪与懒惰：

当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。以这个表达式为例：a.*b，它将会匹配最长的以a开始，以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。这被称为贪婪匹配。

     有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?。这样.*?就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧：

      a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

表5.懒惰限定符代码/语法

说明

*?

重复任意次，但尽可能少重复

+?

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

{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

平衡组/递归匹配：

有时我们需要匹配像( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构，这时简单地使用\(.+\)则只会匹配到最左边的左括号和最右边的右括号之间的内容(这里我们讨论的是贪婪模式，懒惰模式也有下面的问题)。假如原来的字符串里的左括号和右括号出现的次数不相等，比如( 5 / ( 3 + 2 ) ) )，那我们的匹配结果里两者的个数也不会相等。有没有办法在这样的字符串里匹配到最长的，配对的括号之间的内容呢？

     为了避免(和\(把你的大脑彻底搞糊涂，我们还是用尖括号代替圆括号吧。现在我们的问题变成了如何把xx <aa <bbb> <bbb> aa> yy这样的字符串里，最长的配对的尖括号内的内容捕获出来？

这里需要用到以下的语法构造：

       ★(?'group')把捕获的内容命名为group,并压入堆栈(Stack)

       ★(?'-group')从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败

       ★(?(group)yes|no)如果堆栈上存在以名为group的捕获内容的话，继续匹配yes部分的表达式，否则继续匹配no部分

       ★(?!)零宽负向先行断言，由于没有后缀表达式，试图匹配总是失败

我们需要做的是每碰到了左括号，就在压入一个"Open",每碰到一个右括号，就弹出一个，到了最后就看看堆栈是否为空－－如果不为空那就证明左括号比右括号多，那匹配就应该失败。正则表达式引擎会进行回溯(放弃最前面或最后面的一些字符)，尽量使整个表达式得到匹配 。

<    #最外层的左括号[^<>]*  #最外层的左括号后面的不是括号的内容( ( (?'Open'<)    #碰到了左括号，在黑板上写一个"Open"  [^<>]*    #匹配左括号后面的不是括号的内容 )+   (   (?'-Open'>)   #碰到了右括号，擦掉一个"Open"  [^<>]*    #匹配右括号后面不是括号的内容  )+   )* (?(Open)(?!))         #在遇到最外层的右括号前面，判断黑板上还有没有没擦掉的"Open"；如果还有，则匹配失败 >      #最外层的右括号 

平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配嵌套的<div>标签：<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>. 

代码/语法

说明

\a

报警字符(打印它的效果是电脑嘀一声)

\b

通常是单词分界位置，但如果在字符类里使用代表退格

\t

制表符，Tab

\r

回车

\v

竖向制表符

\f

换页符

\n

换行符

\e

Escape

\0nn

ASCII代码中八进制代码为nn的字符

\xnn

ASCII代码中十六进制代码为nn的字符

\unnnn

Unicode代码中十六进制代码为nnnn的字符

\cN

ASCII控制字符。比如\cC代表Ctrl+C

\A

字符串开头(类似^，但不受处理多行选项的影响)

\Z

字符串结尾或行尾(不受处理多行选项的影响)

\z

字符串结尾(类似$，但不受处理多行选项的影响)

\G

当前搜索的开头

\p{name}

Unicode中命名为name的字符类，例如\p{IsGreek}

(?>exp)

贪婪子表达式

(?<x>-<y>exp)

平衡组

(?im-nsx:exp)

在子表达式exp中改变处理选项

(?im-nsx)

为表达式后面的部分改变处理选项

(?(exp)yes|no)

把exp当作零宽正向先行断言，如果在这个位置能匹配，使用yes作为此组的表达式；否则使用no

(?(exp)yes)

同上，只是使用空表达式作为no

(?(name)yes|no)

如果命名为name的组捕获到了内容，使用yes作为表达式；否则使用no

(?(name)yes)

同上，只是使用空表达式作为no

 

好吧,我承认,我骗了你,读到这里你肯定花了不止30分钟.相信我,这是我的错,而不是因为你太笨.我之所以说"30分钟",是为了让你有信心,有耐心继续下去.既然你看到了这里,那证明我的阴谋成功了.被忽悠感觉很爽吧？要投诉我,或者觉得我其实可以忽悠得更高明。！