正则表达式常用语法

正则表达式

在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的需要。 正则表达式 就是用于描述这些规则的工具。换句话说，正则表达式就是记录文本规则的代码。

概念

正则表达式，又称规则表达式,（Regular Expression，在代码中常简写为regex、regexp或RE），是一种文本模式，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"），是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串，通常被用来检索、替换那些符合某个模式（规则）的文本。

字符 是计算机软件处理文字时最基本的单位，可能是字母，数字，标点符号，空格，换行符，汉字等等。 字符串 是0个或更多个字符的序列。 文本 也就是文字，字符串。说某个字符串 匹配 某个正则表达式，通常是指这个字符串里有一部分（或几部分分别）能满足表达式给出的条件。

常用语法

1. \b： 匹配一个单词边界，即字与空格间的位置。并不匹配单词分隔字符中的字符

在一篇英语文章中查找hi，如果直接使用hi查找，会查找出history、him、historical、hight等等，所以如果我们需要精确查找，可以使用 “\bhi\b”

2. “.”：匹配除了换行符以外的任意字符，匹配的是字符

待匹配文本：history
正则表达式：.
匹配结果：
h
i
s
t
o
r
y

ps:换行符就是’\n’，ASCII编码为10(十六进制0x0A)的字符

3. *：同样是元字符，不过它代表的不是字符，也不是位置，而是数量—它指定 *前边的内容可以连续重复出现任意次以使整个正则表达式得到匹配。通常与.一起用，". *"意味着任意数量的不包含换行的字符。

待匹配文本：history
正则表达式：.*
匹配结果：
history

4. \d：匹配一位数字（0，或1，或2，或······）

待匹配文本：123456
正则表达式：\d
匹配结果：
1
2
3
4
5
6

如果同时使用其他元字符，我们就能构造出功能更强大的正则表达式。比如下面例子：

待匹配文本：012-12345678 012-87654321
正则表达式：0\d\d-\d\d\d\d\d\d\d\d
匹配结果：
012-12345678
012-87654321
ps:–不是元字符，只匹配它本身——连字符或减号

5. {n,m}或{n}：连续重复匹配（≥n 和 ≤m次）或（n次）

上述例子中存在许多烦人的重复操作（\d\d\d\d\d），可以简化为：
待匹配文本：012-12345678 012-87654321
正则表达式：0\d{2}-\d{8}
匹配结果：
012-12345678
012-87654321

6. \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
7. \w：匹配字母或数字

匹配要求：匹配以字母a开头的单词
待匹配文本：apple align amazing
正则表达式：\ba\w*\b
匹配结果：
apple
align
amazing

8. +：和上面的"*"类似，不同的是 * 可以匹配重复任意次（可能是0次—— ≥0），而+则匹配重复1次或更多次（≥1）

待匹配文本：123456 456789
正则表达式：\d+
匹配结果：
123456
456789

9. ^：匹配你要用来查找的字符串的开头，这和\b类型，也是匹配一个位置
   $：匹配结尾，也是匹配一个位置

匹配要求：填写的内容必须是5位到12位数字
待匹配文本：123456789012
正则表达式：^\d{5,12}$
匹配结果：
123456789012
ps：因为使用了 ^ 和 $，所以输入的整个字符串都要用来和\d{5,12}来匹配，也就是说整个输入必须是5-12个数字

常用语法/元字符总结

代码	说明
\b	匹配单词的开始或结束
.	匹配除换行符以外的任意字符
*	重复零次或更多次
\d	匹配数字
{n}	重复n次
{n,}	重复n到更多次
{n,m}	重复n到m次
\s	匹配任意的空白符
\w	匹配字母或数字或下划线
+	重复一次或更多次
^	匹配字符串的开始
$	匹配字符串的结束

字符转义

如果你想查找元字符本身的话，比如你查找 “.” ,或者 *,就出现了问题：你没办法指定它们，因为它们会被解释成别的意思。
这时你就得使用 \ 来取消这些字符的特殊意义。因此，你应该使用 \. 和 \* 。当然，要查找 \ 本身，你也得用 \\ .
例如： unibetter.com 匹配 unibetter.com ， C:\Windows 匹配 C:\Windows 。

字符类

要想查找数字，字母或数字，空白是很简单的，因为已经有了对应这些字符集合的元字符，但是如果你想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），可以使用 [aeiou] 即匹配任何一个英文元音字母，同理**[.?!]**匹配任何一个标点符号(.?!)

我们也可以轻松地指定一个字符范围，像 [0-9] 代表的含义与**\d**就是完全一致的：一位数字，同理[0-9a-zA-Z]也完全等同于\w

下面我将讲解一个更复杂的表达式：

待匹配文本：(010)12345678 022-12345678
正则表达式：(?0\d{2}[- )}?\d{8}
匹配结果：
(010)12345678
022-12345678

分析：
首先是一个转义字符 \(
它能出现0或1次（?)
然后就是一个0
后面跟着2个数字（\d{2}）
然后是)或-或空格其中一个（{- )}）
它出现0或1次（?）
最后跟着8个数字（\d{8}）

分支条件

上述更复杂的表达式可以匹配010)12345678或(023-09183092这样的”不正确“的格式。要解决这个问题，我们需要用到分支条件。
正则表达式中的 分支条件 指的是有几种规则，如果满足其中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。
我将给出以下示例：

待匹配文本：010-12345678 0376-2233445
正则表达式：0\d{2}-\d{8}|0\d{3}-\d{7}
匹配结果：
010-12345678
0376-2233445
ps：该表达式能匹配以连字号分隔的电话号码：一种是三位区号，8位本地号，另一种是四位区号，7位本地号

待匹配文本：01212345678 (012)12345678
正则表达式：(0\d{2})[- ]?\d{8}|0\d{2}[- ]?\d{8}
匹配结果：
01212345678
(012)12345678
ps：该表达式能匹配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，区号与本地号可以用连字号或空格间隔，也可以没有间隔。

分组

我们已经提到了怎么重复单个字符（直接在字符后面加上限定符就行了）；但如果想要重复多个字符又该怎么办？你可以用小括号来指定 子表达式 (也叫做 分组 )，然后你就可以指定这个子表达式的重复次数了
下面我将给出一段匹配IP地址的正则表达式

待匹配文本：192.168.100.1 192.168.156.1
正则表达式：(\d{1,3}.){3}\d{1,3}
匹配结果：
192.168.100.1
192.168.156.1
ps：
要理解这个表达式，请按下列顺序分析：
\d{1,3} 匹配1到3位的数字
(\d{1,3}.){3} 匹配三位数字加上一个英文句号 这个整体 重复三次
最后加上一个一到三位的数字（\d{1,3}）

上述表达式只能匹配ip格式的字符串，但无法匹配是否违规的IP，如256.300.888.999这种不可能存在的IP地址
所以改进如下：
((2[0-4]\d|25[0-5]|[01]?\d\d?).){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)

反义

代码/语法	说明
\W	匹配任意不是字母、数字、下划线
\S	匹配任意不是空白符的字符
\D	匹配任意非数字的字符
\B	匹配不是单词开头或结尾的位置
[^x]	匹配除了x以外的字符
[^aeiou]	匹配除了aeiou以外的字符

后向引用

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。

匹配要求：匹配重复的单词
待匹配文本：went went go go height height
正则表达式：\b(\w+)\b\s+\1\b
匹配结果：
went went
go go
height height

ps：其他的也不多说了，其中的\1是分组1中捕获的内容（也就是前面匹配的那个单词）
例如前面匹配了went，整个表达式就相当于\bwent\b\s+went\b

你也可以自己指定子表达式的组名。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，可以使用 \k<Word>

分类	代码/语法	说明
捕获	(exp)	匹配exp，并捕获文本到自动命名的组里
捕获	(?<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)
捕获	(?:exp)	匹配exp，不捕获匹配的文本，也不给此分组分配编号
零宽断言	(?=exp)	匹配exp前面的位置
零宽断言	(?<=exp)	匹配exp后面的位置
零宽断言	(?!exp)	匹配后面跟的不是exp的位置
零宽断言	(?<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任何影响，用于提供注释让人阅读

零宽断言

1. (?=exp)：也叫 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

待匹配文本：I am singing while you are dancing
正则表达式：\b\w+(?=ing\b)
匹配结果：
sing
danc

ps:匹配以ing结尾的单词的前面部分（除了ing以外的部分）

2. (?<=exp)：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

待匹配文本：reading a book
正则表达式：(?<=\bre)\w+\b
匹配结果：
ading

ps:匹配 以re开头的单词的后半部分(除了re以外的部分)

3. (?!exp)：断言此位置的后面不能匹配表达式exp

待匹配文本：123b111a 1234
正则表达式：\d{3}(?!\d)
匹配结果：
123
111
234

ps:匹配 三位数字，而且这三位数字的后面不能是数字

4. (?<!exp)：断言此位置的前面不能匹配表达式exp

待匹配文本：
A2315461
B1234567
12345678202222
正则表达式：(?<![a-z])\d{7}
匹配结果：
123
111
234

ps:匹配前面不是小写字母的七位数字

5. (?#comment)：注释

使用示例：2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)

ps:匹配前面不是小写字母的七位数字

贪婪与懒惰

当正则表达式中包含能接受重复的限定符时，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

贪婪匹配

待匹配文本：aabab
正则表达式：a.*b
匹配结果：
aabab

ps：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，它会匹配整个字符串aabab。

懒惰匹配

有时，我们更需要 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为懒惰匹配模式，只要在它后面加上一个问号 ?
即.*?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

待匹配文本：aabab
正则表达式：a.*?b
匹配结果：
aab
ab

懒惰限定符

代码/语法	说明
*?	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,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