正则表达式--备忘录

正则表达式

---

概述

正则表达式，Regular Expression，缩写为 regex、regexp、RE等。
正则表达式是文本处理极为重要的技术，用它可以对字符串按照某种规则进行检索、替换。

1970年代，Unix 之父 ken Thompson 将正则表达式引入到 Unix 中文本编辑器 ed 和 grep 命令中，由此正则表达式普及开来。
1980年后，per 语言对 Henry Spencer 编写的库，扩展了很多新的特性。1997年开始，Philip Hazel 开发出了 PCRE(Perl Compatible Regular Expressions)，它被 PHP 和 HTTPD 等工具采用。

正则表达式应用极其广泛，shell 中处理文本的命令、各种高级编程语言都支持正则表达式。

参考：正则表达式30分钟入门教程

正则表达式的元字符

代码	说明
.	匹配除换行符以外的任意字符
\w	匹配字母或数字或下划线
\s	匹配任意的空白字符
\d	匹配数字
\b	匹配单词的开始或结束
^	匹配字符串的开始
$	匹配字符串的结束

---

正则表达式的转义

有时候在我们查找 . ,或者 * ,或者一些元字符本身的话，会有一些问题出现，因为这些元字符已经变成别的意思了，所有我们没有办法指定这些元字符。出现这种情况，我们就得使用 \ 来取消这些字符的特殊意义。所有，我们应该使用 \. 和 \* 。当然，要查找 \ 本身，你也得用 \\

• 例如：
  deerchao\.net 匹配 deerchao.net
  C:\\Windows 匹配 C:\Windows

---

正则表达式的重复

正则表达式中的限定符（指数量的代码，例如*, {5,12} 等）：

代码 / 语法	说明
*	重复零次或更多次
+	重复一次或更多次
？	重复零次或一次
{n}	重复 n 次
{n,}	重复 n 次或更多次
{n,m}	重复 n 到 m 次

下面是一些使用的例子：
Windows\d+ 匹配 Windows 后面跟 1 个或者更多数字
^\w+ 匹配一行的第一个单词（或整个字符串的第一个单词，具体匹配哪个意思还得看选项设置）

---

正则表达式的分枝条件

先来看几个例子：
0\d{2}-\d{8}|0\d{3}-\d{7} 这个表达式匹配两种以连字符分割的电话号码：一种是三位区号，8位本地号（如010-12345678），一种是四位区号，7位本地号（如0376-2233445）
\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8} 这个表达式匹配3位区号的电话号码，其中区号可以用小括号括起来，也可以不用，区号与本地号间可以用连字符或空格间隔，也可以没有间隔。
\d{5}-\d{4}|\d{5}这个表达式用于匹配美国的邮政编码。美国邮编的规则是5位数字，或者用连字符间隔的9位数字。之所以要给出这个例子是因为它能说明一个问题：使用分支条件时，要注意各个条件的顺序。 如果你把它改成 \d{5}|\d{5}-\d{4} 的话，那么就只会匹配5位的右边（以及9位右边的前5位）。原因是匹配分支条件时，将会从左到右地测试每一个条件，如果满足了某个分支的话，就不会再去管其他条件了。

---

正则表达式之分组

在字符后面加上限定字符就可以重复单个字符，那么多个字符的重复又该如何实现呢？
可以使用小括号来指定子表达式（也称分组），然后对于这个字表达的重复次数你就可以自行规定了，子表达式也可以进行一些其他的操作。
(\d{1,3}\.){3}\d{1,3} 这是一个 简单的IP地址匹配表达式。第一步分析\d{1,3} 匹配到1到3位的数字，第二步(\d{1,3}\.){3}匹配三位数字加上一个英文句号（这个整体也就是这个分组）重复3次，最后再加上一个一到三位的数字\d{1,3}
不过上面的表达式并不完整，会把 256.666.777.999 这种不存在的IP地址也匹配到，如果能用算数比较的话，或许能够简单地解决这个问题，但是正则表达式中并不提供关于数学的任何功能，所以只能用冗长的分组，选择，字符类来描述一个正确的IP地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]|25[0-5]|[01]?\d\d?)

---

正则表达式之反义

有时候需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外，其他任意字符都行的情况，这时需要用到 反义 ：

代码 / 语法	说明
\W	匹配任意不是字符，数字，下划线，汉字的字符
\S	匹配任意不是空白字符的字符
\D	匹配任意非数字的字符
\B	匹配不是单词开头或结束的位置
[^x]	匹配除 x 以为的任意字符
[^aeiou]	匹配除了 aeiou 这几个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[^>]+> 匹配用尖括号括起来的以 a 开头的字符串

---

正则表达式之向后引用

当我们用小括号指定一个子表达式之后，就要对这个子表达式的文本进行匹配，即此分组捕获的内容，可以在表达式或其他程序中作进一步的处理。一般情况下，每个分组都会自动拥有一个组号，它的规则是：从左到右以分组的左括号作为标志，把第一次出现的分组的组号定为1，第二个即2，以此类推下去。
向后引用 用于重复搜索前面某个分组匹配的文本。例如，\1代表分组1匹配的文本。我们根据示例来深刻理解：
\b(\w+)\b\s+\1\b 可以用来匹配重复的单词，像 go go，或者 python python。这个表达式首先是一个单词，也就是单词开始处和结束处之间的多于一个的字母或数字 \b(\w+)\b ，这个单词会被捕获到编号为1的分组中，然后是1个或几个空白符 \s+，最后是分组1中捕获的内容（也就是前面匹配的那个单词）\1。
你也可以自己制定子表达式的 组名。要指定一个分组的组名，请使用这样的语法：（<word>\w+） （或者把尖括号换成 ’ 也行）：（?'word'\w+） ，这样就把 \w+ 的组名指定为 word 了。要反向引用这个分组 __捕获__的内容，你可以使用 \k<word>，所以上一个例子也可以写成这样：\b(<?Word>\w+)\b\s+\k<Word>\b
使用小括号的时候，还有很多特定用途的语法，下面列出了最常用的一些：

正则表达式之零宽断言

(?=exp) 也叫零宽度正预测先行断言，它断言自身出现的位置后面能匹配表达式 exp 。比如\b\w+(?=ing\b)，匹配以 ing 结尾的单词的前面部分（除了ing以外的部分），如查找 I’m singing while you’re dacing 时，它会匹配 sing 和 danc。

(?<=exp) 也叫零宽度正回顾后发断言，它断言自身出现的位置的签名能匹配表达式 exp。比如 (?<=\bre)\w+\b 会匹配以 re 开头的单词的后半部分（除了re以外的部分），例如在查找 reading a book 时，它匹配 ading。

假如你想要给一个很长的数字中每三位间加一个逗号（当然是从右边加起了），你可以这样查找需要在前面和里面添加逗号的部分： ((?<=\d)\d{3})+\b ，用它对 1234567890 进行查找时结果是 23456890。

下面这个例子同时使用了这两种断言：
(?<=\s)\d+(?=\s) 匹配以空白符间隔的数字（再次强调，不包括这些空白符）。

注解：

• 断言用来声明一个应该为真的事实。正则表达式中只有当断言为真时才会继续进行匹配。