正则表达式

正则表达式(Regular Expression)是一种匹配模式，描述的是一串文本的特征。

正如自然语言中“高大”、“坚固”等词语抽象出来描述事物特征一样，正则表达式就是字符的高度抽象，用来描述字符串的特征。

正则表达式（以下简称正则，Regex）通常不独立存在，各种编程语言和工具作为宿主语言提供对正则的支持，并根据自身语言的特点，进行一定的剪裁或扩展。

2.1.3  正则表达式构成

正则表达式由两种字符构成。一种是在正则表达式中具体特殊意义的“元字符”，另一种是普通的“文本字符”。

元字符可以是一个字符，如“^”，也可以是一个字符序列，如“\w”。

2.2.1  […] 字符组(Character Classes)

字符组可以匹配[ ]中包含的任意一个字符。虽然可以是任意一个，但只能是一个。

字符组支持由连字符“-”来表示一个范围。当“-”前后构成范围时，要求前面字符的码位小于后面字符的码位。

[^…] 排除型字符组。排除型字符组表示任意一个未列出的字符，同样只能是一个。排除型字符组同样支持由连字符“-”来表示一个范围。

表达式

说明

[abc]

表示“a”或“b”或“c”

[0-9]

表示0~9中任意一个数字，等价于[0123456789]

[\u4e00-\u9fa5]

表示任意一个汉字

[^a1<]

表示除“a”、“1”、“<”外的其它任意一个字符

[^a-z]

表示除小写字母外的任意一个字符

举例：

“[0-9][0-9]”在匹配“Windows 2003”时，匹配成功，匹配的结果为“20”。

“[^inW]”在匹配“Windows 2003”时，匹配成功，匹配的结果为“d”。

2.2.2  常见字符范围缩写

对于一些常用的字符范围，如数字等，由于非常常用，即使使用[0-9]这样的字符组仍显得麻烦，所以定义了一些元字符，来表示常见的字符范围。

表达式

说明

\d

任意一个数字，相当于[0-9]，即0~9 中的任意一个

\w

任意一个字母或数字或下划线，相当于[a-zA-Z0-9_]

\s

任意空白字符，相当于[ \r\n\f\t\v]

\D

任意一个非数字字符，\d取反，相当于[^0-9]

\W

\w取反，相当于[^a-zA-Z0-9_]

\S

任意非空白字符，\s取反，相当于[^ \r\n\f\t\v]

举例：

“\w\s\d”在匹配“Windows 2003”时，匹配成功，匹配的结果为“s 2”。

2.2.3  . 小数点

小数点可以匹配除“\n”以外的任意一个字符。如果要匹配包括“\n”在内的所有字符，一般用[\s\S]，或者是用“.”加(?s)匹配模式来实现。

表达式

说明

.

匹配除了换行符 \n 以外的任意一个字符

2.2.4  其它元字符

表达式

说明

^

匹配字符串开始的位置，不匹配任何字符

$

匹配字符串结束的位置，不匹配任何字符

\b

匹配单词边界，不匹配任何字符

举例：

“^a”在匹配“cba”时，匹配失败，因为表达式要求开始位置后面是字符“a”，而“cba”显然是不满足的。

“\d$”在匹配“123”时，匹配成功，匹配结果为“3”，这个表达式要求匹配结尾处的数字，如果结尾处不是数字，如“123abc”，则是匹配失败的。

2.2.5  转义字符

一些不可见字符，或是在正则中具有特殊意义的元字符，如想匹配字符本身，需要用“\”对其进行转义。

 

表达式

说明

\r，\n

回车和换行

\\

匹配“\”本身

\^，\$，\.

分别匹配“^”、“$”和“.”

以下字符在匹配其本身时，通常需要进行转义。在实际应用中，根据具体情况，需要转义的字符可能不止如下所列字符

　.  $  ^  {  [  (  |  )  *  +  ?  \

2.2.6  量词（Quantifier）

量词表示一个子表达式可以匹配的次数。量词可以用来修饰一个字符、字符组，或是用()括起来的子表达式。一些常用的量词被定义成独立的元字符。

表达式

说明

举例

{m}

表达式匹配m次

“\d{3}”相当于“\d\d\d ”

“(abc){2}”相当于“abcabc”

{m,n}

表达式匹配最少m次，最多n次

“\d{2,3}”可以匹配“12”或“321”等2到3位的数字

{m,}

表达式至少匹配m次

“[a-z]{8,}”表示至少8位以上的字母

?

表达式匹配0次或1次，相当于{0,1}

“ab?”可以匹配“a”或“ab”

*

表达式匹配0次或任意多次，相当于{0,}

“<[^>]*>”中“[^>]*”表示0个或任意多个不是“>”的字符

+

表达式匹配1次或意多次，至少1次，相当于{1,}

“\d\s+\d”表示两个数字中间，至少有一个以上的空白字符

注意：在不是动态生成的正则表达式中，不要出现“{1}”这样的量词，如“\w{1}”在结果上等价于“\w”，但是会降低匹配效率和可读性，属于画蛇添足的做法。

2.2.7  分支结构（Alternation）

当一个字符串的某一子串具有多种可能时，采用分支结构来匹配，“|”表示多个子表达式之间“或”的关系，“|”是以()限定范围的，如果在“|”的左右两侧没有()来限定范围，那么它的作用范围即为“|”左右两侧整体。

表达式

说明

|

多个子表达式之间取“或”的关系

举例：

“^aa|b$”在匹配“cccb”时，是可以匹配成功的，匹配的结果是“b”，因为这个表达式表示匹配“^aa”或“b$”，而“b$”在匹配“cccb ”时是可以匹配成功的。

“^(aa|b)$”在区配“cccb”时，是匹配失败的，因为这个表达式表示在“开始”和“结束”位置之间只能是“aa”或“b”，而“cccb”显然是不满足的。