正则表达式学习参考-CSDN博客

正则表达式学习参考

1 概述

正则表达式 (Regular Expression) 是一种匹配模式，描述的是一串文本的特征。

正如自然语言中“高大”、“坚固”等词语抽象出来描述事物特征一样，正则表达式就是字符的高度抽象，用来描述字符串的特征。

正则表达式（以下简称正则， Regex ）通常不独立存在，各种编程语言和工具作为宿主语言提供对正则的支持，并根据自身语言的特点，进行一定的剪裁或扩展。

正则入门很容易，有限的语法规则很容易掌握，但是目前正则的普及率并不高，主要是因为正则的流派众多，各种宿主语言提供的文档都过多的关注于自身的一些细节，而这些细节通常是初学者并不需要关注的。

当然，如果想要深入的了解正则表达式，这些细节又是必须被关注的，这是后话，让我们先从正则的基础开始，进入正则表达式的世界。

2 正则表达式基础

2.1 基本概念

2.1.1 字符串组成

对于字符串“ a5 ”，是由两个字符“ a ”、“ 5 ”以及三个位置组成的，这一点对于正则表达式的匹配原理理解很重要。

2.1.2 占有字符和零宽度

正则表达式匹配过程中，如果子表达式匹配到的是字符内容，而非位置，并被保存到最终的匹配结果中，那么就认为这个子表达式是占有字符的；如果子表达式匹配的仅仅是位置，或者匹配的内容并不保存到最终的匹配结果中，那么就认为这个子表达式是零宽度的。

占有字符还是零宽度，是针对匹配的内容是否保存到最终的匹配结果中而言的。

占有字符是互斥的，零宽度是非互斥的。也就是一个字符，同一时间只能由一个子表达式匹配，而一个位置，却可以同时由多个零宽度的子表达式匹配。

2.1.3 正则表达式构成

正则表达式由两种字符构成。一种是在正则表达式中具体特殊意义的“元字符”，另一种是普通的“文本字符”。

元字符可以是一个字符，如“ ^ ”，也可以是一个字符序列，如“ /w ”。

2.2 元字符（ Meta Character ）

2.2.1 [ … ] 字符组 (Character Classes)

字符组可以匹配 [ ] 中包含的任意一个字符。虽然可以是任意一个，但只能是一个。

字符组支持由连字符“ - ”来表示一个范围。当“ - ”前后构成范围时，要求前面字符的码位小于后面字符的码位。

[^ … ] 排除型字符组。排除型字符组表示任意一个未列出的字符，同样只能是一个。排除型字符组同样支持由连字符“ - ”来表示一个范围。

表达式	说明
[abc]	表示“ a ”或“ b ”或“ c ”
[0-9]	表示 0~9 中任意一个数字，等价于 [0123456789]
[/u4e00-/u9fa5]	表示任意一个汉字
[^a1<]	表示除“ a ”、“ 1 ”、“ < ”外的其它任意一个字符
[^a-z]	表示除小写字母外的任意一个字符

举例：

“ [0-9][0-9] ”在匹配“ Windows 2003 ”时，匹配成功，匹配的结果为“ 20 ”。

“ [^inW] ”在匹配“ Windows 2003 ”时，匹配成功，匹配的结果为“ d ”。

2.2.2 常见字符范围缩写

对于一些常用的字符范围，如数字等，由于非常常用，即使使用 [0-9] 这样的字符组仍显得麻烦，所以定义了一些元字符，来表示常见的字符范围。

表达式	说明
/d	任意一个数字，相当于 [0-9] ，即 0~9 中的任意一个
/w	任意一个字母或数字或下划线，相当于 [a-zA-Z0-9_]
/s	任意空白字符，相当于 [ /r/n/f/t/v]
/D	任意一个非数字字符， /d 取反，相当于 [^0-9]
/W	/w 取反，相当于 [^a-zA-Z0-9_]
/S	任意非空白字符， /s 取反，相当于 [^ /r/n/f/t/v]

举例：

“ /w/s/d ”在匹配“ Windows 2003 ”时，匹配成功，匹配的结果为“ s 2 ”。

2.2.3 . 小数点

小数点可以匹配除“ /n ”以外的任意一个字符。如果要匹配包括“ /n ”在内的所有字符，一般用 [/s/S] ，或者是用“ . ”加 (?s) 匹配模式来实现。

表达式	说明
.	匹配除了换行符 /n 以外的任意一个字符

2.2.4 其它元字符

表达式	说明
^	匹配字符串开始的位置，不匹配任何字符
$	匹配字符串结束的位置，不匹配任何字符
/b	匹配单词边界，不匹配任何字符

举例：

“ ^a ”在匹配“ cba ”时，匹配失败，因为表达式要求开始位置后面是字符“ a ”，而“ cba ”显然是不满足的。

“ /d$ ”在匹配“ 123 ”时，匹配成功，匹配结果为“ 3 ”，这个表达式要求匹配结尾处的数字，如果结尾处不是数字，如“ 123abc ”，则是匹配失败的。

2.2.5 转义字符

一些不可见字符，或是在正则中具有特殊意义的元字符，如想匹配字符本身，需要用 “/” 对其进行转义。

表达式	说明
/r ， /n	回车和换行
//	匹配“ / ”本身
/^ ， /$ ， /.	分别匹配“ ^ ”、“ $ ”和“ . ”

以下字符在匹配其本身时，通常需要进行转义。在实际应用中，根据具体情况，需要转义的字符可能不止如下所列字符

　 . $ ^ { [ ( | ) * + ? /

2.2.6 量词（ Quantifier ）

量词表示一个子表达式可以匹配的次数。量词可以用来修饰一个字符、字符组，或是用 () 括起来的子表达式。一些常用的量词被定义成独立的元字符。

表达式	说明	举例
{m}	表达式匹配 m 次	“ /d{3} ”相当于“ /d/d/d ” “ (abc){2} ”相当于“ abcabc ”
{m,n}	表达式匹配最少 m 次，最多 n 次	“ /d{2,3} ”可以匹配“ 12 ”或“ 321 ”等 2 到 3 位的数字
{m,}	表达式至少匹配 m 次	“ [a-z]{8,} ”表示至少 8 位以上的字母
?	表达式匹配 0 次或 1 次，相当于 {0,1}	“ ab? ”可以匹配“ a ”或“ ab ”
*	表达式匹配 0 次或任意多次，相当于 {0,}	“ <[^>]> ”中“ [^>] ”表示 0 个或任意多个不是“ > ”的字符
+	表达式匹配 1 次或意多次，至少 1 次，相当于 {1,}	“ /d/s+/d ”表示两个数字中间，至少有一个以上的空白字符

注意：在不是动态生成的正则表达式中，不要出现“ {1} ”这样的量词，如“ /w{1} ”在结果上等价于“ /w ”，但是会降低匹配效率和可读性，属于画蛇添足的做法。

2.2.7 分支结构（ Alternation ）

当一个字符串的某一子串具有多种可能时，采用分支结构来匹配，“ | ”表示多个子表达式之间“或”的关系， “|” 是以 () 限定范围的，如果在 “|” 的左右两侧没有 () 来限定范围，那么它的作用范围即为 “|” 左右两侧整体。

表达式	说明
\|	多个子表达式之间取“或”的关系

举例：

“ ^aa|b$ ”在匹配“ cccb ”时，是可以匹配成功的，匹配的结果是“ b ”，因为这个表达式表示匹配“ ^aa ”或“ b$ ”，而“ b$ ”在匹配“ cccb ”时是可以匹配成功的。

“ ^(aa|b)$ ”在区配“ cccb ”时，是匹配失败的，因为这个表达式表示在“开始”和“结束”位置之间只能是“ aa ”或“ b ”，而“ cccb ”显然是不满足的。

3 正则表达式进阶

3.1 捕获组（ Capture Group ）

捕获组就是把正则表达式中子表达式匹配的内容，保存到内存中以数字编号或手动命名的组里，以供后面引用。

表达式	说明
(Expression)	普通捕获组，将子表达式 Expression 匹配的内容保存到以数字编号的组里
(?<name> Expression)	命名捕获组，将子表达式 Expression 匹配的内容保存到以 name 命名的组里

普通捕获组（在不产生歧义的情况下，简称捕获组）是以数字进行编号的，编号规则是以“ ( ”从左到右出现的顺序，从 1 开始进行编号。通常情况下，编号为 0 的组表示整个表达式匹配的内容。

命名捕获组可以通过捕获组名，而不是序号对捕获内容进行引用，提供了更便捷的引用方式，不用关注捕获组的序号，也不用担心表达式部分变更会导致引用错误的捕获组。

3.2 非捕获组

一些表达式中，不得不使用 ( ) ，但又不需要保存 ( ) 中子表达式匹配的内容，这时可以用非捕获组来抵消使用 ( ) 带来的副作用。

表达式	说明
(?:Expression)	进行子表达式 Expression 的匹配，并将匹配内容保存到最终的整个表达式的区配结果中，但 Expression 匹配的内容不单独保存到一个组内

3.3 反向引用

捕获组匹配的内容，可以在正则表达式的外部程序中进行引用，也可以在表达式中进行引用，表达式中引用的方式就是反向引用。

反向引用通常用来查找重复的子串，或是限定某一子串成对出现。

表达式	说明
/1 ， /2	对序号为 1 和 2 的捕获组的反向引用
/k<name>	对命名为 name 的捕获组的反向引用

举例：

“ (a|b)/1 ”在匹配“ abaa ”时，匹配成功，匹配到的结果是“ aa ”。“ (a|b) ”在尝试匹配时，虽然既可以匹配“ a ”，也可以匹配“ b ”，但是在进行反向引用时，对应 () 中匹配的内容已经是固定的了。

3.4 环视（ Look Around ）

环视只进行子表达式的匹配，匹配内容不计入最终的匹配结果，是零宽度的。

环视按照方向划分有顺序和逆序两种，按照是否匹配有肯定和否定两种，组合起来就有四种环视。环视相当于对所在位置加了一个附加条件。

表达式	说明
(?<=Expression)	逆序肯定环视，表示所在位置左侧能够匹配 Expression
(?<!Expression)	逆序否定环视，表示所在位置左侧不能匹配 Expression
(?=Expression)	顺序肯定环视，表示所在位置右侧能够匹配 Expression
(?!Expression)	顺序否定环视，表示所在位置右侧不能匹配 Expression

举例：

“ (?<=Windows )/d+ ”在匹配“ Windows 2003 ”时，匹配成功，匹配结果为“ 2003 ”。我们知道“ /d+ ”表示匹配一个以上的数字，而“ (?<=Windows ) ”相当于一个附加条件，表示所在位置左侧必须为“ Windows ”，它所匹配的内容并不计入匹配结果。同样的正则在匹配“ Office 2003 ”时，匹配失败，因为这里任意一串数字子串的左侧都不是“ Windows ”。

“ (?!1)/d+ ”在匹配“ 123 ”时，匹配成功，匹配的结果为“ 23 ”。“ /d+ ”匹配一个以上数字，但是附加条件“ (?!1) ”要求所在位置右侧不能是“ 1 ”，所以匹配成功的位置是“ 2 ”前面的位置。

3.5 忽略优先和匹配优先

或者叫做正则表达式匹配的贪婪与非贪婪模式。

标准量词修饰的子表达式，在可匹配可不匹配的情况下，总会先尝试进行匹配，称这种方式为匹配优先，或者贪婪模式。此前介绍的一些量词，“ {m} ”、“ {m,n} ”、“ {m,} ”、“ ? ”、“ * ”和“ + ”都是匹配优先的。

一些 NFA 正则引擎支持忽略优先量词，也就是在标准量词后加一个“ ? ”，此时，在可匹配可不匹配的情况下，总会先忽略匹配，只有在由忽略优先量词修饰的子表达式，必须进行匹配才能使整个表达式匹配成功时，才会进行匹配，称这种方式为忽略优先，或者非贪婪模式。忽略优先量词包括“ {m}? ”、“ {m,n}? ”、“ {m,}? ”、“ ?? ”、“ *? ”和“ +? ”。