Regular Expressions

原创 2005年02月28日 11:40:00

前言
Regular Expressions(
以下用RE称呼)对小弟来说一直都是神密的地带,看到一些网络上的大大,简单用RE就决解了某些文字的问题,小弟便兴起了学一学RE的想法,但小弟天生就比较懒一些,总希望看有没有些快速学习的方式,于是小弟又请出Google大神,藉由祂的神力,小弟在网络上找到了Jim Hollenhorst先生的文章,经过了阅读,小弟觉得真是不错,所以就做个小心得报告,跟Move-to.Net的朋友分享,希望能为各位大大带来一丁点在学习RE时的帮助。Jim Hollenhorst大大文章之网址如下,有需要的大大可直接连结。
The 30 Minute Regex Tutorial By Jim Hollenhorst
http://www.codeproject.com/useritems/RegexTutorial.asp

 

什么是RE?
想必各位大大在做文件查找的时侯都有使用过万用字符”*”,比如说想查找在Windows目录下所有的Word文件时,你可能就会用”*.doc”这样的方式来做查找,因为”*”所代表的是任意的字符。RE所做的就是类似这样的功能,但其功能更为强大。
   
写程序时,常需要比对字符串是否符合特定样式,RE最主要的功能就是来描述这特定的样式,因此可以将RE视为特定样式的描述式,举个例子来说,”/w+”所代表的就是任何字母与数字所组成的非空字符串(non-null string)。在.NET framework中提供了非常强大的类别库,藉此可以很轻易的使用RE来做文字的查找与取代、对复杂标头的译码及验证文字等工作。
 
学习RE最好的方式就是藉由例子亲自来做做看。Jim Hollenhorst大大也提供了一个工具程序Expresso(来杯咖啡吧),来帮助我们学习RE,下载的网址是
http://www.codeproject.com/useritems/RegexTutorial/ExpressoSetup2_1C.zip

接下来,就让我们来体验一些例子吧。

 

一些简单的例子
 
假设要查找文章中Elvis后接有alive的文字符串的话,使用RE可能会经过下列的过程,括号是所下RE的意思:
1. elvis (
查找elvis)
上述代表所要查找的字符顺序为elvis。在.NET中可以设定乎略字符的大小写,所以”Elvis””ELVIS”或者是”eLvIs”都是符合1所下的RE。但因为这只管字符出现的顺序为elvis,所以pelvis也是符合1所下的RE。可以用2RE来改进。
2. /belvis/b (
elvis视为一整体的字查找,如elvisElvis乎略字符大小写时)
“/b”
RE中有特别的意思,在上述的例子中所指的就是字的边界,所以/belvis/b/belvis的前后边界界定出来,也就是要elvis这个字。
假设要将同一行里elvis后接有alive的文字符串找出来,此时就会用到另外二个特别意义的字符”.””*””.”所代表就是除了换行字符的任意字符,而”*”所代表的是重复*之前项目直到找到符合RE的字符串。所以”.*”所指的就是除了换行字符外的任意数目的字符数。所以查找同一行里elvis后接有alive的文字符串找出来,则可下如3RE
3. /belvis/b.*/balive/b (
查找elvis后面接有alive的文字符串,如elvis is alive)
用简单之特别字符就可以组成功能强大的RE,但也发现当使用越来越多的特别字符时,RE就会越来越难看得懂了。

 

再看看另外的例子

 

组成有效的电话号码
假使要从网页上收集顾客格式为xxx-xxxx7位数字的电话号码,其中x是数字,RE可能会这样写。
4. /b/d/d/d-/d/d/d/d (
查找七位数字之电话号码,如123-1234)
每一个/d代表一个数字。”-”则是一般的连字符号,为避免太多重复的/dRE可以改写成如5的方式。
5. /b/d{3}-/d{4} (
查找七位数字电话号码较好的方法,如123-1234)
/d后的{3},代表重复前一个项目三次,也就是相等于/d/d/d

 

RE的学习及测试工具 Expresso

 

因为RE不易阅读及使用者容易会下错RE的特性,Jim大大开发了一个工具软件Expresso,用来帮助使用者学习及测试RE,除了上面所述的网址之外,也可以上Ultrapico网站(http://www.Ultrapico.com)。安装完Expresso后,在Expression Library中,Jim大大把文章的例子都建立在其中,可以边看文章边测试,也可以试着修改范例所下的RE,马上可以看到结果,小弟觉得非常好用。各位大大可以试试。

 

.NETRE的基础概念
特殊字符
有些字符有特别的意义,比如之前所看到的”/b””.””*””/d”等。”/s”所代表的是任意空格符,比如说spacestabsnewlines.”/w”代表是任意字母或数字字符。

再看一些例子吧
6. /ba/w*/b (
查找a开头的字,如able)
RE描述要查找一个字的开始边界(/b),再来是字母”a”,再加任意数目的字母数字(/w*),再接结束这个字的结束边界(/b)
7. /d+ (
查找数字字符串)
“+”
”*”非常相似,除了+至少要重复前面的项目一次。也就是说至少有一个数字。
8. /b/w{6}/b (
查找六个字母数字的字,如ab123c)
下表为RE常用的特殊字符

除了换行字符的任意字符
/w 
任意字母数字字符
/s 
任意空格符
/d 
任意数字字符
/b 
界定字的边界
文章的开头,如”^The'' 用以表示出现于文章开头的字符串为”The”
文章的结尾,如”End$”用以表示出现在文章的结尾为”End”
特殊字符”^””$”是用来查找某些字必需是文章的开头或结尾,这在验证输入是否符合某一样式时特别用有,比如说要验证七位数字的电话号码,可能会输入如下9RE
9. ^/d{3}-/d{4}$ (
验证七位数字之电话号码)
这和第5RE相同,但其前后都无其它的字符,也就是整串字符串只有这七个数字的电话号码。在.NET中如果设定Multiline这个选项,则”^””$”会每行进行比较,只要某行的开头结尾符合RE即可,而不是整个文章字符串做一次比较。
转意字符(Escaped characters)
有时可能会需要”^””$”单纯的字面意义(literal meaning)而不要将它们当成特殊字符,此时”/”字符就是用来移除特殊字符特别意义的字符,因此”/^””/.””//”所代表的就是”^””.””/”的字面意义。

重复前述项目
 
在前面看过”{3}””*”可以用来重复前述字符,之后我们会看到如何用同样的语法重复整个次描述(subexpressions)。下表是使用重复前述项目的一些方式。

重复任意次数
重复至少一次
重复零次或一次
{n} 
重复n
{n,m} 
重复至少n次,但不超过m
{n,} 
重复至少n

再来试一些例子吧
10. /b/w{5,6}/b (
查找五个或六个字母数字字符的字,如as25dd58sdf)
11. /b/d{3}/s/d{3}-/d{4} (
查找十个数字的电话号码,如800 123-1234)
12. /d{3}-/d{2}-/d{4} (
查找社会保险号码,如 123-45-6789)
13. ^/w* (
每行或整篇文章的第一个字)
Espresso可试试有Multiline和没Multiline的不同。

 

匹配某范围的字符
 
有时需要查找某些特定的字符时怎么辨?这时中括号”[]”就派上了用场。因此[aeiou]所要查找的是”a””e””i””o””u”这些元音,[.?!]所要查找的是”.””?””!”这些符号,在中括号中的特殊字符的特别意义都会被移除,也就是解译成单纯的字面意义。也可以指定某些范围的字符,如”[a-z0-9]”,所指的就是任意小写字母或任意数字。

接下来再看一个比较初复杂查找电话号码的RE例子
14. /(?/d{3}[( ] /s?/d{3}[- ]/d{4} (
查找十位数字之电话号码,如(080) 333-1234 )
下这样的RE可查找出较多种格式的电话号码,如(080) 123-4567511 254 6654等。”/(?”代表一个或零个左小括号”(“,而”[( ]”代表查找一个右小括号”)”或空格符,”/s?”指一个或零个空格符组。但这样的RE会将类似”800) 45-3321”这样的电话找出来,也就是括号没有对称平衡的问题,之后会学到择一(alternatives)来决解这样的问题。

不包含在某特定字符组里(Negation)
有时需要查找在包含在某特定字符组里的字符,下表说明如何做类似这样的描述。
/W 
不是字母数字的任意字符
/S 
不是空格符的任意字符
/D 
不是数字字符的任意字符
/B 
不在字边界的位置
[^x] 
不是x的任意字符
[^aeiou] 
不是aeiou的任意字符

15. /S+ (不包含空格符的字符串)

 

择一(Alternatives)
有时会需要查找几个特定的选择,此时”|”这个特殊字符就派上用场了,举例来说,要查找五个数字及九个数字(”-”)的邮政编码。

16. /b/d{5}-/d{4}/b|/b/d{5}/b (查找五个数字及九个数字(”-”)的邮政编码)
在使用Alternatives时需要注意的是前后的次序,因为REAlternatives中会优先选择符合最左边的项目,16中,如果把查找五个数字的项目放在前面,则这RE只会找到五个数字的邮政编码。了解了择一,可将14做更好的修正。

17. (/(/d{3}/)|/d{3})/s?/d{3}[- ]/d{4} (十个数字的电话号码)

 

群组(Grouping)
括号可以用来介定一个次描述,经由次描述的介定,可以针对次描述做重复或及他的处理。

18. (/d{1,3}/.){3}/d{1,3} (寻找网络地址的简单RE)
RE的意思第一个部分(/d{1,3}/.){3},所指的是,数字最小一位最多三位,并且后面接有”.”符号,此类型的共有三个,之后再接一到三位的数字,也就是如192.72.28.1这样的数字。
但这样会有个缺点,因为网络地址数字最多只到255,但上述的RE只要是一到三位的数字都是符合的,所以这需要让比较的数字小于256才行,但只单独使用RE并无法做这样的比较。在19中使用择一来将地址的限制在所需要的范围内,也就是0255
19. ((2[0-4]/d|25[0-5]|[01]?/d/d?)/.){3}(2[0-4]/d|25[0-5]|[01]?/d/d?) (
寻找网络地址)
有没有发觉RE越来越像外星人说的话了?就以简单的寻找网络地址,直接看RE都满难理解的哩。

Expresso Analyzer View

 

 

Expresso提供了一个功能,它可以将所下的RE变成树状的说明,一组组的分开说明,提供了一个好的除错环境。其它的功能,如部分符合(Partial Match只查找反白RE的部分)及除外符合(Exclude Match只不查找反白RE的部分)就留给各位大大试试啰。

当次描述用括号群组起来时,符合次描述的文字可用在之后的程序处理或RE本身。在预设的情型下,所符合的群组是由数字命名,由1开始,由顺序是由左至右,这自动群组命名,可在Expresso中的skeleton viewresult view中看到。

Backreference是用来查找群组中抓取的符合文字所相同的文字。举例来说”/1”所指符合群组1所抓取的文字。

20. /b(/w+)/b/s*/1/b (寻找重复字,此处说的重复是指同样的字,中间有空白隔开如dog dog这样的字)
(/w+)
会抓取至少一个字符的字母或数字的字,并将它命名为群组1,之后是查找任意空格符,再接和群组1相同的文字。

如果不喜欢群组自动命名的1,也可以自行命名,以上述例子为例,(/w+)改写为(?<Word>/w+),这就是将所抓取的群组命名为WordBackreference就要改写成为/k<Word>

21. /b(?<Word>/w+)/b/s*/k<Word>/b (使用自行命名群组抓取重复字)

使用括号还有许多特别的语法元素,比较通用的列表如下:
抓取(Captures) 
(exp) 
符合exp并抓取它进自动命名的群组
(?<name>exp) 
符合exp并抓取它进命名的群组name
(?:exp) 
符合exp,不抓取它
Lookarounds 
(?=exp) 
符合字尾为exp的文字
(?<=exp) 
符合前缀为exp的文字
(?!exp) 
符合后面没接exp字尾的文字
(?<!exp) 
符合前面没接exp前缀的文字
批注Comment 
(?#comment) 
批注

Positive Lookaround
接下来要谈的是lookaheadlookbehind assertions。它们所查找的是目前符合之前或之后的文字,并不包含目前符合本身。这些就如同”^””/b”特殊字符,本身并不会对应任何文字(用来界定位置),也因此称做是zero-width assertions,看些例子也许会清楚些。

(?=exp)是一个”zero-width positive lookahead assertion”。它指的就是符合字尾为exp的文字,但不包含exp本身。
22. /b/w+(?=ing/b) (
字尾为ing的字,比如说filling所符合的就是fill)
(?<=exp)
是一个”zero-width positive lookbehind assertion”。它指的就是符合前缀为exp的文字,但不包含exp本身。
23. (?<=/bre)/w+/b (
前缀为re的字,比如说repeated所符合的就是peated)
24. (?<=/d)/d{3}/b (
在字尾的三位数字,且之前接一位数字)
25. (?<=/s)/w+(?=/s) (
由空格符分隔开的字母数字字符串)

 

Negative Lookaround
之前有提到,如何查找一个非特定或非在特定群组的字符。但如果只是要验证某字符不存在而不要对应这些字符进来呢?举个例子来说,假设要查找一个字,它的字母里有q但接下来的字母不是u,可以用下列的RE来做。

26. /b/w*q[^u]/w*/b (一个字,其字母里有q但接下来的字母不是u)
这样的RE会有一个问题,因为[^u]要对应一个字符,所以若q是字的最后一个字母,[^u]这样的下法就会将空格符对应下去,结果就有可能会符合二个字,比如说”Iraq haha”这样的文字。使用Negative Lookaround就能解决这样的问题。

27. /b/w*q(?!u)/w*/b (一个字,其字母里有q但接下来的字母不是u)
这是”zero-width negative lookahead assertion”

28. /d{3}(?!/d) (三个位的数字,其后不接一个位数字)

同样的,可以使用(?<!exp)”zero-width negative lookbehind assertion”,来符合前面没接exp前缀的文字符串。

29. (?<![a-z ])/w{7} (七个字母数字的字符串,其前面没接字母或空格)
30. (?<=<(/w+)>).*(?=<///1>) (HTML
卷标间的文字)
这使用lookaheadlookbehind assertion来取出HTML间的文字,不包括HTML卷标。

请批注(Comments Please)
括号还有个特殊的用途就是用来包住批注,语法为”(?#comment)”,若设定”Ignore Pattern Whitespace”选项,则RE中的空格符当RE使用时会乎略。此选项设定时,”#”之后的文字会乎略。

31. HTML卷标间的文字,加上批注
(?<=  #
查找前缀,但不包含它
  <(/w+)> #HTML
标签
)       #
结束查找前缀
.*        #
符合任何文字
(?=     #
查找字尾,但不包含它
  <///1>  #
符合所抓取群组1之字符串,也就是前面小括号的HTML标签
)       #
结束查找字尾

 

寻找最多字符的字及最少字符的字(Greedy and Lazy)
RE下要查找一个范围的重复时(”.*”),它通常会寻找最多字符的符合字,也就是Greedy matching。举例来说。

32. a.*b  (开始为a结束为b的最多字符的符合字)
若有一字符串是”aabab”,使用上述RE所得到的符合字符串就是”aabab”,因为这是寻找最多字符的字。有时希望是符合最少字符的字也就是lazy matching。只要将重复前述项目的表加上问号(?)就可以把它们全部变成lazy matching。因此”*?”代表的就是重复任意次数,但是使用最少重复的次数来符合。举个例子来说:

33. a.*?b (开始为a结束为b的最少字符的符合字)
若有一字符串是”aabab”,使用上述RE第一个所得到的符合字符串就是”aab”再来是”ab”,因为这是寻找最少字符的字。

*? 重复任意次数,最少重复次数为原则
+? 
重复至少一次,最少重复次数为原则
?? 
重复零次或一次,最少重复次数为原则
{n,m}? 
重复至少n次,但不超过m次,最少重复次数为原则
{n,}? 
重复至少n次,最少重复次数为原则

 

还有什么没提到呢?
到目前为止,已经提到了许多建立RE的元素,当然还有许多元素没有提到,下表整理了一些没提到的元素,在最左边的字段的数字是说明在Expresso中的例子。
语法 说明
 /a Bell
字符
 /b 
通常是指字的边界,在字符组里所代表的就是backspace
 /t Tab
34 /r Carriage return
 /v Vertical Tab
 /f From feed
35 /n New line
 /e Escape
36 /nnn ASCII
八位码为nnn的字符
37 /xnn 
十六位码为nn的字符
38 /unnnn Unicode
nnnn的字符
39 /cN Control N
字符,举例来说Ctrl-M/cM
40 /A 
字符串的开始(^相似,但不需籍由multiline选项)
41 /Z 
字符串的结尾
 /z 
字符串的结尾
42 /G 
目前查找的开始
43 /p{name} Unicode
字符组名称为name的字符,比如说/p{Lowercase_Letter} 所指的就是小写字
 (?>exp) Greedy
次描述,又称之为non-backtracking次描述。这只符合一次且不采backtracking
44 (?<x>-<y>exp)
or (?-<y>exp) 
平衡群组。虽复杂但好用。它让已命名的抓取群组可以在堆栈中操作使用。(小弟对这个也是不太懂哩)
45 (?im-nsx:exp) 
为次描述exp更改RE选项,比如(?-i:Elvis)就是把Elvis大乎略大小写的选项关掉
46 (?im-nsx) 
为之后的群组更改RE选项。
 (?(exp)yes|no) 
次描述exp视为zero-width positive lookahead。若此时有符合,则yes次描述为下一个符合标的,若否,则no 次描述为下一个符合标的。
 (?(exp)yes) 
和上述相同但无no次描述
 (?(name)yes|no) 
name群组为有效群组名称,则yes次描述为下一个符合标的,若否,则no 次描述为下一个符合标的。
47 (?(name)yes) 
和上述相同但无no次描述

结论
经过了一连串的例子,及Expresso的帮忙,相信各位大大对RE有个基本的了解,网络上当然有许多有关于RE的文章,如果各位大大有兴趣http://www.codeproject.com 还有许多关于RE的相关文章。若大大对书有兴趣的话,Jeffrey FriedlMastering Regular Expressions很多大大都有推(小弟还没拜读)。希望籍由这样的心得报告,能让对RE有兴趣的大大能缩短学习曲线,当然这是小弟第一次接触RE,若文章中有什么错误或说明的不好的地方,可要请各位大大体谅,并请各位大大将需要修正的地方mail给小弟,小弟会非常感谢各位大大。

版权声明:本文为博主原创文章,未经博主允许不得转载。

相关文章推荐

Java 9 Regular Expressions mobi

  • 2017-10-13 13:30
  • 3.32MB
  • 下载

Regular expressions are commonly used

Regular Expressions are commonly used 一、校验数字的表达式         数字:^[0-9]*$         n位的数字:^\d{...

Java Regular Expressions Syntax

Java Regular Expressions Syntax 关键字: java regex syntax 一、正则表达式语法 1.1.字符 ...

Regular Expressions

  • 2009-08-06 21:18
  • 1.46MB
  • 下载

JHTP小结_第十四章_字符串、字符及正则表达式(Strings, Characters and Regular Expressions)

复习到第14章了,虽然比较慢,但是比较踏实。 字符串操作在实际应用中很常见,必须熟练掌握 Summary Section 14.2Fundamentals of Characters a...

Regular Expressions

  • 2007-07-27 16:17
  • 206KB
  • 下载
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:深度学习:神经网络中的前向传播和反向传播算法推导
举报原因:
原因补充:

(最多只允许输入30个字)