正则表达式

正则表达式之语法

1.正则表达式简介

正则表达式（Regular expression,简写为Regexes）是一种用来操作和检验字符串数据的强大工具。它相当与一串特殊的字符，用它可以转换成算法，对文本进行匹配等操作。

事实上正则表达式有其自身的一套语法，这种语法对于初学者来说显得有些晦涩难懂。尤其是其构造比较困难，称为很多入门者的障碍。但当掌握后却可以轻易的解决以前不容易解决的很多文本类问题，如验证提取等。

其常用场合有如下三种：
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。

2.正则表达式语法

正则表达式 由一些普通字符和一些元字符（metacharacters）组成。普通字符包括大小写的字母和数字，而元字符则具有特殊的含义，要想真正的用好正则表达式，正确的理解元字符是最重要的事情。下表列出了所有的元字符和对它们的一个简短的描述。

2.1 匹配不同类型的字符

字符类	匹配的字符
\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]
\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_]’
\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]
.(点号)	任一字符
[…]	括号中的任一字符
[^…]	非括号中的任一字符

2.2 定位控制字符

字符类	匹配的字符
^	其后的模式必须在字符串的开始处，如果是多行则在任一行的开始C#需要设定Multiline标志
$	前面的模式必须在一行的末尾，如果是多行，则在任意行的末尾
\A	前面的模式必须在字符串的开始处；多行标志被忽略
\z	前面的模式必须在字符串的末尾处，多行标志被忽略
\Z	前面的模式必须位于字符串的末尾或位于换行符前
\b	匹配一个单词字符的开始，单词字符是[a-zA-Z0-9]中的一位
\B	匹配一个非单词边界的位置， 不在一个单词的开始

2.3 指定重复字符

字符类	匹配的字符
{n}	匹配前面的字符n次
{n,}	匹配前面的字符最少n次
{n,m}	匹配前面的字符n至m次
?	匹配前面的字符0次或1次
+	匹配前面的字符至少1次
*	匹配前面的字符至少0次

2.4 特殊控制类

字符类	匹配的字符
|	指定字符替换，即该位置可以是|两边的任一个表达式

2.5 特殊字符转义序列

字符类	匹配的字符
\\	匹配”\”
\.	匹配“.”
\*	匹配“*”
\(	匹配“（”
\)	匹配”)”
\?	匹配“？“
\+	匹配“+“
\|	匹配“
\{	匹配“{“
\}	匹配“}“
\^	匹配“^“
\$	匹 配“$“
\n	匹配换行符
\r	匹配回车
\t	匹配Tab键
\v	匹配垂直制表符
\f	匹配换页符
\nnn	匹配一个三位八进制数指定的ASCII字符，如\103匹配C
\xnn	匹配一个二位16进制数指定的ASCII字符,例如\x43匹配C
\unnnn	匹配一个4位16进制数指定的Unicode字符
\cV	匹配一个控制字符，（如复制Ctrl+C）

2.6 正则表达式分组、替换、反向引用等高级应用

以上只是正则表达式的基础部分，从这里开始才算真正开始正则表达式之旅。

• 分组

  分组技术可以匹配在一个组中的所有字符，用（）来表示，是下面两个技术的基础所在。“（）“又称捕获符号。

  1. 捕获：（）
     例子：ABC1EDF2UU
     匹配组表达式：（[A-Z]{3})\d –匹配3个连续大写字母和一个数字
     匹配结果：1.ABC1,2.EDF2
     如果用C#中的group，则为ABC,EDF。因为group搜集的是匹配组的内容。
     
     
  2. 非捕获（？：）
     使用了非捕获就说明该（）中的内容将不作为捕获的组返回，而和其它表达式共同构成匹配项返回。也就是捕获组将不存在。
     例：1AF3EDC
     匹配表达式：（？:\d|[A-Z]）\w –匹配一个数字或字母加一个任意的字符。
     匹配结果：1.1A 2.F3 3.ED
     没有组被捕获
     
     
  3. 通过名称捕获（？）
     定义了名称捕获的组可以在反向匹配中运用名称进行反向引用而不需要再使用数字进行反向捕获。注意组名区分大小写！

• 替换

  替换，顾名思义，是将匹配的字符替换成其他指定的字符形式。这个功能是在分组的基础上的（当然或许可以单独存在，但是那样匹配的功能显然不够强大）。在这里有一个技巧是使用附加的匹配字符控制匹配内容。

  字符类	匹配的字符
  \cV	匹配一个控制字符，（如复制Ctrl+C）
  $group	用group指定的组号进行替换
  ${name}	替换由匹配的最后一个子串
  $$	替换字符$
  $&	替换整个的匹配
  $+	替换最后捕获的组
  $	替换整个输入的字符串

  >

• 反向引用

  反向匹配可以引用前面组中的匹配形式。“\匹配组的数字表示（1为基数）“或者”\k< groupname>“

• 高级组

  1. 正声明（？=）
     规定了括号中的模式必须出现在声明的右侧。模式将不构成匹配的一部分。
  2. 负声明（？!）
     规定了括号中的模式不能出现在声明的右侧，模式将不构成匹配的一部分。
  3. 反向正声明（？<=）
     规定了括号中的模式必须出现在声明的左侧，模式将不构成匹配的一部分。
  4. 反向负声明（？<!）
     规定了括号中的模式必须出现在声明的左侧。模式不构成匹配的一部分。
  5. 非回溯（？>）
     防止了正则表达式引擎搜索失败时回溯，这称之为贪婪的子表达式。
     

  如输入字符串：He was very trusting.
  正则表达式：.*ing将匹配trusting但是如果加入（?>）ing则不能完成匹配。
  非回溯组也是非捕获组。他对于提高正则表达式的效率很有效。
  
  如匹配一个www.**.com的网址。使用www.(.).com显然要比www.([^.]).com效率要低的多，因为前者必须使用组中的回溯操作，回溯是很艰难的过程，所以当使用非回溯的正则表达式时时可以显著提高正则表达式的效率的。
  
  其实正则表达式是只注重匹配结果的，所以会努力去匹配所存在的字符串。这就是它的贪婪性所在。（这点其实理解的不是太深）。

• 
  注意以上这些（1-5）都不能够用于反向引用，因为以上声明将不作为匹配的一部分。

2.7 在正则表达式中做决策

高级决策的两种写法：

1=>（？（expression）yes|no)
2=>(?(?=expression)yes|no)

这两种方式中的的expression匹配则后面进行匹配yes，否则匹配no。
需要注意的一点是yes测试和决策测试是在同一个起点里进行的。

如以下字符串：77-77A 69-AA 57-B
匹配表达式为：(\d7)?-(?(1)\d\d[A-Z]|[A-Z][A-Z])
匹配结果为：1.77-77A 2. –AA

这个正则表达式中用到了引用组，（？（1）**）中的1也可以换为\1,这样不影响匹配。这个匹配中如果将决策后面的\d\d去掉则会出现不同的结果，这时只会有一个-AA是匹配的。因为决策点和yes表达式是从同一个起点开始匹配所以即使决策点匹配了，但是后面的yes表达式仍然不匹配。就只匹配no部分的表达式。最终结果也必然改变，理解这一点很重要。

2.8 正则表达式的选项

快到结尾了，再说下正则表达式的选项。选项其实就是将正则表达式的设置改到组中来。如（？i:[a-z]）将忽略大小写进行匹配。实际上如果学过Javascript中的正则表达式，可以看出这个i在javascript中表示的还是这个意思。

字符类	匹配的字符
N	规定只有显示命名的组标号的组才能有效的捕获
I	此选项匹配不区分大小写的匹配
X	此选项规定，非转义的空字符被排除在模式之外，并启用了一个前缀#的注释
M	指定多行模式，修改了^和$的定义
S	指定单行模式

2.9 正则表达式的规则

1.正则表达式会对输入字符传进行最快的匹配，它一次搜索一个字符，直到实现第一次匹配。
2.发现一个匹配的开始后，正则表达式引擎将继续匹配，直到遇到一个不被模式接收的字符。
3.Regex引擎非常贪婪—只要模式匹配它将匹配尽可能多的字符。
4.Regex渴望实现匹配，所以将在需要时回溯以实现匹配。
5.Regex引擎总是先选择第一个选项。在|式表达式中。

以上的几点很重要。到这正则表达式的几乎所有规则也就讲完了。
最后附一个懒惰匹配常用修饰和其他的限定

字符类	匹配的字符
*？	尽可能少地使用重复的第一个匹配
+？	尽可能少地使用重复但至少使用一次
？？	使用零次重复（如有可能）或一次重复
{n}？	等同于{n}
{n, }?	尽可能少地使用重复但至少使用n次
{n,m}?	介于n和m之间，尽可能少地使用重复

总表

元字符	描述
\	将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。例如，“\n”匹配\n。“\n”匹配换行符。序列“\”匹配“\”而“(”则匹配“(”。即相当于多种编程语言中都有的“转义字符”的概念。
^	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任意次。例如，zo*能匹配“z”，“zo”以及“zoo”。*等价于{0,}。
+	匹配前面的子表达式一次或多次(大于等于1次）。例如，“zo+”能匹配“zo”以及“zoo”，但不能匹配“z”。+等价于{1,}。
?	匹配前面的子表达式零次或一次。例如，“do(es)?”可以匹配“do”或“does”中的“do”。?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“Bob”中的“o”，但是能匹配“food”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“Bob”中的“o”，但能匹配“foooood”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。例如，“o{1,3}”将匹配“fooooood”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“oooo”，“o+?”将匹配单个“o”，而“o+”将匹配所有“o”。
.点	匹配除“\r\n”之外的任何单个字符。要匹配包括“\r\n”在内的任何字符，请使用像“[\s\S]”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JScript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。这在使用或字符“(|)”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)	正向肯定预查，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“Windows2000”中的“Windows”，但不能匹配“Windows3.1”中的“Windows”。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)	正向否定预查，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。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”，但不能匹配“Windows2000”中的“Windows”。
(?<=pattern)	反向肯定预查，与正向肯定预查类似，只是方向相反。例如，“(?<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”，但不能匹配“3.1Windows”中的“Windows”。
(?<!pattern)	反向否定预查，与正向否定预查类似，只是方向相反。例如“(?<!95|98|NT|2000)Windows”能匹配“3.1Windows”中的“Windows”，但不能匹配“2000Windows”中的“Windows”。
x|y	匹配x或y。例如，“z|food”能匹配“z”或“food”或”zood”(此处请谨慎)。“(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“plin”。
[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。注意:只有连字符在字符组内部时,并且出现在两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身.
[^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（即正则表达式的“匹配”有两种概念，一种是匹配字符，一种是匹配位置，这里的\b就是匹配位置的）。例如，“er\b”可以匹配“never”中的“er”，但不能匹配“verb”中的“er”。
\B	匹配非单词边界。“er\B”能匹配“verb”中的“er”，但不能匹配“never”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	匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。
\S	匹配任何可见字符。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。类似但不等价于“[A-Za-z0-9_]”，这里的”单词”字符使用Unicode字符集。
\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“A”。“\x041”则等价于“\x04&1”。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（0-7），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（©）。
\< \>	匹配词（word）的开始（\<）和结束（\>）。例如正则表达式\能够匹配字符串”for the wise”中的”the”，但是不能匹配字符串”otherwise”中的”the”。注意：这个元字符不是所有的软件都支持的。将 \( 和 \) 之间的表达式定义为“组”（group），并且将匹配这个表达式的字符保存到一个临时区域（一个正则表达式中最多可以保存9个），它们可以用 \1 到\9 的符号来引用。
|	将两个匹配条件进行逻辑“或”（Or）运算。例如正则表达式(him|her) 匹配”it belongs to him”和”it belongs to her”，但是不能匹配”it belongs to them.”。注意：这个元字符不是所有的软件都支持的。
+	匹配1或多个正好在它之前的那个字符。例如正则表达式9+匹配9、99、999等。注意：这个元字符不是所有的软件都支持的。
?	匹配0或1个正好在它之前的那个字符。注意：这个元字符不是所有的软件都支持的。
{i} {i,j}	匹配指定数目的字符，这些字符是在它之前的表达式定义的。例如正则表达式A[0-9]{3} 能够匹配字符”A”后面跟着正好3个数字字符的串，例如A123、A348等，但是不匹配A1234。而正则表达式[0-9]{4,6} 匹配连续的任意4个、5个或者6个数字

---

目录

参考

[1]: http://www.jb51.net/article/18526.htm
[2]: http://blog.csdn.net/xxm524/article/details/46510245