正则表达式初学总结

入门：

下面以C#为例：

.Net框架提供了好几个与正则表达式相关的类，如System.Text.RegularExpressions命名空间的Regex类。

下面总结正则表达式基础知识：

一、通配符（看成主语），共7个，6个带杠的。

\d：匹配数字0-9

\w：匹配单词字符，包括字母（a-Z的大小写字母）、数字（0-9）和下划线

\s：匹配任何空白字符，包括空格、制表符、换页符等

\D：匹配任何非数字字符

\W:匹配任何非单词字符

\S：匹配任何非空白字符

.:匹配除换行符（\n）之外的任何字符

注意：在正则表达式中要输出点号、星号或是反斜杠等功能性字符，必须前面使用反斜杠，如正则表达式a\.exe匹配a.exe。如C:\\匹配C:\。

二、可选字符集（可以认为是自定义通配符范围，比通配符更灵活），使用中括号，整个中括号整体看成返回一个字符结果，也做主语

[A-D2-9]：表示该位置可以出现字母A到D或2到9中的任一个字符，注意结果只是选取一个字符。

如用正则表达式<[^>]*>来提取Html中所有的标签。

C#中使用：

string[] texts=Regex.Split(Html文本串，@"<[^>]*>");

上面语句就可以把所有Html文本按每对标签分组进行分割，把所要分割后的纯文本串分组存放入texts数组中。

Regex.Split函数功能是：通过Split()函数可以找出所有与正则表达式匹配的子串，并以它们为分隔符拆分字符串，即把匹配的子串删除，剩下的内容被分段保存在一个string数组中。

三、数量限定符（做定语）

*：0或多个的

+：1或多个的，或者翻译为“至少一个的”

?：0或1个的，或者翻译为“至多一个的”

{n}：n个的，精确的指定个数。变种还有{n,}表示只指定下限，至少n个的。{3,5}表示至少3个至多5个的。

注意：所有的限定符都是贪婪的（可以翻译为尽可能多的），即它在查找时尽可能匹配多的，然后就会停止在最长的查找到的串上。

如使用正则表达式(na)+来查找字符串banana，结果只找到一个结果即nana。

但是在限定符后面在加上?,整个定语就会变成懒惰的（可翻译为尽可能少的），如使用正则表达式(na)+?来查找字符串banana，结果有两个，都是na.可以用一个英语来类比，如“very good job”，其中job是主语，相当于通配符，good是定语，修饰主语的，相当于限定符，very是副词，修饰定语good的，相当于问号。

再举一个复杂点的例子：".*?"等价于尽可能少的匹配任意个数的字符。其中*号相当于形容词（任意个数的），?号相当于副词（尽可能少地）。它非常像英语“very good job”。现在使用上面的例子匹配：<b>hello,world</b>and or <b>hi,regex</b>google，要求匹配出两个<b>之间的内容。
可以使用<b>.*?</b>匹配出两个标签内的内容。分析如下：先匹配到<b>停下，找到h发现后面不是</b>，由于要尽可能少匹配任意个数的字符，所以在找到h后的e然后停下，看e后面是否是</b>，依次下去。
上面的分析过程可以看出，在不加问号时，刚好相反，是指尽可能多的匹配任意个字符，就会首先找到结尾，然后依次往前一个一个字符的放弃，直到匹配最后一个</b>为止。

四、定位符，代表一个空字符，也做主语（要注意他虽然是一个空字符，但所为主语占据一个查找位置，定语是不占据位置的）。

^：代表整个字符串的头部位置

$：代表这个字符串的尾部位置

\b：代表单词的边界位置

\B：代表非单词的边界位置。

其它的不常用的略过。

举例，以javascript语言为例：

在JavaScript中，正则表达式是由一个RegExp对象表示的，当然,可以使用一个RegExp()构造函数来创建RegExp对象,，也可以用JavaScript 1.2中的新添加的一个特殊语法来创建RegExp对象，就像字符串直接量被定义为包含在引号内的字符一样,。
正则表达式直接量也被定义为包含在一对斜杠(/)之间的字符，所以，JavaScript可能会包含如下的代码：
var pattern = /s$/;
这行代码创建一个新的RegExp对象，并将它赋给变量parttern。这个特殊的RegExp对象和所有以字母"s"结尾的字符串都匹配。

补充，对js来说，也可以用RegExp()来定义一个正则表达式对象 ，所以一个和上面语句等价的正则表达式的代码如下：
var pattern = new RegExp("s$");

五、或非运算符，也可以看成是做定语（其实更准确的是看成类似c语言的算术运算符表达式，要求参与运算的因子是主语，返回整个运算的结果）。

(tr|b)ee：匹配“tree”或“bee”

[^0-9]：匹配除0-9以外的所有字符【结果是返回单个除了0-9以外的某个字符】。

对上面五种类型符合做一个总结【myself】：

纯从主语和定语的角度进行分析，主语表示实体，定语表示修饰，则上面五中类型里面3种表示主语看成实体，2种表示定语看成只能修饰实体的形容词。在实际分析中，实体对应真正的字符，定语不看成字符，只起修饰意义。如果分组来分析的话，定语必须依赖于某个实体，并把定于和主语合起来看成一个整体。

 

 

总结一些常用的正则表达式：

正则表达式用于字符串处理、表单验证等场合，实用高效。现将一些常用的表达式收集于此，以备不时之需。

匹配中文字符的正则表达式： [\u4e00-\u9fa5]
评注：匹配中文还真是个头疼的事，有了这个表达式就好办了

匹配双字节字符(包括汉字在内)：[^\x00-\xff]
评注：可以用来计算字符串的长度（一个双字节字符长度计2，ASCII字符计1）

匹配空白行的正则表达式：\n\s*\r
评注：可以用来删除空白行

匹配HTML标记的正则表达式：<(\S*?)[^>]*>.*?</\1>|<.*? />
评注：网上流传的版本太糟糕，上面这个也仅仅能匹配部分，对于复杂的嵌套标记依旧无能为力

匹配首尾空白字符的正则表达式：^\s*|\s*$
评注：可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式

匹配Email地址的正则表达式：\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
评注：表单验证时很实用

匹配网址URL的正则表达式：[a-zA-z]+://[^\s]*
评注：网上流传的版本功能很有限，上面这个基本可以满足需求

匹配帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
评注：表单验证时很实用

匹配国内电话号码：\d{3}-\d{8}|\d{4}-\d{7}
评注：匹配形式如 0511-4405222 或 021-87888822

匹配腾讯QQ号：[1-9][0-9]{4,}
评注：腾讯QQ号从10000开始

匹配中国邮政编码：[1-9]\d{5}(?!\d)
评注：中国邮政编码为6位数字

匹配身份证：\d{15}|\d{18}
评注：中国的身份证为15位或18位

匹配ip地址：\d+\.\d+\.\d+\.\d+
评注：提取ip地址时有用

匹配特定数字：
^[1-9]\d*$　 　 //匹配正整数
^-[1-9]\d*$ 　 //匹配负整数
^-?[1-9]\d*$　　 //匹配整数
^[1-9]\d*|0$　 //匹配非负整数（正整数 + 0）
^-[1-9]\d*|0$　　 //匹配非正整数（负整数 + 0）
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$　　 //匹配正浮点数
^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$　 //匹配负浮点数
^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$　 //匹配浮点数
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$　　 //匹配非负浮点数（正浮点数 + 0）
^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$　　//匹配非正浮点数（负浮点数 + 0）
评注：处理大量数据时有用，具体应用时注意修正

匹配特定字符串：
^[A-Za-z]+$　　//匹配由26个英文字母组成的字符串
^[A-Z]+$　　//匹配由26个英文字母的大写组成的字符串
^[a-z]+$　　//匹配由26个英文字母的小写组成的字符串
^[A-Za-z0-9]+$　　//匹配由数字和26个英文字母组成的字符串
^\w+$　　//匹配由数字、26个英文字母或者下划线组成的字符串
评注：最基本也是最常用的一些表达式

原载地址：http://lifesinger.3322.org/myblog/?p=185