Yoinn的专栏

孤标傲世皆谁引,一样开花为底迟。

正则表达式简介 (转)

正则表达式

如果原来没有使用过正则表达式,那么可能对这个术语和概念会不太熟悉。不过,它们并不是您想象的那么新奇。

请回想一下在硬盘上是如何查找文件的。您肯定会使用 ? 和 * 字符来帮助查找您正寻找的文件。? 字符匹配文件名中的
单个字符,而 * 则匹配一个或多个字符。一个如 'data?.dat' 的模式可以找到下述文件:

data1.dat

data2.dat

datax.dat

dataN.dat

如果使用 * 字符代替 ? 字符,则将扩大找到的文件数量。'data*.dat' 可以匹配下述所有文件名:

data.dat

data1.dat

data2.dat

data12.dat

datax.dat

dataXYZ.dat

尽管这种搜索文件的方法肯定很有用,但也十分有限。? 和 * 通配符的有限能力可以使你对正则表达式能做什么有一个概
念,不过正则表达式的功能更强大,也更灵活。

-------------------------------------------------------
2.早期起源

早期起源

正则表达式的“祖先”可以一直上溯至对人类神经系统如何工作的早期研究。Warren McCulloch 和 Walter Pitts 这两位
神经生理学家研究出一种数学方式来描述这些神经网络。

1956 年, 一位叫 Stephen Kleene 的美国数学家在 McCulloch 和 Pitts 早期工作的基础上,发表了一篇标题为“神经网
事件的表示法”的论文,引入了正则表达式的概念。正则表达式就是用来描述他称为“正则集的代数”的表达式,因此采
用“正则表达式”这个术语。

随后,发现可以将这一工作应用于使用Ken Thompson 的计算搜索算法的一些早期研究,Ken Thompson是Unix 的主要发明
人。正则表达式的第一个实用应用程序就是 Unix 中的qed 编辑器。

如他们所说,剩下的就是众所周知的历史了。从那时起直至现在正则表达式都是基于文本的编辑器和搜索工具中的一个重
要部分。
--------------------------------------------------------
3.使用正则表达式

在典型的搜索和替换操作中,必须提供要查找的确切文字。这种技术对于静态文本中的简单搜索和替换任务可能足够了,
但是由于它缺乏灵活性,因此在搜索动态文本时就有困难了,甚至是不可能的。

使用正则表达式,就可以:

1.测试字符串的某个模式。例如,可以对一个输入字符串进行测试,看在该字符串是否存在一个电话号码模式或一个信用
卡号码模式。这称为数据有效性验证。

2.替换文本。可以在文档中使用一个正则表达式来标识特定文字,然后可以全部将其删除,或者替换为别的文字。

3.根据模式匹配从字符串中提取一个子字符串。可以用来在文本或输入字段中查找特定文字。

例如,如果需要搜索整个 web 站点来删除某些过时的材料并替换某些HTML 格式化标记,则可以使用正则表达式对每个文
件进行测试,看在该文件中是否存在所要查找的材料或 HTML 格式化标记。用这个方法,就可以将受影响的文件范围缩小
到包含要删除或更改的材料的那些文件。然后可以使用正则表达式来删除过时的材料,最后,可以再次使用正则表达式来
查找并替换那些需要替换的标记。

另一个说明正则表达式非常有用的示例是一种其字符串处理能力还不为人所知的语言。VBScript 是 Visual Basic 的一个
子集,具有丰富的字符串处理功能。与 C 类似的 Visual Basic Scripting Edition 则没有这一能力。正则表达式给
Visual Basic Scripting Edition 的字符串处理能力带来了明显改善。不过,可能还是在 VBScript 中使用正则表达式的
效率更高,它允许在单个表达式中执行多个字符串操作

4.正则表达式语法
一个正则表达式就是由普通字符(例如字符 a 到 z)以及特殊字符(称为元字符)组成的文字模式。该模式描述在查找文
字主体时待匹配的一个或多个字符串。正则表达式作为一个模板,将某个字符模式与所搜索的字符串进行匹配。

这里有一些可能会遇到的正则表达式示例:

Visual BasicVBScript匹配
Scripting Edition

/^/[ /t]*$/chr(34)^/[ /t]*$chr(34)匹配一个空白行。

//d{2}-/d{5}/chr(34)/d{2}-/d{5}chr(34)验证一个ID号码是否由一个2位字,一
个连字符以及一个5位数字组成。

/<(.*)>.*<///1>/chr(34)<(.*)>.*<///1>chr(34)匹配一个 HTML 标记。


下表是元字符及其在正则表达式上下文中的行为的一个完整列表:

字符描述

/将下一个字符标记为一个特殊字符、或一个原义字符、或一个 后
向引用、或一个八进制转义符。例如,'n' 匹配字符 chr(34)nchr(34)。'/n'
匹配一个换行符。序列 '//' 匹配 chr(34)/chr(34) 而 chr(34)/(chr(34) 则匹配 chr(34)(chr(34)。

^匹配输入字符串的开始位置。如果设置了 RegExp 对象的
Multiline 属性,^ 也匹配 '/n' 或 '/r' 之后的位置。

$匹配输入字符串的结束位置。如果设置了 RegExp 对象的
Multiline 属性,$ 也匹配 '/n' 或 '/r' 之前的位置。

*匹配前面的子表达式零次或多次。例如,zo* 能匹配 chr(34)zchr(34) 以及
chr(34)zoochr(34)。 * 等价于{0,}。

+匹配前面的子表达式一次或多次。例如,'zo+' 能匹配 chr(34)zochr(34) 以
及 chr(34)zoochr(34),但不能匹配 chr(34)zchr(34)。+ 等价于 {1,}。

?匹配前面的子表达式零次或一次。例如,chr(34)do(es)?chr(34) 可以匹配
chr(34)dochr(34) 或 chr(34)doeschr(34) 中的chr(34)dochr(34) 。? 等价于 {0,1}。

{n}n 是一个非负整数。匹配确定的 n 次。例如,'o{2}' 不能匹配
chr(34)Bobchr(34) 中的 'o',但是能匹配 chr(34)foodchr(34) 中的两个 o。

{n,}n 是一个非负整数。至少匹配n 次。例如,'o{2,}' 不能匹配
chr(34)Bobchr(34) 中的 'o',但能匹配 chr(34)fooooodchr(34) 中的所有 o。'o{1,}'
等价于 'o+'。'o{0,}' 则等价于 'o*'。

{n,m}m 和 n 均为非负整数,其中n <= m。最少匹配 n 次且最多匹
配 m 次。刘, chr(34)o{1,3}chr(34) 将匹配 chr(34)foooooodchr(34) 中的前三个o。
'o{0,1}'等价于'o?'。请注意在逗号和两个数之间不能有空格

?当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,},
{n,m}) 后面时,匹配模式是非贪婪的。非贪婪模式尽可能少的
匹配所搜索的字符串,而默认的贪婪模式则尽可能多的匹配所搜
索的字符串。例如,对于字符串 chr(34)oooochr(34),'o+?' 将匹配单个
chr(34)ochr(34),而 'o+' 将匹配所有 'o'。

.匹配除 chr(34)/nchr(34) 之外的任何单个字符。要匹配包括 '/n' 在内的任
何字符,请使用象 '[./n]' 的模式。

(pattern)匹配pattern 并获取这一匹配。所获取的匹配可以从产生的
Matches 集合得到,在VBScript 中使用 SubMatches 集合,在
Visual Basic Scripting Edition 中则使用 $0…$9 属性。要
匹配圆括号字符,请使用 '/(' 或 '/)'。

(?:pattern)匹配 pattern 但不获取匹配结果,也就是说这是一个非获取匹
配,不进行存储供以后使用。这在使用 chr(34)或chr(34) 字符 (|) 来组合
一个模式的各个部分是很有用。例如, 'industr(?:y|ies) 就
是一个比 'industry|industries' 更简略的表达式。

(?=pattern)正向预查,在任何匹配 pattern 的字符串开始处匹配查找字符
串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后
使用。例如,'Windows (?=95|98|NT|2000)' 能匹配chr(34)Windows
2000chr(34)中的chr(34)Windowschr(34),但不能匹配chr(34)Windows3 .1chr(34)中chr(34)Windowschr(34)。
预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹
配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之
后开始。

(?!pattern)负向预查,在任何不匹配Negative lookahead matches the
search string at any point where a string not matching
pattern 的字符串开始处匹配查找字符串。这是一个非获取匹
配,也就是说,该匹配不需要获取供以后使用。例如'Windows
(?!95|98|NT|2000)' 能匹配 chr(34)Windows 3.1chr(34) 中的 chr(34)Windowschr(34),
但不能匹配 chr(34)Windows 2000chr(34) 中的 chr(34)Windowschr(34)。预查不消耗字
符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开
始下一次匹配的搜索,而不是从包含预查的字符之后开始

x|y匹配 x 或 y。例如,'z|food' 能匹配 chr(34)zchr(34) 或 chr(34)foodchr(34)。'(z|f)
ood' 则匹配 chr(34)zoodchr(34) 或 chr(34)foodchr(34)。

[xyz]字符集合。匹配所包含的任意一个字符。例如, '[abc]' 可以
匹配 chr(34)plainchr(34) 中的 'a'。

[^xyz]负值字符集合。匹配未包含的任意字符。例如, '[^abc]' 可以
匹配 chr(34)plainchr(34) 中的'p'。

[a-z]字符范围。匹配指定范围内的任意字符。例如,'[a-z]' 可以匹
配 'a' 到 'z' 范围内的任意小写字母字符。

[^a-z]负值字符范围。匹配任何不在指定范围内的任意字符。例如,
'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。

/b匹配一个单词边界,也就是指单词和空格间的位置。例如,
'er/b' 可以匹配chr(34)neverchr(34) 中的 'er',但不能匹配 chr(34)verbchr(34) 中
的 'er'。

/B匹配非单词边界。'er/B' 能匹配 chr(34)verbchr(34) 中的 'er',但不能匹
配 chr(34)neverchr(34) 中的 'er'。

/cx匹配由x指明的控制字符。例如, /cM 匹配一个 Control-M 或
回车符。 x 的值必须为 A-Z 或 a-z 之一。否则,将 c 视为一
个原义的 'c' 字符。

/d匹配一个数字字符。等价于 [0-9]。

/D匹配一个非数字字符。等价于 [^0-9]。

/f匹配一个换页符。等价于 /x0c 和 /cL。

/n匹配一个换行符。等价于 /x0a 和 /cJ。

/r匹配一个回车符。等价于 /x0d 和 /cM。

/s匹配任何空白字符,包括空格、制表符、换页符等等。等价于
[ /f/n/r/t/v]。

/S匹配任何非空白字符。等价于 [^ /f/n/r/t/v]。

/t匹配一个制表符。等价于 /x09 和 /cI。

/v匹配一个垂直制表符。等价于 /x0b 和 /cK。

/w匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。

/W匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'。

/xn匹配 n,其中 n 为十六进制转义值。十六进制转义值必须为确
定的两个数字长。例如, '/x41' 匹配 chr(34)Achr(34)。'/x041' 则等价
于 '/x04' & chr(34)1chr(34)。正则表达式中可以使用 ASCII 编码。.

/num匹配 num,其中num是一个正整数。对所获取的匹配的引用。
例如,'(.)/1' 匹配两个连续的相同字符。

/n标识一个八进制转义值或一个后向引用。如果 /n 之前至少 n
个获取的子表达式,则 n 为后向引用。否则,如果 n 为八进制
数字 (0-7),则 n 为一个八进制转义值。

/nm标识一个八进制转义值或一个后向引用。如果 /nm 之前至少有
is preceded by at least nm 个获取得子表达式,则 nm 为后
向引用。如果 /nm 之前至少有 n 个获取,则 n 为一个后跟文
字 m 的后向引用。如果前面的条件都不满足,若n 和 m 均为
八进制数字 (0-7),则 /nm 将匹配八进制转义值 nm。

/nml如果 n 为八进制数字 (0-3),且 m 和 l 均为八进制数字 (0-
7),则匹配八进制转义值 nml。

/un匹配 n,其中 n 是一个用四个十六进制数字表示的Unicode字
符。例如, /u00A9 匹配版权符号 (?)。


5.建立正则表达式

构造正则表达式的方法和创建数学表达式的方法一样。也就是用多种元字符与操作符将小的表达式结合在一起来创建更大
的表达式。

可以通过在一对分隔符之间放入表达式模式的各种组件来构造一个正则表达式。对 Visual Basic Scripting Edition 而
言,分隔符为一对正斜杠 (/) 字符。例如:

/expression/

对 VBScript 而言,则采用一对引号 (chr(34)chr(34)) 来确定正则表达式的边界。例如:

chr(34)expressionchr(34)

在上面所示的两个示例中,正则表达式模式 (expression) 均存储在RegExp 对象的Pattern 属性中。

<<------------------------------------------------------>>

6.优先权顺序
在构造正则表达式之后,就可以象数学表达式一样来求值,也就是说,可以从左至右并按照一个优先权顺序来求值。

下表从最高优先级到最低优先级列出各种正则表达式操作符的优先权顺序:

操作符描述

/转义符

(), (?:), (?=), []圆括号和方括号

*, +, ?, {n}, {n,}, {n,m}限定符

^, $, /anymetacharacter位置和顺序

|“或”操作

<<---------------------------------------------------------->>

7.普通字符
普通字符由所有那些未显式指定为元字符的打印和非打印字符组成。这包括所有的大写和小写字母字符,所有数字,所有
标点符号以及一些符号。

最简单的正则表达式是一个单独的普通字符,可以匹配所搜索字符串中的该字符本身。例如,单字符模式 'A' 可以匹配所
搜索字符串中任何位置出现的字母 'A'。这里有一些单字符正则表达式模式的示例:

/a/
/7/
/M/

等价的 VBScript 单字符正则表达式为:

chr(34)achr(34)
chr(34)7chr(34)
chr(34)Mchr(34)

可以将多个单字符组合在一起得到一个较大的表达式。例如,下面的 Visual Basic Scripting Edition 正则表达式不是
别的,就是通过组合单字符表达式 'a'、'7'以及 'M' 所创建出来的一个表达式。

/a7M/

等价的 VBScript 表达式为:

chr(34)a7Mchr(34)

请注意这里没有连接操作符。所需要做的就是将一个字符放在了另一个字符后面。

<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>

8.特殊字符

有不少元字符在试图对其进行匹配时需要进行特殊的处理。要匹配这些特殊字符,必须首先将这些字符转义,也就是在前
面使用一个反斜杠 (/)。下表给出了这些特殊字符及其含义:

特殊字符说明

$匹配输入字符串的结尾位置。如果设置了 RegExp 对象的 Multiline
属性,则 $ 也匹配 '/n' 或 '/r'。要匹配 $ 字符本身,请使用 /$。

( )标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用。
要匹配这些字符,请使用 /( 和 /)。

*匹配前面的子表达式零次或多次。要匹配 * 字符,请使用 /*。

+匹配前面的子表达式一次或多次。要匹配 + 字符,请使用 /+。

.匹配除换行符 /n之外的任何单字符。要匹配 .,请使用 /。

标记一个中括号表达式的开始。要匹配 [,请使用 /[。

?匹配前面的子表达式零次或一次,或指明一个非贪婪限定符。要匹配 ?
字符,请使用 /?。

/将下一个字符标记为或特殊字符、或原义字符、或后向引用、或八进制
转义符。例如, 'n' 匹配字符 'n'。'/n' 匹配换行符。序列 '//' 匹
配 chr(34)/chr(34),而 '/(' 则匹配 chr(34)(chr(34)。

^匹配输入字符串的开始位置,除非在方括号表达式中使用,此时它表示
不接受该字符集合。要匹配 ^ 字符本身,请使用 /^。

{标记限定符表达式的开始。要匹配 {,请使用 /{。

|指明两项之间的一个选择。要匹配 |,请使用 /|。


9.非打印字符

有不少很有用的非打印字符,偶尔必须使用。下表显示了用来表示这些非打印字符的转义序列:

字符含义

/cx匹配由x指明的控制字符。例如, /cM 匹配一个 Control-M 或回车符。
x 的值必须为 A-Z 或 a-z 之一。否则,将 c 视为一个原义的 'c' 字
符。

/f匹配一个换页符。等价于 /x0c 和 /cL。

/n匹配一个换行符。等价于 /x0a 和 /cJ。

/r匹配一个回车符。等价于 /x0d 和 /cM。

/s匹配任何空白字符,包括空格、制表符、换页符等等。等价于
[/f/n/r/t/v]。

/S匹配任何非空白字符。等价于 [^ /f/n/r/t/v]。

/t匹配一个制表符。等价于 /x09 和 /cI。

/v匹配一个垂直制表符。等价于 /x0b 和 /cK。

<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>

10.字符匹配

句点 (.) 匹配一个字符串中任何单个的打印或非打印字符,除了换行符 (/n) 之外。下面的 Visual Basic Scripting
Edition 正则表达式可以匹配 'aac'、'abc'、'acc'、'adc'如此等等,同样也可以匹配 'a1c'、'a2c'、a-c'以及
a#c':

/a.c/

等价的 VBScript 正则表达式为:

chr(34)a.cchr(34)

如果试图匹配一个包含文件名的字符串,其中句点 (.) 是输入字符串的一部分,则可以在正则表达式中的句点前面加上一
个反斜杠 (/) 字符来实现这一要求。举例来说,下面的 Visual Basic Scripting Edition 正则表达式就能匹
配 'filename.ext':

/filename/.ext/

对 VBScript 而言,等价的表达式如下所示:

chr(34)filename/.extchr(34)

这些表达式仍然是相当有限的。它们只允许匹配任何单字符。很多情况下,对从列表中匹配特殊字符十分有用。例如,如
果输入文字中包含用数字表示为Chapter 1, Chapter 2诸如此类的章节标题,你可能需要找到这些章节标题。


括号表达式

可以在一个方括号 ([ 和 ]) 中放入一个或多个单字符,来创建一个待匹配的列表。如果字符被放入括号中括起来,则该
列表称为括号表达式。括号内和其他任何地方一样,普通字符代表其本身,也就是说,它们匹配输入文字中出现的一处自
己。大多数特殊字符在位于括号表达式中时都将失去其含义。这里有一些例外:

1.']' 字符如果不是第一项,则将结束一个列表。要在列表中匹配 ']' 字符,请将其放在第一项,紧跟在开始的 '['
后面。

2.'/' 仍然作为转义符。要匹配 '/' 字符,请使用 '//'。

括号表达式中所包含的字符只匹配该括号表达式在正则表达式中所处位置的一个单字符。下面的 Visual Basic
Scripting Edition 正则表达式可以匹配 'Chapter 1'、'Chapter 2'、'Chapter 3'、'Chapter 4' 以及 'Chapter 5':

/Chapter ][12345]/

在 VBScript 中要匹配同样的章节标题,请使用下面的表达式:

chr(34)Chapter [12345]chr(34)

请注意单词 'Chapter' 及后面的空格与括号内的字符的位置关系是固定的。因此,括号表达式只用来指定满足紧跟在单
词 'Chapter' 和一个空格之后的单字符位置的字符集合。这里是第九个字符位置。

如果希望使用范围而不是字符本身来表示待匹配的字符,则可以使用连字符将该范围的开始和结束字符分开。每个字符的
字符值将决定其在一个范围内的相对顺序。下面的 Visual Basic Scripting Edition 正则表达式包含了一个等价于上面
所示的括号列表的范围表达式。

/Chapter [1-5]/

VBScipt 中相同功能的表达式如下所示:

chr(34)Chapter [1-5]chr(34)

如果以这种方式指定范围,则开始和结束值都包括在该范围内。有一点特别需要注意的是,在 Unicode 排序中起始值一定
要在结束值之前。

阅读更多
个人分类: J2SE
想对作者说点什么? 我来说一句

正则表达式简介.pdf

2010年08月10日 145KB 下载

正则表达式简介

2008年03月07日 173KB 下载

正则表达式及其应用简介.txt

2008年10月14日 7KB 下载

正则表达式转换为NFA程序代码

2016年01月25日 3KB 下载

没有更多推荐了,返回首页

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭