正則表達式30分鐘入門(mén)教程

正則表達式30分鐘入門(mén)教程

本文目標

30分鐘內讓你明白正則表達式是什么,并對它有一些基本的了解,讓你可以在自己的程序或網(wǎng)頁(yè)里使用它。

如何使用本教程

別被下面那些復雜的表達式嚇倒,只要跟著(zhù)我一步一步來(lái),你會(huì )發(fā)現正則表達式其實(shí)并沒(méi)有你想像中的那么困難。當然,如果你看完了這篇教程之后,發(fā)現自己明白了很多,卻又幾乎什么都記不得,那也是很正常的——我認為,沒(méi)接觸過(guò)正則表達式的人在看完這篇教程后,能把提到過(guò)的語(yǔ)法記住80%以上的可能性為零。這里只是讓你明白基本的原理,以后你還需要多練習,多使用,才能熟練掌握正則表達式。

最重要的是——請給我30分鐘,如果你沒(méi)有使用正則表達式的經(jīng)驗,請不要試圖在30內入門(mén)——除非你是超人 :)

除了作為入門(mén)教程之外,本文還試圖成為可以在日常工作中使用的正則表達式語(yǔ)法參考手冊。就作者本人的經(jīng)歷來(lái)說(shuō),這個(gè)目標還是完成得不錯的——你看,我自己也沒(méi)能把所有的東西記下來(lái),不是嗎?

清除格式 文本格式約定:專(zhuān)業(yè)術(shù)語(yǔ) 元字符/語(yǔ)法格式 正則表達式 正則表達式中的一部分(用于分析) 對其進(jìn)行匹配的源字符串 對正則表達式或其中一部分的說(shuō)明。

隱藏邊注 本文右邊有一些注釋?zhuān)饕怯脕?lái)提供一些相關(guān)信息,或者給沒(méi)有程序員背景的讀者解釋一些基本概念,通??梢院雎?。

正則表達式到底是什么東西?

在編寫(xiě)處理字符串的程序或網(wǎng)頁(yè)時(shí),經(jīng)常會(huì )有查找符合某些復雜規則的字符串的需要。正則表達式就是用于描述這些規則的工具。換句話(huà)說(shuō),正則表達式就是記錄文本規則的代碼。

很可能你使用過(guò)Windows/Dos下用于文件查找的通配符(wildcard),也就是 * ? 。如果你想查找某個(gè)目錄下的所有的Word文檔的話(huà),你會(huì )搜索 *.doc 。在這里,* 會(huì )被解釋成任意的字符串。和通配符類(lèi)似,正則表達式也是用來(lái)進(jìn)行文本匹配的工具,只不過(guò)比起通配符,它能更精確地描述你的需求——當然,代價(jià)就是更復雜——比如你可以編寫(xiě)一個(gè)正則表達式,用來(lái)查找所有以0開(kāi)頭,后面跟著(zhù)2-3個(gè)數字,然后是一個(gè)連字號“-”,最后是7或8位數字的字符串(像010-123456780376-7654321)。

字符是計算機軟件處理文字時(shí)最基本的單位,可能是字母,數字,標點(diǎn)符號,空格,換行符,漢字等等。字符串是0個(gè)或更多個(gè)字符的序列。文本也就是文字,字符串。說(shuō)某個(gè)字符串匹配某個(gè)正則表達式,通常是指這個(gè)字符串里有一部分(或幾部分分別)能滿(mǎn)足表達式給出的條件。

 

入門(mén)

學(xué)習正則表達式的最好方法是從例子開(kāi)始,理解例子之后再自己對例子進(jìn)行修改,實(shí)驗。下面給出了不少簡(jiǎn)單的例子,并對它們作了詳細的說(shuō)明。

假設你在一篇英文小說(shuō)里查找hi,你可以使用正則表達式 hi。

這幾乎是最簡(jiǎn)單的正則表達式了,它可以精確匹配這樣的字符串:由兩個(gè)字符組成,前一個(gè)字符是h,后一個(gè)是i。通常,處理正則表達式的工具會(huì )提供一個(gè)忽略大小寫(xiě)的選項,如果選中了這個(gè)選項,它可以匹配hi,HI,Hi,hI這四種情況中的任意一種。

不幸的是,很多單詞里包含hi這兩個(gè)連續的字符,比如him,history,high等等。用 hi 來(lái)查找的話(huà),這里邊的hi也會(huì )被找出來(lái)。如果要精確地查找hi這個(gè)單詞的話(huà),我們應該使用 \bhi\b。

\b是正則表達式規定的一個(gè)特殊代碼(好吧,某些人叫它元字符,metacharacter),代表著(zhù)單詞的開(kāi)頭或結尾,也就是單詞的分界處。雖然通常英文的單詞是由空格,標點(diǎn)符號或者換行來(lái)分隔的,但是 \b 并不匹配這些單詞分隔字符中的任何一個(gè),它只匹配一個(gè)位置。

假如你要找的是hi后面不遠處跟著(zhù)一個(gè)Lucy,你應該用 \bhi\b.*\bLucy\b。

如果需要更精確的說(shuō)法, \b 匹配這樣的位置:它的前一個(gè)字符和后一個(gè)字符不全是(一個(gè)是,一個(gè)不是或不存在) \w。

這里,.是另一個(gè)元字符,匹配除了換行符以外的任意字符。*同樣是元字符,不過(guò)它代表的不是字符,也不是位置,而是數量——它指定*前邊的內容可以連續重復使用任意次以使整個(gè)表達式得到匹配。因此,.*連在一起就意味著(zhù)任意數量的不包含換行的字符?,F在 \bhi\b.*\bLucy\b 的意思就很明顯了:先是一個(gè)單詞hi,然后是任意個(gè)任意字符(但不能是換行),最后是Lucy這個(gè)單詞。

如果同時(shí)使用其它元字符,我們就能構造出功能更強大的正則表達式。比如下面這個(gè)例子:

0\d\d-\d\d\d\d\d\d\d\d匹配這樣的字符串:以0開(kāi)頭,然后是兩個(gè)數字,然后是一個(gè)連字號“-”,最后是8個(gè)數字(也就是中國的電話(huà)號碼。當然,這個(gè)例子只能匹配區號為3位的情形)。

換行符就是'\n',ASCII編碼為10(十六進(jìn)制0x0A)的字符。

這里的\d是個(gè)新的元字符,匹配一位數字(0,或1,或2,或……)。-不是元字符,只匹配它本身——連字符(或者減號,或者中橫線(xiàn),或者隨你怎么稱(chēng)呼它)。

為了避免那么多煩人的重復,我們也可以這樣寫(xiě)這個(gè)表達式:0\d{2}-\d{8}。 這里\d后面的{ 2 }({ 8 })的意思是前面 \d 必須連續重復匹配2次(8次)。

 

測試正則表達式

如果你不覺(jué)得正則表達式很難讀寫(xiě)的話(huà),要么你是一個(gè)天才,要么,你不是地球人。正則表達式的語(yǔ)法很令人頭疼,即使對經(jīng)常使用它的人來(lái)說(shuō)也是如此。由于難于讀寫(xiě),容易出錯,所以找一種工具對正則表達式進(jìn)行測試是很有必要的。

其它可用的測試工具:

不同的環(huán)境下正則表達式的一些細節是不相同的,本教程介紹的是微軟 .Net Framework 4.0 下正則表達式的行為,所以,我向你推薦我編寫(xiě)的.Net下的工具 正則表達式測試器。請參考該頁(yè)面的說(shuō)明來(lái)安裝和運行該軟件。

下面是Regex Tester運行時(shí)的截圖:

regex_tester

 

元字符

現在你已經(jīng)知道幾個(gè)很有用的元字符了,如 \b, . , *, 還有\d.正則表達式里還有更多的元字符,比如\s匹配任意的空白符,包括空格,制表符(Tab),換行符,中文全角空格等。\w 匹配字母或數字或下劃線(xiàn)或漢字等。

下面來(lái)看看更多的例子:

\ba\w*\b 匹配以字母 a 開(kāi)頭的單詞——先是某個(gè)單詞開(kāi)始處( \b ),然后是字母 a ,然后是任意數量的字母或數字( \w* ),最后是單詞結束處( \b )。

對中文/漢字的特殊處理是由.Net提供的正則表達式引擎支持的,其它環(huán)境下的具體情況請查看相關(guān)文檔。

好吧,現在我們說(shuō)說(shuō)正則表達式里的單詞是什么意思吧:就是不少于一個(gè)的連續的\w。不錯,這與學(xué)習英文時(shí)要背的成千上萬(wàn)個(gè)同名的東西的確關(guān)系不大 :)

\d+ 匹配1個(gè)或更多連續的數字。這里的 + 是和 *類(lèi)似的元字符,不同的是 * 匹配重復任意次(可能是0次),而 + 則匹配重復1次或更多次。

\b\w{6}\b 匹配剛好6個(gè)字符的單詞。

代碼 說(shuō)明
. 匹配除換行符以外的任意字符
\w 匹配字母或數字或下劃線(xiàn)或漢字
\s 匹配任意的空白符
\d 匹配數字
\b 匹配單詞的開(kāi)始或結束
^ 匹配字符串的開(kāi)始
$ 匹配字符串的結束

元字符 ^(和數字6在同一個(gè)鍵位上的符號)和 $ 都匹配一個(gè)位置,這和 \b 有點(diǎn)類(lèi)似。 ^ 匹配你要用來(lái)查找的字符串的開(kāi)頭, $ 匹配結尾。這兩個(gè)代碼在驗證輸入的內容時(shí)非常有用,比如一個(gè)網(wǎng)站如果要求你填寫(xiě)的QQ號必須為5位到12位數字時(shí),可以使用: ^\d{5,12}$。

這里的{ 5,12} 和前面介紹過(guò)的{ 2 }是類(lèi)似的,只不過(guò){ 2 }匹配只能不多不少重復2次,{ 5,12} 則是重復的次數不能少于5次,不能多于12次,否則都不匹配。

正則表達式引擎通常會(huì )提供一個(gè)“測試指定的字符串是否匹配一個(gè)正則表達式”的方法,如JavaScript里的RegExp.test()方法或.NET里的Regex.IsMatch()方法。這里的匹配是指是字符串里有沒(méi)有符合表達式規則的部分。如果不使用 ^ $ 的話(huà),對于 \d{5,12} 而言,使用這樣的方法就只能保證字符串里包含5到12連續位數字,而不是整個(gè)字符串就是5到12位數字。

因為使用了 ^ $,所以輸入的整個(gè)字符串都要用來(lái)和 \d{5,12} 來(lái)匹配,也就是說(shuō)整個(gè)輸入必須是5到12個(gè)數字,因此如果輸入的QQ號能匹配這個(gè)正則表達式的話(huà),那就符合要求了。

和忽略大小寫(xiě)的選項類(lèi)似,有些正則表達式處理工具還有一個(gè)處理多行的選項。如果選中了這個(gè)選項, ^ $的意義就變成了匹配行的開(kāi)始處和結束處。

 

字符轉義

如果你想查找元字符本身的話(huà),比如你查找.,或者*,就出現了問(wèn)題:你沒(méi)辦法指定它們,因為它們會(huì )被解釋成別的意思。這時(shí)你就得使用\來(lái)取消這些字符的特殊意義。因此,你應該使用 . \* 。當然,要查找\本身,你也得用 \\ .

例如: unibetter\.com 匹配 unibetter.com, >C:\Windows 匹配C:\Windows。

 

重復

你已經(jīng)看過(guò)了前面的 *, + ,{2} , {2,5} 這幾個(gè)匹配重復的方式了。下面是正則表達式中所有的限定符(指定數量的代碼,例如*,{5,12}等):

代碼/語(yǔ)法 說(shuō)明
* 重復零次或更多次
+ 重復一次或更多次
? 重復零次或一次
{n} 重復n次
{n,} 重復n次或更多次
{m,m} 重復n到m次

下面是一些使用重復的例子:

Windows\d+匹配Windows后面跟1個(gè)或更多數字

^\w+匹配一行的第一個(gè)單詞(或整個(gè)字符串的第一個(gè)單詞,具體匹配哪個(gè)意思得看選項設置)

 

字符類(lèi)

要想查找數字,字母或數字,空白是很簡(jiǎn)單的,因為已經(jīng)有了對應這些字符**的元字符,但是如果你想匹配沒(méi)有預定義元字符的字符**(比如元音字母a,e,i,o,u),應該怎么辦?

很簡(jiǎn)單,你只需要在方括號里列出它們就行了,像 [aeiou]就匹配任何一個(gè)英文元音字母, [.?!] 匹配標點(diǎn)符號(.或?或!)。

我們也可以輕松地指定一個(gè)字符范圍,像 [0-9] 代表的含意與 \d 就是完全一致的:一位數字;同理 [a-z0-9A-Z_] 也完全等同于 \w (如果只考慮英文的話(huà))。

下面是一個(gè)更復雜的表達式: \(?0\d{2}[) -]?\d{8} 。

這個(gè)表達式可以匹配幾種格式的電話(huà)號碼,像(010)88886666,或022-22334455,或02912345678等。我們對它進(jìn)行一些分析吧:首先是一個(gè)轉義字符 \ (,它能出現0次或1次( ? ),然后是一個(gè) 0 ,后面跟著(zhù)2個(gè)數字( \d{2} ),然后是)或-或 空格 中的一個(gè),它出現1次或不出現( ? ),最后是8個(gè)數字( \d{8} )。

“(”和“)”也是元字符,后面的分組節里會(huì )提到,所以在這里需要使用轉義。

 

分枝條件

不幸的是,剛才那個(gè)表達式也能匹配010)12345678(022-87654321這樣的“不正確”的格式。要解決這個(gè)問(wèn)題,我們需要用到分枝條件。正則表達式里的分枝條件指的是有幾種規則,如果滿(mǎn)足其中任意一種規則都應該當成匹配,具體方法是用|把不同的規則分隔開(kāi)。聽(tīng)不明白?沒(méi)關(guān)系,看例子:

0\d{2}-\d{8}|0\d{3}-\d{7} 這個(gè)表達式能 匹配兩種以連字號分隔的電話(huà)號碼:一種是三位區號,8位本地號(如010-12345678),一種是4位區號,7位本地號(0376-2233445)。

\(0\d{2})[- ]?\d{8}|0\d{2}[- ]?\d{8} 這個(gè)表達式 匹配3位區號的電話(huà)號碼,其中區號可以用小括號括起來(lái),也可以不用,區號與本地號間可以用連字號或空格間隔,也可以沒(méi)有間隔。你可以試試用分枝條件把這個(gè)表達式擴展成也支持4位區號的。

\d{5}-\d{4}|\d{5} 這個(gè)表達式用于匹配美國的郵政編碼。美國郵編的規則是5位數字,或者用連字號間隔的9位數字。之所以要給出這個(gè)例子是因為它能說(shuō)明一個(gè)問(wèn)題:使用分枝條件時(shí),要注意各個(gè)條件的順序。如果你把它改成 \d{5}|\d{5}-\d{4} 的話(huà),那么就只會(huì )匹配5位的郵編(以及9位郵編的前5位)。原因是匹配分枝條件時(shí),將會(huì )從左到右地測試每個(gè)條件,如果滿(mǎn)足了某個(gè)分枝的話(huà),就不會(huì )去再管其它的條件了。

 

分組

我們已經(jīng)提到了怎么重復單個(gè)字符(直接在字符后面加上限定符就行了);但如果想要重復多個(gè)字符又該怎么辦?你可以用小括號來(lái)指定子表達式(也叫做分組),然后你就可以指定這個(gè)子表達式的重復次數了,你也可以對子表達式進(jìn)行其它一些操作(后面會(huì )有介紹)。

(\d{1,3}.){3}\d{1,3} 是一個(gè)簡(jiǎn)單的IP地址匹配表達式。要理解這個(gè)表達式,請按下列順序分析它: \d{1,3} 匹配1到3位的數字, (\d{1,3}\.){3} 匹配三位數字加上一個(gè)英文句號(這個(gè)整體也就是這個(gè)分組)重復3次,最后再加上一個(gè)一到三位的數字( \d{1,3} )。

不幸的是,它也將匹配256.300.888.999這種不可能存在的IP地址。如果能使用算術(shù)比較的話(huà),或許能簡(jiǎn)單地解決這個(gè)問(wèn)題,但是正則表達式中并不提供關(guān)于數學(xué)的任何功能,所以只能使用冗長(cháng)的分組,選擇,字符類(lèi)來(lái)描述一個(gè)正確的IP地址: ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?) 。

IP 地址中每個(gè)數字都不能大于255,大家千萬(wàn)不要被《24》第三季的編劇給忽悠了……

理解這個(gè)表達式的關(guān)鍵是理解 2[0-4]\d|25[0-5]|[01]?\d\d? ,這里我就不細說(shuō)了,你自己應該能分析得出來(lái)它的意義。

 

反義

有時(shí)需要查找不屬于某個(gè)能簡(jiǎn)單定義的字符類(lèi)的字符。比如想查找除了數字以外,其它任意字符都行的情況,這時(shí)需要用到反義

代碼/語(yǔ)法 說(shuō)明
\W 匹配任意不是字母,數字,下劃線(xiàn),漢字的字符
\S 匹配任意不是空白符的字符
\D 匹配任意非數字的字符
\B 匹配不是單詞開(kāi)頭或結束的位置
[^x] 匹配除了x以外的任意字符
[^aeiou] 匹配除了aeiou這幾個(gè)字母以外的任意字符

例子:\S+ 匹配不包含空白符的字符串。

<a[^>]+> 匹配用尖括號括起來(lái)的以a開(kāi)頭的字符串。

 

后向引用

使用小括號指定一個(gè)子表達式后,匹配這個(gè)子表達式的文本(也就是此分組捕獲的內容)可以在表達式或其它程序中作進(jìn)一步的處理。默認情況下,每個(gè)分組會(huì )自動(dòng)擁有一個(gè)組號,規則是:從左向右,以分組的左括號為標志,第一個(gè)出現的分組的組號為1,第二個(gè)為2,以此類(lèi)推。

后向引用用于重復搜索前面某個(gè)分組匹配的文本。例如,\1 代表分組1匹配的文本。難以理解?請看示例:

\b(\w+)\b\s+\1\b 可以用來(lái)匹配重復的單詞,像go go, 或者kitty kitty。這個(gè)表達式首先是一個(gè)單詞,也就是單詞開(kāi)始處和結束處之間的多于一個(gè)的字母或數字 (\b(\w+)\b) ,這個(gè)單詞會(huì )被捕獲到編號為1的分組中,然后是1個(gè)或幾個(gè)空白符( \s+ ),最后是分組1中捕獲的內容(也就是前面匹配的那個(gè)單詞)( \1 )。

呃……其實(shí),組號分配還不像我剛說(shuō)得那么簡(jiǎn)單:

  • 分組0對應整個(gè)正則表達式
  • 實(shí)際上組號分配過(guò)程是要從左向右掃描兩遍的:第一遍只給未命名組分配,第二遍只給命名組分配--因此所有命名組的組號都大于未命名的組號
  • 你可以使用(?:exp)這樣的語(yǔ)法來(lái)剝奪一個(gè)分組對組號分配的參與權.

你也可以自己指定子表達式的組名。要指定一個(gè)子表達式的組名,請使用這樣的語(yǔ)法:( ?<Word>\w+ )(或者把尖括號換成'也行:( ?'Word'\w+ ),這樣就把 \w+ 的組名指定為 Word 了。要反向引用這個(gè)分組捕獲的內容,你可以使用 \k<Word> ,所以上一個(gè)例子也可以寫(xiě)成這樣:\b(?<Word>\w+)\b\s+\k<Word>\b 。

使用小括號的時(shí)候,還有很多特定用途的語(yǔ)法。下面列出了最常用的一些:

我們已經(jīng)討論了前兩種語(yǔ)法。第三個(gè)( ?:exp )不會(huì )改變正則表達式的處理方式,只是這樣的組匹配的內容不會(huì )像前兩種那樣被捕獲到某個(gè)組里面,也不會(huì )擁有組號?!拔覟槭裁磿?huì )想要這樣做?”——好問(wèn)題,你覺(jué)得為什么呢?

 

零寬斷言

接下來(lái)的四個(gè)用于查找在某些內容(但并不包括這些內容)之前或之后的東西,也就是說(shuō)它們像 \b , ^ , $ 那樣用于指定一個(gè)位置,這個(gè)位置應該滿(mǎn)足一定的條件(即斷言),因此它們也被稱(chēng)為零寬斷言。最好還是拿例子來(lái)說(shuō)明吧:

(?=exp) 也叫零寬度正預測先行斷言,它斷言自身出現的位置的后面能匹配表達式exp。比如 \b\w+(?=ing\b) ,匹配以ing結尾的單詞的前面部分(除了ing以外的部分),如查找I'm singing while you're dancing.時(shí),它會(huì )匹配singdanc。

(?<=exp) 也叫零寬度正回顧后發(fā)斷言,它斷言自身出現的位置的前面能匹配表達式exp。比如( ?<=\bre)\w+\b 會(huì )匹配以re開(kāi)頭的單詞的后半部分(除了re以外的部分),例如在查找reading a book時(shí),它匹配ading。

地球人,是不是覺(jué)得這些術(shù)語(yǔ)名稱(chēng)太復雜,太難記了?我也有同感。知道有這么一種東西就行了,它叫什么,隨它去吧!人若無(wú)名,便可專(zhuān)心練劍;物若無(wú)名,便可隨意取舍……

斷言用來(lái)聲明一個(gè)應該為真的事實(shí)。正則表達式中只有當斷言為真時(shí)才會(huì )繼續進(jìn)行匹配。

假如你想要給一個(gè)很長(cháng)的數字中每三位間加一個(gè)逗號(當然是從右邊加起了),你可以這樣查找需要在前面和里面添加逗號的部分: ((?<=\d)\d{3})+\b ,用它對1234567890進(jìn)行查找時(shí)結果是234567890。

下面這個(gè)例子同時(shí)使用了這兩種斷言: (?<=\s)\d+(?=\s) 匹配以空白符間隔的數字(再次強調,不包括這些空白符)。

 

負向零寬斷言

前面我們提到過(guò)怎么查找不是某個(gè)字符或不在某個(gè)字符類(lèi)里的字符的方法(反義)。但是如果我們只是想要確保某個(gè)字符沒(méi)有出現,但并不想去匹配它時(shí)怎么辦?例如,如果我們想查找這樣的單詞--它里面出現了字母q,但是q后面跟的不是字母u,我們可以嘗試這樣:

\b\w*q[^u]\w*\b 匹配包含后面不是字母u的字母q的單詞。但是如果多做測試(或者你思維足夠敏銳,直接就觀(guān)察出來(lái)了),你會(huì )發(fā)現,如果q出現在單詞的結尾的話(huà),像Iraq,Benq,這個(gè)表達式就會(huì )出錯。這是因為[^u]總要匹配一個(gè)字符,所以如果q是單詞的最后一個(gè)字符的話(huà),后面的[^u] 將會(huì )匹配q后面的單詞分隔符(可能是空格,或者是句號或其它的什么),后面的 \w*\b 將會(huì )匹配下一個(gè)單詞,于是 \b\w*q[^u]\w*\b 就能匹配整個(gè)Iraq fighting。負向零寬斷言能解決這樣的問(wèn)題,因為它只匹配一個(gè)位置,并不消費任何字符?,F在,我們可以這樣來(lái)解決這個(gè)問(wèn)題: \b\w*q(?!u)\w*\b 。

零寬度負預測先行斷言 (?!exp) ,斷言此位置的后面不能匹配表達式exp。例如:\d{3}(?!\d) 匹配三位數字,而且這三位數字的后面不能是數字; \b((?!abc)\w)+\b 匹配不包含連續字符串abc的單詞。

同理,我們可以用 (?<!exp),零寬度負回顧后發(fā)斷言來(lái)斷言此位置的前面不能匹配表達式exp (?<![a-z])\d{7} 匹配前面不是小寫(xiě)字母的七位數字。

一個(gè)更復雜的例子: (?<=<(\w+)>).*(?=<\/\1>) 匹配不包含屬性的簡(jiǎn)單HTML標簽內里的內容。(?<=<(\w+)>) 指定了這樣的前綴被尖括號括起來(lái)的單詞(比如可能是<b>),然后是 .* (任意的字符串),最后是一個(gè)后綴 (?=<\/\1>) 。注意后綴里的\/ ,它用到了前面提過(guò)的字符轉義;\1 則是一個(gè)反向引用,引用的正是捕獲的第一組,前面的 (\w+) 匹配的內容,這樣如果前綴實(shí)際上是<b>的話(huà),后綴就是</b>了。整個(gè)表達式匹配的是<b>和</b>之間的內容(再次提醒,不包括前綴和后綴本身)。

請詳細分析表達式 (?<=<(\w+)>).*(?=<\/\1>) ,這個(gè)表達式最能表現零寬斷言的真正用途。

 

注釋

小括號的另一種用途是通過(guò)語(yǔ)法 (?#comment) 來(lái)包含注釋。例如: 2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199) 。

要包含注釋的話(huà),最好是啟用“忽略模式里的空白符”選項,這樣在編寫(xiě)表達式時(shí)能任意的添加空格,Tab,換行,而實(shí)際使用時(shí)這些都將被忽略。啟用這個(gè)選項后,在#后面到這一行結束的所有文本都將被當成注釋忽略掉。例如,我們可以前面的一個(gè)表達式寫(xiě)成這樣:

   
(?<= # 斷言要匹配的文本的前綴
<(\w+)> # 查找尖括號括起來(lái)的字母或數字(即HTML/XML標簽)
) # 前綴結束
.* # 匹配任意文本
(?= # 斷言要匹配的文本的后綴
<\/\1> # 查找尖括號括起來(lái)的內容:前面是一個(gè)"/",后面是先前捕獲的標簽
) # 后綴結束

 

貪婪與懶惰

當正則表達式中包含能接受重復的限定符時(shí),通常的行為是(在使整個(gè)表達式能得到匹配的前提下)匹配盡可能多的字符。以這個(gè)表達式為例:a.*b ,它將會(huì )匹配最長(cháng)的以a開(kāi)始,以b結束的字符串。如果用它來(lái)搜索aabab的話(huà),它會(huì )匹配整個(gè)字符串aabab。這被稱(chēng)為貪婪匹配。

有時(shí),我們更需要懶惰匹配,也就是匹配盡可能少的字符。前面給出的限定符都可以被轉化為懶惰匹配模式,只要在它后面加上一個(gè)問(wèn)號 ? 。這樣 .*? 就意味著(zhù)匹配任意數量的重復,但是在能使整個(gè)匹配成功的前提下使用最少的重復?,F在看看懶惰版的例子吧:

a.*?b 匹配最短的,以a開(kāi)始,以b結束的字符串。如果把它應用于aabab的話(huà),它會(huì )匹配aab(第一到第三個(gè)字符)ab(第四到第五個(gè)字符)。

代碼/語(yǔ)法 說(shuō)明
*? 重復任意次,但盡可能少重復
+? 重復1次或更多次,但盡可能少重復
?? 重復0次或1次,但盡可能少重復
{n,m}? 重復n到m次,但盡可能少重復
{n,}? 重復n次以上,但盡可能少重復

為什么第一個(gè)匹配是aab(第一到第三個(gè)字符)而不是ab(第二到第三個(gè)字符)?簡(jiǎn)單地說(shuō),因為正則表達式有另一條規則,比懶惰/貪婪規則的優(yōu)先級更高:最先開(kāi)始的匹配擁有最高的優(yōu)先權——The match that begins earliest wins。

 

處理選項

上面介紹了幾個(gè)選項如忽略大小寫(xiě),處理多行等,這些選項能用來(lái)改變處理正則表達式的方式。下面是.Net中常用的正則表達式選項:

名稱(chēng) 說(shuō)明
IgnoreCase(忽略大小寫(xiě)) 匹配時(shí)不區分大小寫(xiě)
Multiline(多行模式) 更改 ^ $ 的含義,使它們分別在任意一行的行首和行尾匹配,而不僅僅在整個(gè)字符串的開(kāi)頭和結尾匹配。(在此模式下, $ 的精確含意是:匹配\n之前的位置以及字符串結束前的位置.)
Singleline(單行模式) 更改.的含義,使它與每一個(gè)字符匹配(包括換行符\n)
IgnorePatternWhitespace(忽略空白) 忽略表達式中的非轉義空白并啟用由 # 標記的注釋
ExplicitCapture(顯式捕獲) 僅捕獲已被顯式命名的組

一個(gè)經(jīng)常被問(wèn)到的問(wèn)題是:是不是只能同時(shí)使用多行模式和單行模式中的一種?答案是:不是。這兩個(gè)選項之間沒(méi)有任何關(guān)系,除了它們的名字比較相似(以至于讓人感到疑惑)以外。

在C#中,你可以使用Regex(String, RegexOptions)構造函數來(lái)設置正則表達式的處理選項。如:Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);

 

平衡組/遞歸匹配

有時(shí)我們需要匹配像( 100 * ( 50 + 15 ) )這樣的可嵌套的層次性結構,這時(shí)簡(jiǎn)單地使用 \(.+\) 則只會(huì )匹配到最左邊的左括號和最右邊的右括號之間的內容(這里我們討論的是貪婪模式,懶惰模式也有下面的問(wèn)題)。假如原來(lái)的字符串里的左括號和右括號出現的次數不相等,比如( 5 / ( 3 + 2 ) ) ),那我們的匹配結果里兩者的個(gè)數也不會(huì )相等。有沒(méi)有辦法在這樣的字符串里匹配到最長(cháng)的,配對的括號之間的內容呢?

這里介紹的平衡組語(yǔ)法是由.Net Framework支持的;其它語(yǔ)言/庫不一定支持這種功能,或者支持此功能但需要使用不同的語(yǔ)法。

為了避免 ( \( 把你的大腦徹底搞糊涂,我們還是用尖括號代替圓括號吧?,F在我們的問(wèn)題變成了如何把xx aa> yy這樣的字符串里,最長(cháng)的配對的尖括號內的內容捕獲出來(lái)?

這里需要用到以下的語(yǔ)法構造:

  • (?'group') 把捕獲的內容命名為group,并壓入堆棧(Stack)

  • (?'-group') 從堆棧上彈出最后壓入堆棧的名為group的捕獲內容,如果堆棧本來(lái)為空,則本分組的匹配失敗

  • (?(group)yes|no) 如果堆棧上存在以名為group的捕獲內容的話(huà),繼續匹配yes部分的表達式,否則繼續匹配no部分

  • (?!) 零寬負向先行斷言,由于沒(méi)有后綴表達式,試圖匹配總是失敗

    我們需要做的是每碰到了左括號,就在壓入一個(gè)"Open",每碰到一個(gè)右括號,就彈出一個(gè),到了最后就看看堆棧是否為空--如果不為空那就證明左括號比右括號多,那匹配就應該失敗。正則表達式引擎會(huì )進(jìn)行回溯(放棄最前面或最后面的一些字符),盡量使整個(gè)表達式得到匹配。

如果你不是一個(gè)程序員(或者你自稱(chēng)程序員但是不知道堆棧是什么東西),你就這樣理解上面的三種語(yǔ)法吧:第一個(gè)就是在黑板上寫(xiě)一個(gè)"group",第二個(gè)就是從黑板上擦掉一個(gè)"group",第三個(gè)就是看黑板上寫(xiě)的還有沒(méi)有"group",如果有就繼續匹配yes部分,否則就匹配no部分。

平衡組的一個(gè)最常見(jiàn)的應用就是匹配HTML,下面這個(gè)例子可以匹配嵌套的<div>標簽: <div[^>]*>[^<>]*(((?'Open']*>)[^<>]*)+((?'-Open')[^<>]*)+)*(?(Open)(?!))</div>

 

還有些什么東西沒(méi)提到

上邊已經(jīng)描述了構造正則表達式的大量元素,但是還有很多沒(méi)有提到的東西。下面是一些未提到的元素的列表,包含語(yǔ)法和簡(jiǎn)單的說(shuō)明。你可以在網(wǎng)上找到更詳細的參考資料來(lái)學(xué)習它們--當你需要用到它們的時(shí)候。如果你安裝了MSDN Library,你也可以在里面找到.net下正則表達式詳細的文檔。

代碼/語(yǔ)法 說(shuō)明
\a 報警字符(打印它的效果是電腦嘀一聲)
\b 通常是單詞分界位置,但如果在字符類(lèi)里使用代表退格
\t 制表符,Tab
\r 回車(chē)
\v 豎向制表符
\f 換頁(yè)符
\n 換行符
\e Escape
\0nn ASCII代碼中八進(jìn)制代碼為nn的字符
\xnn ASCII代碼中十六進(jìn)制代碼為nn的字符
\unnnn Unicode代碼中十六進(jìn)制代碼為nnnn的字符
\cN ASCII控制字符。比如\cC代表Ctrl+C
\A 字符串開(kāi)頭(類(lèi)似^,但不受處理多行選項的影響
\Z 字符串結尾或行尾(不受處理多行選項的影響)
\z 字符串結尾(類(lèi)似$,但不受處理多行選項的影響)
\G 當前搜索的開(kāi)頭
\p{name} Unicode中命名為name的字符類(lèi),例如\p{IsGreek}
(?>exp) 貪婪子表達式
(?<x>-<y>exp) 平衡組
(?im-nsx:exp) 在子表達式exp中改變處理選項
(?im-nsx) 為表達式后面的部分改變處理選項
(?(exp)yes|no) 把exp當作零寬正向先行斷言,如果在這個(gè)位置能匹配,使用yes作為此組的表達式;否則使用no
(?(exp)yes) 同上,只是使用空表達式作為no
(?(name)yes|no) 如果命名為name的組捕獲到了內容,使用yes作為表達式;否則使用no
(?(name)yes) 同上,只是使用空表達式作為no

 

聯(lián)系作者

好吧,我承認,我騙了你,讀到這里你肯定花了不止30分鐘.相信我,這是我的錯,而不是因為你太笨.我之所以說(shuō)"30分鐘",是為了讓你有信心,有耐心繼續下去.既然你看到了這里,那證明我的陰謀成功了.被忽悠的感覺(jué)很爽吧?

要投訴我,或者覺(jué)得我其實(shí)可以忽悠得更高明,或者有任何其它問(wèn)題,歡迎來(lái)我的博客讓我知道.

 

網(wǎng)上的資源及本文參考文獻

您最近使用了:

收藏 菜單 QQ