正则表达式新手入门指南
文章目录
1. 前言
正则表达式,又称规则表达式,英文名为Regular Expression,在代码中常简写为regex、regexp或RE,是计算机科学的一个概念。正则表通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串(包括普通字符(例如,a 到 z 之间的字母)和特殊字符(称为“元字符”))操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式,模式描述在搜索文本时要匹配的一个或多个字符串。
正则表达式通常缩写成“regex”,单数有regexp、regex,复数有regexps、regexes、regexen。
2. 正则表达式语法速查表
2.1. 常用元字符
元字符 | 描述 | 示例 | 备注 |
---|---|---|---|
. | 匹配除换行符以外的任意字符 | .* | 任意数量的不包含换行的字符 |
\w | 匹配字母或数字或下划线或汉字 | \b\w{6}\b | 匹配刚好6个字符的单词 |
\s | 匹配任意的空白符,包括空格,制表符(Tab),换行符,中文全角空格等 | ||
\d | 匹配一位数字(0,或1,或2,或……) | 0\d{2}-\d{8} | \d后面的{2}({8})的意思是前面\d必须连续重复匹配2次(8次) |
\b | 匹配单词的开始或结束(匹配一个字边界,即字与空格间的位置) | \bhi\b | 精确地查找hi这个单词 |
^ | 匹配字符串的开始(默认匹配一行的开始) | ^spam | 意味着字符串必须以spam 开始 |
$ | 匹配字符串的结束(默认匹配一行的结束) | spam$ | 意味着字符串必须以spam 结束 |
“(”和“)” | 组合形成分组 |
2.2. 字符转义“\”
字符转义 | 描述 | 示例 | 备注 |
---|---|---|---|
\ | 对通配符转义,使用字符本身所代表的含义 | \* | 表示*本身 |
\. | 表示.本身 | ||
\\ | 表示\本身 |
2.3. 限定符 —— 指定重复次数
2.3.1. 常用限定符
限定符 | 描述 | 示例 | 备注 |
---|---|---|---|
* | 指定*前边的内容重复零次或任意次 | .* | 任意数量的不包含换行的字符 |
+ | 指定+前边的内容重复一次或更多次 | \d+ | 匹配1个或更多连续的数字 |
? | 指定?前边的内容重复零次或一次 | ||
{n} | 指定{n}前边的内容重复n次 | ||
{n,} | 指定{n,}前边的内容重复n次或更多次 | ||
{n,m} | 指定{n,m}前边的内容重复n到m次 |
2.3.2. 懒惰限定符
在限定符后添加?,表示尽可能少的重复
懒惰限定符 | 描述 | 示例 | 备注 |
---|---|---|---|
*? | 重复任意次,但尽可能少重复 | ||
+? | 重复1次或更多次,但尽可能少重复 | ||
?? | 重复0次或1次,但尽可能少重复 | ||
{n,}? | 重复n次以上,但尽可能少重复 | ||
{n,m}? | 重复n到m次,但尽可能少重复 |
2.4. 字符类
字符类 | 描述 | 示例 | 备注 |
---|---|---|---|
[.?!] | 匹配标点符号(.或?或!) | 匹配[]中的任意一个字符 | |
[0-9] | 匹配一位数字,含意与\d一致 | 匹配一位0到9的数字 | |
[a-z0-9_A-Z] | 匹配字母或数字或下划线或汉字,含意与\w一致 |
备注:当匹配没有预定义元字符的字符集合(比如元音字母a,e,i,o,u)时,可使用字符类实现
2.5. 分支条件
分支条件 | 描述 | 示例 | 备注 |
---|---|---|---|
| | 指的是有几种规则,如果满足其中任意一种规则都应该当成匹配 | 0\d{2}-\d{8}|0\d{3}-\d{7} | 匹配两种以连字号分隔的电话号码:三位区号+8位本地号和4位区号+7位本地号 |
备注:匹配分枝条件时,将会从左到右地测试每个条件,如果满足了某个分枝的话,就不会去再管其它的条件
2.6. 常用反义代码
反义代码 | 描述 | 示例 | 备注 |
---|---|---|---|
\W | 匹配任意不是字母,数字,下划线,汉字的字符 | ||
\S | 匹配任意不是空白符的字符 | \S+ | 匹配不包含空白符的字符串 |
\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] | 匹配除了x以外的任意字符 | <a[^>]+> | 匹配用尖括号括起来的以a开头的字符串 |
[^aeiou] | 匹配除了aeiou这几个字母以外的任意字符 |
2.7. 常用分组语法
分组 | 描述 | 示例 | 备注 |
---|---|---|---|
(…) | 用小括号来指定子表达式(也叫做分组) | (\d{1,3}.){3}\d{1,3} | 一个简单的IP地址匹配表达式 |
备注:
- 用小括号来指定子表达式(即为分组)。
- 后向引用用于重复搜索前面某个分组匹配的文本。
2.7.1. 捕获
捕获 | 描述 | 示例 | 备注 |
---|---|---|---|
(exp) | 匹配exp,并捕获文本到自动命名的组里 | \b(\w+)\b\s+\1\b | 匹配重复的单词,如go go;kitty kitty |
(?'name’exp) | 匹配exp,并捕获文本到名称为name的组里,也可以写成(?< name>exp) | \b(?\w+)\b\s+\k\b。 | 匹配重复的单词,如go go;kitty kitty |
(?:exp) | 匹配exp,不捕获匹配的文本,也不给此分组分配组号 |
备注:
- 使用小括号()指定一个子表达式后,匹配这个子表达式的文本(也就是此分组捕获的内容)可以在表达式或其它程序中作进一步的处理。
- 默认情况下,每个分组会自动拥有一个组号,规则是:从左向右,以分组的左括号为标志,第一个出现的分组的组号为1,第二个为2,以此类推。
- 指定子表达式组名时,使用语法(?‘word’\w+),或将’'替换成<>也行,即可将组名指定为word,反向引用这个分组捕获内容时,使用\k’word’即可。
- 示例说明:
\b(\w+)\b\s+\1\b
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)。
\b(?< word>\w+)\b\s+\k< word>\b;解析原理与上同理
2.7.2. 零宽断言
零宽断言 | 描述 | 示例 | 备注 |
---|---|---|---|
(?=exp) | 匹配exp前面的位置 | \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 dancing.时,它会匹配sing和danc |
(?<=exp) | 匹配exp后面的位置 | (?<=\bre)\w+\b | 匹配以re开头的单词的后半部分(除了re以外的部分); 如在查找reading a book时,它匹配ading |
(?!exp) | 匹配后面跟的不是exp的位置 | \d{3}(?!\d) | 匹配三位数字,而且这三位数字的后面不能是数字 |
\b((?!abc)\w)+\b | 匹配不包含连续字符串abc的单词 | ||
(?<!exp) | 匹配前面不是exp的位置 | (?<![a-z])\d{7} | 匹配前面不是小写字母的七位数字 |
(?<=<(\w+)>).*(?=</\1>) | 匹配不包含属性的简单HTML标签内里的内容 |
备注:
- 正向零宽断言
- 用于查找在某些内容(但并不包括这些内容)之前或之后的东西,即像\b,^,$那样用于指定一个位置,这个位置应该满足一定的条件(即断言),因此它们也被称为零宽断言。
- 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
- 零宽断言是一种零宽度的匹配,它匹配到的内容不会保存到匹配结果中去,最终匹配结果只是一个位置而已
- (?=exp)也叫零宽度正预测先行断言:断言自身出现的位置的后面,能匹配表达式exp
- (?<=exp)也叫零宽度正回顾后发断言:断言自身出现的位置的前面,能匹配表达式exp
- 负向零宽断言
- 确保某个字符没有出现,但并不想去匹配它**
- 它只匹配一个位置,并不消费任何字符**
- (?!exp)也叫零宽度负预测先行断言:断言此位置的后面,不能匹配表达式exp
- (?<!exp)也叫零宽度负回顾后发断言:断言此位置的前面,不能匹配表达式exp
2.7.3. 注释
注释 | 描述 | 示例 | 备注 |
---|---|---|---|
(?#comment) | 在正则表达式中添加注释 | 2[0-4]\d(?#200-249)|250-5|[01]?\d\d?(?#0-199) |
备注:
- 要包含注释的话,最好是启用“忽略模式里的空白符”选项,这样在编写表达式时能任意的添加空格,Tab,换行,而实际使用时这些都将被忽略。
- 启用这个选项后,在#后面到这一行结束的所有文本都将被当成注释忽略掉。例如,零宽断言表中最后一个示例可改写成了如下形式:
(?<= # 断言要匹配的文本的前缀
<(\w+)> # 查找尖括号括起来的内容
# (即HTML/XML标签)
) # 前缀结束
.* # 匹配任意文本
(?= # 断言要匹配的文本的后缀
</\1> # 查找尖括号括起来的内容
# 查找尖括号括起来的内容
) # 后缀结束
3. 正则表达式 - 运算符优先级
运算符 | 描述 | 优先级 |
---|---|---|
\ | 转义符 | 最高 |
(), (?: ), (?=), [] | 圆括号和方括号 | |
*, +, ?, {n}, {n,}, {n,m} | 限定符 | |
^, $, \任何元字符、任何字符 | 定位点和序列(即:位置和顺序) | |
| | 替换,"或"操作 | 最低 |
4. 常用的处理选项含义
名称 | 说明 |
---|---|
IgnoreCase(忽略大小写) | 匹配时不区分大小写。 |
Multiline(多行模式) | 更改^和$的含义,使它们分别在任意一行的行首和行尾匹配,而不仅仅在整个字符串的开头和结尾匹配 (在此模式下,$的精确含意是:匹配\n之前的位置以及字符串结束前的位置.) |
Singleline(单行模式) | 更改.的含义,使它与每一个字符匹配(包括换行符\n)。 |
IgnorePatternWhitespace(忽略空白) | 忽略表达式中的非转义空白并启用由#标记的注释。 |
ExplicitCapture(显式捕获) | 仅捕获已被显式命名的组。 |
5. 尚未详细讨论的语法
代码/语法 | 说明 |
---|---|
\a | 报警字符(打印它的效果是电脑嘀一声) |
\b | 通常是单词分界位置,但如果在字符类里使用代表退格 |
\t | 匹配一个制表符。等价于 \x09 和 \cI,Tab |
\r | 匹配一个回车符。等价于 \x0d 和 \cM。 |
\n | 匹配一个换行符。等价于 \x0a 和 \cJ |
\e | Escape |
\v | 匹配一个垂直制表符。等价于 \x0b 和 \cK。 |
\f | 匹配一个换页符。等价于 \x0c 和 \cL。 |
\A | 字符串开头(类似^,但不受处理多行选项的影响) |
\Z | 字符串结尾或行尾(不受处理多行选项的影响) |
\z | 字符串结尾(类似$,但不受处理多行选项的影响) |
\G | 当前搜索的开头 |
\0nn | ASCII代码中八进制代码为nn的字符 |
\xnn | ASCII代码中十六进制代码为nn的字符 |
\unnnn | Unicode代码中十六进制代码为nnnn的字符 |
\cN | ASCII控制字符。比如\cC代表Ctrl+C |
\p{name} | Unicode中命名为name的字符类,例如\p{IsGreek} |
(?>exp) | 贪婪子表达式 |
(?-exp) | 平衡组 |
(?im-nsx:exp) | 在子表达式exp中改变处理选项 |
(?im-nsx) | 为表达式后面的部分改变处理选项 |
(?(exp)yes|no) | 把exp当作零宽正向先行断言,如果在这个位置能匹配,使用yes作为此组的表达式;否则使用no |
(?(exp)yes) | 同上,只是使用空表达式作为no |
(?(name)yes|no) | 如果命名为name的组捕获到了内容,使用yes作为表达式;否则使用no |
(?(name)yes) | 同上,只是使用空表达式作为no |
备注:
表中语法详细说明可参考:正则表达式语言元素的MSDN在线文档
6. 正则表达式在线测试工具
7. 网上资源及本文参考文献
正则表达式30分钟入门教程(本笔记参考源)
正则表达式
Python3 正则表达式
Ruby 正则表达式
Vimscript 基本的正则表达式
Perl 正则表达式
正则表达式语言元素的MSDN在线文档