第一章:正则表达式
一、修饰符(标记)
修饰符 | 含义和描述 |
i | Ignore - 不区分大小写 |
g | Global - 全局匹配 |
m | Multi line - 多行匹配。使边界字符 ^ 和 $ 匹配每一行的开头和结尾 |
s | 使`.`中包含 \n |
二、定位点和序列(位置和顺序)
字符 | 含义和描述 |
\ | 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 向后引用、或一个八进制转义符。例如,'n' 匹配字符 "n"。'\n' 匹配一个换行符。序列 '\\' 匹配 "\" 而 "\(" 则匹配 "(" |
^ | 匹配输入字符串的开始位置 |
$ | 匹配输入字符串的结束位置 |
三、量词(限定符)
字符 | 含义和描述 |
* | 匹配前面的子表达式零次或多次 |
+ | 匹配前面的子表达式一次或多次 |
? | 匹配前面的子表达式零次或一次 |
{n} | n 是一个非负整数。匹配确定的 n 次 |
{n,} | n 是一个非负整数。至少匹配n 次 |
{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 |
四、基本元字符
字符 | 含义和描述 |
. | 匹配除换行符(\n、\r)之外的任何单个字符 |
x|y | 匹配 x 或 y。例如,'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配 "zood" 或 "food" |
[xyz] | 字符集合。匹配所包含的任意一个字符。例如,'[abc]' 可以匹配 "plain" 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 "plain" 中的'p'、'l'、'i'、'n' |
[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 |
\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 | 匹配字母、数字、下划线。等价于 [A-Za-z0-9_] |
\W | 匹配非字母、数字、下划线。等价于 [^A-Za-z0-9_] |
五、特殊字符
字符 | 含义 |
\b | 匹配一个单词边界,也就是指单词和空格间的位置 |
\B | 匹配非单词边界 |
\cx | 匹配由 x 指明的控制字符 |
\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 |
\num | 匹配 num,其中 num 是一个正整数。对所获取的匹配的引用 |
\n | 标识一个八进制转义值或一个向后引用。如果 \n 之前至少 n 个获取的子表达式,则 n 为向后引用。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向后引用。如果 \nm 之前至少有 nm 个获得子表达式,则 nm 为向后引用。如果 \nm 之前至少有 n 个获取,则 n 为一个后跟文字 m 的向后引用。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 (?)。 |
六、特殊使用
字符 | 含义和描述 |
(pattern) | 匹配 pattern 并获取这一匹配 |
(?: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 "或" 字符 (|) 来组合一个模式的各个部分是很有用。 |
(?=pattern) | 正向肯定预查(零宽正向先行断言),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。 |
(?!pattern) | 正向否定预查(零宽负向先行断言),在任何不匹配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。 |
(?<=pattern) | 反向肯定预查(零宽正向后行断言),与正向肯定预查类似,只是方向相反。 |
(?<!pattern) | 反向否定预查(零宽负向后行断言),与正向否定预查类似,只是方向相反。 |
第二章:正则表达式进阶
一、零宽断言(预查)
断言:可以理解为一个标记,断点,假如"aa1bb2cc3",我可以利用断言,即bb2作为标记,一个断点,匹配bb2前的内容或后面的内容;
零宽:在正则表达式中,断言只匹配位置,不占字符,匹配字符结果不会返回断言,即结果不包含标记或者断点
1.正向肯定预查(零宽正向先行断言)
语法:(?=pattern)
作用:匹配 pattern 表达式的前面内容,不返回断言(pattern)本身
字符串:阅读数:557个
表达式:\d+(?=个)
匹配结果:557
HiveSQL: select regexp_extract('阅读数:557个','\\d+(?=个)',0)
2.反向肯定预查(零宽正向后行断言)
语法:(?<=pattern)
作用:匹配 pattern 表达式的前面内容,不返回断言(pattern)本身
字符串:阅读数:557个
表达式:(?<=阅读数:)\d+
匹配结果:557
HiveSQL: select regexp_extract('阅读数:557个','(?<=阅读数:)\\d+',0)
3.正向否定预查(零宽负向先行断言)
语法:(?!pattern)
作用:匹配 pattern 表达式的前面内容,不返回断言(pattern)本身
字符串:阅读数:557个
表达式:\d+(?!阅读数:)
匹配结果:557
HiveSQL: select regexp_extract('阅读数:557个','\\d+(?!阅读数:)',0)
4.反向否定预查(零宽负向后行断言)
语法:(?<!pattern)
作用:匹配 pattern 表达式的前面内容,不返回断言(pattern)本身
字符串:阅读数:557个
表达式:(?<!个)\d+
匹配结果:557
HiveSQL: select regexp_extract('阅读数:557个','(?<!个)\\d+',0)
二、捕获和非捕获
单纯地捕获其实就是匹配,捕获通常与分组一起
捕获组:即将匹配的内容进行分组并且编号,利用编号来使用捕获的内容
- 数字编号捕获组
语法:(exp)
解释:从表达式左侧开始,每出现一个左括号和它对应的右括号之间的内容为一个分组,在分组中,第0组为整个表达式,第一组开始为分组。
字符串:020-85653333
表达式:(0\d{2})-(\d{8})
匹配结果:
编号 | 内容 | 替换取值 |
0 | 020-85653333 | $0 |
1 | 020 | $1 |
2 | 85653333 | $2 |
- 命名编号捕获组
语法:(?<name>exp)
解释:分组的命名由表达式中的name指定
字符串:020-85653333
表达式:(?<one>0\\d{2})-(?<two>\\d{8})
匹配结果:
编号 | 命名编号 | 内容 | 替换取值 |
0 | 020-85653333 | $0 | |
1 | one | 020 | $1 |
2 | two | 85653333 | $2 |
- 非捕获组
语法:(?:exp)
解释:和捕获组刚好相反,它用来标识那些不需要捕获的分组,说的通俗一点,就是你可以根据需要去保存你的分组
字符串:020-85653333
表达式:(?:0\\d{2})-(\\d{8})
匹配结果:
编号 | 内容 | 替换取值 |
0 | 020-85653333 | $0 |
1 | 85653333 | $1 |
三、反向引用
捕获会返回一个捕获组,这个分组是保存在内存中,不仅可以在正则表达式外部通过程序进行引用,也可以在正则表达式内部进行引用,这种引用方式就是反向引用
程序逻辑:
1)匹配到一个字母(捕获)
2)匹配下一个字母(捕获),检查是否和上一个字母(捕获)是否一样
3)如果一样,则匹配成功,否则失败
语法:(exp)\num
解释:num是一个正整数并且为数字编号捕获组的捕获的编号,检查捕获是否重复。
例如:
'(.)\1'匹配'abbbc',返回'bb';
'(a)(b)\2'匹配'abbbc',返回'abb';
四、贪婪和懒惰(非贪婪)
1、贪婪匹配
描述: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,这匹配方式叫做贪婪匹配。
特性:一次性读入整个字符串进行匹配,每当不匹配就舍弃最右边一个字符,继续匹配,依次匹配和舍弃(这种匹配-舍弃的方式也叫做回溯),直到匹配成功或者把整个字符串舍弃完为止,因此它是一种最大化的数据返回,能多不会少。
字符串:61762828 176 2991 87321
表达式:(\\d{1,2})(\\d{3,4})
匹配结果:617628、2991、87321
2、懒惰匹配
描述: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)匹配尽可能少的字符,这匹配方式叫做懒惰匹配。
特性:从左到右,从字符串的最左边开始匹配,每次试图不读入字符匹配,匹配成功,则完成匹配,否则读入一个字符再匹配,依此循环(读入字符、匹配)直到匹配成功或者把字符串的字符匹配完为止。
字符串:61762828 176 2991 87321
表达式:(\d{1,2}?)(\d{3,4}?)
匹配结果:6176、2828、2991、8732