正则表达式和模式匹配简介(二)

正则表达式和模式匹配简介——字符表示

作者：张桂权

（摘自《 正则表达式袖珍手册》一书。译者，张桂权。可以从http://download.csdn.net/source/346896下载完整的译稿。如果感觉不错就去买一本原版的书吧，Regular Expression Pocket Reference，支持原书的作者。看PDF文件也是很累的。看完之后别忘了，给我提宝贵意见哦。谢谢。ajax.mailer@gmail.com）

       很多实现提供了难输入字符的快捷表达字符。（请参看MRE115-118）

 

字符速记

       很多正则表达式实现为alert（告警）, backspace（空白）, escape character（换码符）, form feed（换页符）, newline（换行）,carriage return（回车）, horizontal tab（水平制表符）和vertical tab characters（垂直制表符）指定了速记字符。例如，/n是换行符的速记，通常是LF（012，八进制），但是有时可能是CR（015，八进制），依赖于操作系统。比较混乱的是，很多实现中同时用/b表示空格和字边界（“字”字符和非字字符之间的位置）。对于这些实现来说，在字符类（字符串匹配中可能的字符的集合）中表示空格，其余地方表示字边界。

 

八进制转义：/num

       用两个或三个八进制数字表示一个字符。比如/015/0112匹配ASCII中的CR／LF字符序列。

 

十六进制和Unicode转义：/xnum, /x{num}, /unum, /Unum

       用十六进制数表示字符。四位数字和更大的数可以表示Unicode字符范围。比如，/x0D/x 0A 匹配ASCII的CR／LF字符序列。

 

控制字符：/cchar

       由于ASCII控制字符用小于32的数值编码。为了安全，通常用一个大写的char——有些实现不处理小写表示。例如，/cH匹配Control-H，一个ASCII控制字符。

 

字符类和类似（class-like）的结构

       字符类用来指定自己的集合。一个字符类匹配输入字符串的中字符集定义中的单一字符。（请参看MRE 118-128）

 

普通类：[…]和[^...]

       字符类，[…]，和求反字符类[^…]，允许你列出你想或不想匹配的字符。一个字符类通常匹配一个字符。-（破折号）描述字符的范围。例如，[a-z]匹配ASCII中任意一个小写字符。把破折号包括在字符列中，要么首先列出它，要么回避它。

 

任意字符：dot（．），点号

       通常匹配换行之外的任意字符。但是匹配的模式可以改变，所以点号也可以匹配换行。在字符集内，点号就是一个点号罢了。

 

类速记：/w，/d，/s，/W，/D，/S

       通常提供字字符，数字和空格字符类的速记。一个字字符通常包括ASCII字母数字和下划线（underscore）。不过，依据不同的实现，字母数字表可以包括添加地区或Unicode字母数字。小写速记（比如，/s）匹配类中的一个字符。大写速记（比如，/S）匹配不在类中的一个字符。例如，/d匹配一个数字字符，通常等效于[0-9]。

 

POSIX字符类：[:alnum:]

       POSIX定义了一些只能在正则表达式中使用的字符类（参照表1）。比如[:lower:]。当写作[[:lower:]]时等效于ASCII的[a-z]。

 

POSIX字符类
类名	类描述
Alnum	字母和数字
Alpha	字母
Blank	仅表示空格或制表符
Cntrl	控制字符
Digit	十进制数
Graph	打印字符，不包含空格
Lower	小写字母
Print	打印字符，包含空格
Punct	打印字符，不包含字母和数字
Space	空白
Upper	大写字母
Xdigit	十六进制数

 

表1 POSIX字符类

 

Unicode属性、字体和区位：/p{prop}，/P{prop}

       Unicode标准定义的字符类拥有特殊的属性，所属的字体和存在区位。属性是字符定义的特性，比如，是一个字母还是数字（参看表2）。字体就是书写系统，比如Hebrew、Latin或Han。区位就是字符在Unicode字符上的范围映射。有些字符要求在Unicode属性上加前缀Is或In。比如，/p{Ll}匹配支持Unicode编码的语言的小写字母，比如，a 或α 。

 

Unicode联合字符：/X

       匹配Unicode字符，后续任意数量的Unicode联合字符。这是/P{M}/p{M}的速记。例如，/X匹配è或e'，以及这两个字符。

 

标准Unicode属性
属性名	属性描述
/p{L}	字母
/p{Ll}	小写字母
/p{Lm}	修饰字母
/p{Lo}	字母和其他。不区分大小写，不是修饰字母
/p{Lt}	标题字母（Ttitlecase）
/p{Lu}	大写字母

 

表2标准Unicode属性

 

标准Unicode属性（续）
/p{Cc}	ASCII 和 Latin-1控制字符
/p{C}	不在其他类中的控制码和字符
/p{Cf}	非可视格式化字符
/p{Cn}	未指定的码点
/p{Co}	私人使用，比如公司的Logo
/p{Cs}	替代
/p{M}	连接基本字符的符号，比如重音符号
/p{Mc}	在自己的空间内变化的字符，实例包括元音信号（vowel signs）
/p{Me}	靠近字符的符号，比如园、正方形、菱形
/p{Mn}	改变其他字符的字符，比如重音（accents）和曲音（umlauts）
/p{N}	数字字符
/p{Nd}	不同字体中的十进制数字
/p{Nl}	表示数字的字母，比如随机数
/p{No}	上标（unperscropts）、符号（symbol）或表示数的非数字字符
/p{P}	标点（Punctuation）
/p{Pc}	连接标点，比如下划线
/p{Pe}	破折号和连字符（hyphens）
/p{Pi}	起始标点，比如开引号
/p{Pf}	结束标点，比如闭引号
/p{Po}	其他的标点
/p{Ps}	开标点，比如开括号
/p{S}	符号
/p{Sc}	货币符号
/p{Sk}	组合字符，不如专用字符（individual characters）
/p{Sm}	数学符号
/p{So}	其他符号
/p{Z}	非可视化表示的分隔符
/p{Zl}	行分隔符
/p{Zp}	段分隔符
/p{Zs}	空格符

 

锚和0宽断言

       锚和“0宽断言”匹配输入字符串的位置。（请参看MRE128-134）

 

行或字符串的起始：^ ，/A

       匹配被搜索字符串的起始位置。当在多行的情况下，^匹配后面的任意换行。有些实现支持/A，它仅匹配文本的起始位置。

 

行或字符串结尾：$，/Z，/z

       $匹配字符串的结尾。在多行的情况下，$匹配前面的任意一个换行。当正则表达式的具体实现支持/Z时，无论是否是匹配模式，它匹配字符串的结尾或字符串结尾换行之前的位置。有些实现同样支持/z,仅用来匹配字符串的结尾，无论是不是换行。

 

匹配的起始位置：/G

       在重叠匹配中，/G匹配前一个匹配结束的位置。通常，这个位置被设置为匹配失败的起始位置。

 

字边界：/b，/B，/<，/>

       字边界元字符匹配一个字和紧挨的非字字符之间的位置。/b通常指定一个字的边界位置，而，/B指定非字符边界位置。有些实现提供/<和/>作为字起始和结束的分隔元序列。

 

向前：（?=．．．），（?!．．．）

向后：（?<=．．．），（?<!．．．）

 

       向前的结构匹配文本中的一个位置，子模式可能在这里匹配（向前），可能不匹配（向后），或结束匹配（向后），或不可能结束匹配（向后）。例如，（?=bar）匹配foobar中的foo，但是不匹配food。在实现中通常限制子模式向后匹配的预定长度。