正则表达式学习

1 转载-感谢

[1 30分钟入门]
(http://www.cnblogs.com/deerchao/archive/2006/08/24/zhengzhe30fengzhongjiaocheng.html#mission)

[2 平衡组讲的清楚]
(http://blog.csdn.net/weiwenhp/article/details/7664504)

[3 常用的正则表达式]
(http://blog.csdn.net/onebigday/article/details/5429868)

一 简单匹配实例

• 1 hi
  精确匹配这样的字符串:由两个字符组成，前一个字符是h,后一个是i
• 2 \bhi\b
  精确地查找hi这个单词
• 3 \bhi\b.*\bLucy\bLucy\b
  先是一个单词hi,然后是任意个任意字符(但不能是换行)，最后是Lucy这个单词。
• 4 0\d\d-\d\d\d\d\d\d\d\d
  匹配这样的字符串：以0开头，然后是两个数字，然后是一个连字号“-”，最后是8个数字(也就是中国的电话号码。当然，这个例子只能匹配区号为3位的情形)。
• 5 0\d{2}-\d{8}:避免上面麻烦
  这里\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)。
• 6 \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)。
• 7 \b\w{6}\b
  匹配刚好6个字符的单词。
• 8 \^\d{5,12}$一个网站如果要求你填写的QQ号必须为5位到12位数字时，可以使用。 {2}匹配只能不多不少重复2次，{5,12}则是重复的次数不能少于5次，不能多于12次。 和忽略大小写的选项类似，有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项，^和$的意义就变成了匹配行的开始处和结束处。
• 9 字符转义：unibetter.com 匹配unibetter.com 。 C:\Windows匹配C:\Windows。
• 10 Windows\d+
  匹配Windows后面跟1个或更多数字
• 11 \^\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)
• 12 [aeiou]
  就匹配任何一个英文元音字母，
  [.?!]
  匹配标点符号(.或?或!)。
• 13 指定一个字符范围：
  [0-9]
  代表的含意与\d就是完全一致的：一位数字；
  [a-z0-9A-Z_]
  也完全等同于\w（如果只考虑英文的话）。
• 14 (?0\d{2}[) -]?\d{8}
  匹配几种格式的电话号码，像(010)88886666，或022-22334455，或02912345678 ;
  也匹配010)12345678或(022-87654321这样的“不正确”的格式。
  分析：首先是一个转义字符(,它能出现0次或1次(?),然后是一个0，后面跟着2个数字(\d{2})，然后是)或-或空格中的一个，它出现1次或不出现(?)，最后是8个数字(\d{8})。
• 15 0\d{2}-\d{8}|0\d{3}-\d{7}
  这个表达式能匹配两种以连字号分隔的电话号码：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(0376-2233445)。
• 16 (0\d{2})[- ]?\d{8}|0\d{2}[- ]?\d{8} |(0\d{3})[- ]?\d{7}|0\d{3}[- ]?\d{7}
  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。
• 17 使用分枝条件时，要注意各个条件的顺序。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了。
  \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，或者用连字号间隔的9位数字。
  \d{5}|\d{5}-\d{4}的话，那么就只会匹配5位的邮编(以及9位邮编的前5位)。
• 18 (\d{1,3}.){3}\d{1,3}
  是一个简单的IP地址匹配表达式。
  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})。
  也可能匹配 256.300.888.999
  -19 ((2[0-4]\d|25[0-5]|[01]?\d\d?).){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)
  描述一个正确的IP地址,用到了: 分组() 选择 ？ 字符类[] 转义\ 重复{n}
  -20

二 元字符

• \b 代表着单词的开头或结尾，也就是单词的分界处。如果需要更精确的说法，\b匹配这样的位置：它的前一个字符和后一个字符不全是(一个是,一个不是或不存在)\w。
• . 匹配除了换行符以外的任意字符.
• • 前边的内容可以连续重复使用任意次以使整个表达式得到匹配.
• .* 连在一起就意味着任意数量的不包含换行的字符.
• 换行符就是’\n’,ASCII编码为10(十六进制0x0A)的字符。
• \d 匹配一位数字(0，或1，或2，或……)
• • 不是元字符，只匹配它本身——连字符(或者减号，或者中横线，或者随你怎么称呼它)。
• \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
• \w 匹配字母或数字或下划线或汉字等。
• 对中文/汉字的特殊处理是由.Net提供的正则表达式引擎支持的，其它环境下的具体情况请查看相关文档。
• \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次)，而+则匹配重复1次或更多次。
• ^ （和数字6在同一个键位上的符号）和$都匹配一个位置，这和\b有点类似。^匹配你要用来查找的字符串的开头，$匹配结尾。
• $ 匹配结尾。
• (
• )
• ? 选择

三 字符转义。

• \ 如果你想查找元字符本身的话，比如你查找.,或者*，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\.

重复

• • 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

四 字符类

• 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),需要在方括号里列出它们就行。
• [ ] 也可以指定范围

五 分支条件

• 正则表达式里的分枝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。

六 分组

• 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。
• 也可以对子表达式进行其它一些操作(后面会有介绍)。

七 反义 ：想查找除了数字以外，其它任意字符都行的情况，这时需要用到反义。

• \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
• \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

---

20 \S+      匹配不包含空白符的字符串。
21 <a[^>]+> 匹配用尖括号括起来的以a开头的字符串。

八 后向引用(建议从这开始看原文,不好精简了)

• 后向引用用于重复搜索前面某个分组匹配的文本.
• 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。
• \1代表分组1匹配的文本
• 指定子表达式的组名
  (?\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.

                                表4.常用分组语法
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
            (?<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      reading --> read
            (?<=exp)        匹配exp后面的位置      reading --> ading
            (?!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任何影响，用于提供注释让人阅读

- \b(\w+)\b\s+\1\b

    可以用来匹配重复的单词，像go go, 或者kitty kitty。
    分析: 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。 
上一个例子也可以写成这样。

九 零宽断言：查找在 exp 之前或者之后(不包括这么内容)的东西

• (?=exp) ：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。

- \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) 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。
***
- (?<=\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。
- ((?<=\d)\d{3})+\b
   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).

十 负向零宽断言

• 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。
• (?!u):零宽度负预测先行断言(?!exp)，断言此位置的后面不能匹配表达式exp

- \b\w*q[^u]\w*\b
    匹配包含后面不是字母u的字母q的单词
    也匹配：Iraq fighting 错误格式。
- \b\w*q(?!u)\w*\b
- \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。
- (?<=<(\w+)>).*(?=<\/\1>) :最能表现零宽断言的真正用途。 注意 不是V,是\ /
    匹配不包含属性的简单HTML标签内里的内容。
    (?<=<(\w+)>)指定了这样的前缀：被尖括号括起来的单词(比如可能是<b>)，
    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<b>的话，后缀就是</b>了。
    整个表达式匹配的是<b>和</b>之间的内容(再次提醒，不包括前缀和后缀本身)。

十一 注释 : 小括号的另一种用途是通过语法(?#comment)来包含注释

• 要包含注释的话，最好是启用“忽略模式里的空白符”选项.

- 2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。
- 可以前面的一个表达式写成这样：
      (?<=    # 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

十二 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.
• 为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？
  简单地说，因为正则表达式有另一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权——The match that begins earliest wins。
• .*?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。

                表5.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

- 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，它会匹配整个字符串aabab。这被称为贪婪匹配。

- a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

十三 处理选项

                    表6.常用的处理选项
    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。

• 一个经常被问到的问题是：是不是只能同时使用多行模式和单行模式中的一种？答案是：不是。这两个选项之间没有任何关系，除了它们的名字比较相似（以至于让人感到疑惑）以外。

十四 平衡组 / 递归匹配

正则表达式里是这样用到栈的

(?'group'exp)    它除了起命名的作用外,后台的操作就是把exp入栈,假如exp是左括号即(?'group'\().
(?'-group'exp)   这里多了个-表示出栈.

(?(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.其实这里yes和no可以去年一个

往往是去掉yes,就留下no而no也基本上不做其他操作,只是返回个表示匹配成功或失败的标志.这里用(?!)来表示匹配失败.前面有讲过零宽断言.它就是一种特殊的断言.所以我们大部分时候的是这样用(?(group)(?!)     //判断栈里面的元素为空。

在这里举个比较简单的例子.要假如有一字符串.要匹配其中以第一个左尖括号后面开始出现的尖括号对<>里的内容:
string source = "**<a<b<arwen>c>other>**";
string pattern ="[^<>]*  #匹配任何非尖括号的字符
                    (?'group'<)    #匹配<并且入栈
                    [^<>]*        #匹配任意非尖括号的字符
                    (?'-group'>)   #匹配>并且出栈
                    [^<>]*         #匹配任意非尖括号的字符
                    (?(group)(?!))   #判断栈中是否为空,为空则匹配成功,否则失败
                    ";
结果是 : b<arwen>c