正则表达式学习笔记

最新推荐文章于 2024-08-19 14:07:23 发布

.NET跨平台

最新推荐文章于 2024-08-19 14:07:23 发布

阅读量179

点赞数 1

分类专栏：正则表达式

正则表达式专栏收录该内容

38 篇文章 3 订阅

订阅专栏

元字符

常用元字符
- . : 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或汉字
- \s : 匹配任意的空白符
- \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
常用元字符例子
- \ba\w*\b : 匹配以字母a开头的单词——先是某个单词开始处（\b），然后是字母a，然后是任意数量的字母或数字（\w*），最后是单词结束处（\b）。
- \d+ : 匹配1个或更多连续的数字，这里的+是和类似的元字符，不同的是匹配重复任意次（可能是0）而+则匹配重复1次或更多次。
- \b\w{6}\b : 匹配刚好6个字符的单词。
- ^\d{5,12}$ :匹配5位到12位数字

字符转义

字符转义
- \ : 字符转义
字符转义例子
- \ . :匹配" . "。
- \ * :匹配" * "。
- \ \ :匹配" \ "。

重复

常用重复限定符
- * : 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
常用重复限定符例子
- Windows\d+ : 匹配Windows后面跟1个或更多数字。
- ^\w+ : 匹配一行的第一个单词（或整个字符串的第一个单词，具体匹配哪个意思得看选项设置）。

字符类

常用字符类例子
- [aeiou] : 匹配任何一个英文元音字母。
- [.?!] : 匹配标点符号（。或？或！）。
- [0-9] : 和 \d 同一个意思。
- [a-z0-9A-Z] : 同 \w 。
- \ (?0\d{2}[) -]?\d{8} : 匹配几种格式的电话号码

分枝条件

（正则表达式里的分支条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用 | 把不同的规则分隔开。）

常用分枝条件例子
- 0\d{2}-\d{8} | 0\d{3}-\d{7} : 匹配两种以连字号分割的电话号码：一种是三位区号，8位本地号（如010-12345678），一种是4位区号，7位本地号（0376-1234567）。
- (?0\d{2})?[- ]?\d{8} | 0\d{2}[- ]?\d{8} : 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号或空格间隔，也可以没有间隔。
- \d{5}-\d{4} | \d{5} : 匹配美国的邮政编码。美国邮编的规则是5位数字，或者用连字号间隔的9位数字。这里需要注意的是：使用分枝条件时，要注意各个条件的顺序。如果改成 \d{5} | \d{5}-\d{4} 的话，那么就只会匹配5位数的邮编（以及9位邮编的前5位）。原因是匹配分枝条件时，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管其他的条件了。

分组

常用分组例子
- (\d{1,3\ .}{3}\d{1.3}) : 匹配一个简单的IP地址匹配表达式。\d{1,3}匹配1到3位的数字，(\d{1,3}\ .){3}匹配三位数加上一个英文句号（这个整体也就是这个分组的）重复次数，最后再加上一个一到三位的数字(\d{1,3}) 。但是这个表达式也讲匹配256.300.888.999这种不可能存在的IP地址。
- ((2[0-4]\d|25[0-5]|[01]?\d\d?)\ .){3}(2[0-4]\d|25[0-5]|[01]?\d\d?) : 这个才是正确的匹配IP地址的正则表达式。

反义

常用反义代码
- \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] : 匹配除了x以外的任意字符
- [^aeiou] : 匹配除了aeiou这几个字母以外的任意字符
常用反义代码例子
- \S+ : 匹配不包括空白符的字符串。
- <a[^>]+> : 匹配用尖括号括起来的以a开头的字符串。

反向引用

常用分组语法
- 捕获
  - (exp) : 匹配exp，并捕获文本到自动命名的组里
  - (?(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)
  - (?:exp) : 匹配exp，不捕获匹配的文本，也不给此分组分配组号
- 零宽断言 `
  - (?=exp) : 匹配exp前面的位置
  - (?<=exp) : 匹配exp后面的位置
  - (?!exp) : 匹配后面跟的不是exp的位置
  - (?<!exp) : 匹配前面不是exp的位置
- 注释
  - (?#comment) : 这种类型的分组不对正则表达式的处理产生影响，用于提供注释让人阅读
常用反义代码例子
- \b(\w+)\b\s+\1\b : 匹配重复的单词，像go go或者kitty kitty等。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者数字(\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(也就是前面匹配的八个单词)(\1)。
- \b(?\w+)\b\s+\k\b : 同上，只是组名定义为Word了。
- (?=exp) : 这个也就零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式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 are dancing时，它会匹配sing和danc。
- (?<=exp) : 这个也叫零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式exp。比如(?<=\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)，例如在查找reading a book时，它匹配ading。
- ((?<=\d)\d{3})+\b : 匹配一串很长的数字中从右到左每三个数字加一个逗号的位置。
- (?<=\s)\d+(?=\s) : 匹配以空白符间隔的数字(不包括这些空白符)。
- \b\wq[^u]\w\b : 匹配包含后面不是字母u的字母q的单词。但是如果多做测试(或者你思维足够敏锐，直接就观察出来了)，你会发现，如果q出现在单词的结尾的话，像Iraq,Benq，这个表达式就会出错。这是因为[^u]总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的[^u]将会匹配q后面的单词分隔符(可能是空格，或者是句号或其它的什么)，后面的\w*\b将会匹配下一个单词，于是\b\w*q[^u]\w*\b就能匹配整个Iraq fighting。负向零宽断言能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。现在，我们可以这样来解决这个问题：\b\w*q(?!u)\w*\b。
- (?!exp) : 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。例如:\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abc的单词。
- 同理，我们可以用(?<!exp),零宽度负回顾后发断言来断言此位置的前面不能匹配表达式exp：(?<![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标签内的内容。(?<=(\w+)>)指定了这样的前缀：被尖括号括起来的单词（比如可能是），然后是.（任意的字符串），最后是一个后缀(?=</\1)。注意后缀里的/，它用到了前面提过的字符转义；\1则是一个反向引用，引用的正是捕获的第一组，前面的(\w+)匹配的内容，这样如果前缀实际上是的话，后缀就是了。整个表达式匹配的是和之间的内容（再次提醒，不包括前缀和后缀本身）。
- 注释
  - (?<= # 断言要匹配的文本的前缀
  - <(\w+)> # 查找尖括号括起来的字母或数字(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：前面是一个"/"，后面是先前捕获的标签
  - ) # 后缀结束
贪婪与懒惰
- 懒惰限定符
  - *? : 重复任意次，但尽可能少重复
  - +? : 重复1次或者更多次，但尽可能少重复
  - ?? : 重复0次或1次，但尽可能少重复
  - {n,m}? : 重复n到m次，但尽可能少重复
  - {n,}? : 重复n次以上，但尽可能少重复
- 贪婪与懒惰例子
  - 当正则表达式中包含能够接收重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）**匹配尽可能多**的字符。以这个表达式为例：a.*b，它将会匹配最长的以a开始，以b结束的字符串。如果用它来搜索aabab的话，它会整个字符串aabab。这被称为贪婪匹配。
  - 有时，我们需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化成懒惰匹配模式，只要在它后面加上一个问号?。这样 .*? 就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。
  - a.*?b : 匹配最短的，以a开始，以b结束的字符串。如果它应用于aabab的话，它会匹配aab（第一到三个字符）和ab（第四到第五个字符）。
处理选项
- 常用的处理选项
  - 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。
平衡组/递归匹配
- 有时我们需要匹配像( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构，这时简单地使用(.+)则只会匹配到最左边的左括号和最右边的右括号之间的内容(这里我们讨论的是贪婪模式，懒惰模式也有下面的问题)。假如原来的字符串里的左括号和右括号出现的次数不相等，比如( 5 / ( 3 + 2 ) ) )，那我们的匹配结果里两者的个数也不会相等。有没有办法在这样的字符串里匹配到最长的，配对的括号之间的内容呢？
- 为了避免(和(把你的大脑彻底搞糊涂，我们还是用尖括号代替圆括号吧。现在我们的问题变成了如何把xx <aa aa> yy这样的字符串里，最长的配对的尖括号内的内容捕获出来？
- 这里需要用到以下的语法构造：
  - (?‘group’) : 把捕获的内容命名为group,并压入堆栈(Stack)
  - (?’-group’) : 从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败
  - (?(group)yes|no) : 如果堆栈上存在以名为group的捕获内容的话，继续匹配yes部分的表达式，否则继续匹配no部分
  - (?!) : 零宽负向先行断言，由于没有后缀表达式，试图匹配总是失败
尚未详细讨论的语法
- \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 : 制表符，Tab。
- \r : 回车。
- \v : 竖向制表符。
- \f : 换页符。
- \n : 换行符。
- \e : Escape。
- \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。
- \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。
- \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。