若你使用过Windows/Dos下用于文件查找的通配符,也就是*和?。如果你想查找某个目录下的所有的Word文档的话,你会搜索*.doc。*会被解释成任意的字符串。
和通配符类似,正则表达式也是用来进行文本匹配的工具,只不过比通配符更能精确地描述你的需求。比如你可以编写一个正则表达式来查找所有以0开头,后面跟着2-3个数字,然后是一个连字号“-”,最后是7或8位数字的字符串(像010-12345678或0376-7654321)。
入门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。例如,d+就是一个简洁的代码,代表着规则1位或更多位数字,2008就符合这个规则,而A3则不符合(它包含了不是数字的字符)。
学习正则表达式的最好方法是从例子开始,理解例子之后再自己对例子进行修改。下面给出了不少简单的例子,并对它们作了详细的说明。
假设你在一篇英文小说里查找hi,你可以使用正则正则表达式hi。
这是最简单的正则表达式了,它可以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。通常,处理正则表达式的工具会提供一个忽略大小写的选项,如果选中了这个选项,它可以匹配hi,HI,Hi,hI。
可是很多单词里包含hi这两个连续的字符,比如him,history,high等等。用hi来查找的话,这里边的hi也会被找出来。如果要精确地查找hi这个单词的话,我们应该使用bhib。
b是正则表达式规定的一个特殊代码,代表着单词的开头或结尾。虽然通常英文的单词是由空格或标点符号或换行为分隔的,但是b并不代表这些单词分隔符中的任何一个,只代表一个位置。
假如你要找的是hi后面不远处跟着一个Lucy,你应该用bhib.*bLucyb。//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。
注意:.是另一个特殊代码,代表除了换行符以外的任意字符。*同样是特殊的代码,不过它代表的是数量。它指定*前边的内容可以重复任意次以使整个表达式得到匹配。因此,.*连在一起就意味着任意数量的不包含换行的字符。
同时使用其它的特殊代码,我们就能构造出功能更强大的正则表达式。比如下面这个例子:0dd-dddddddd代表着这样的字符串: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(中国的电话号码,这个例子只能匹配区号为3位的情形)。
这里的d是一个特殊代码,代表任意的数字(0,或1,或2,或。。。)。-不是特殊代码,只代表它本身–连字号。
为了避免重复,我们可以这样写表达式:0d{2}-d{8}//d后面的{2}({8})指定的是前面d必须连续重复出现2次(8次)。
b,.,*,d.事实上还有更多的特殊代码,比如s代表任意的空白符,包括空格,制表符(Tab),换行符。w代表着字母或数字。
下面来试试更多的例子:
baw*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)。
d+匹配1个或更多连续的数字。这里的+是和*类似的特殊代码,不同的是*代表重复任意次(可能是0次),而+则代表重复1次或更多次。
bw{6}b 匹配刚好6个字母/数字的单词。
.匹配除换行符以外的任意字符
w匹配字母或数字
s匹配任意的空白符
d匹配数字
b匹配单词的开始或结束
^匹配字符串的开始
$匹配字符串的结束
特殊代码^以及$和b有点类似,都匹配一个位置。^匹配你要用来查找的字符串的开头,$匹配结尾。这两个代码在验证输入的内容时非常有用,比如一个网站如果要求你填写的QQ号必须为5位到12位数字时,可以使用:^d{5,12}$。
这里的{5,12}和前面介绍过的{2}是类似的,只不过{2}代表只能不多不少重复2次,{5,12}则是必须重复最少5次,最多12次,否则都不匹配。
因为使用了^和$,所以输入的整个字符串都要用来和d{5,12}来匹配,也就是说整个输入必须是5到12个数字,因此输入的QQ号能匹配这个正则表达式的话,那就符合要求。
和忽略大小写的选项类似,有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项,^和$的意义就变成了匹配行的开始处和结束处。
字符转义如果你想查找特殊代码本身的话,比如你查找.,或者*,就出现了问题:你没法指定它们,因为它们会被解释成其它的意思。这时你就必须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:www.unibetter.com匹配www.unibetter.com,c:/windows匹配c:windows,2^8匹配2^8(通常这是2的8次方的书写方式)。
重复前面的*,+,{2},{5,12}这几个代表重复的方式。下面是正则表达式中所有指定重复的方式:
*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
下面是一些使用重复的例子:
Windowsd+匹配Windows后面跟1个或更多数字
13d{9}匹配以13后面跟9个数字(中国的手机号)
^w+匹配一行的第一个单词(或整个字符串的第一个单词,具体代表哪个意思得看选项设置)
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的特殊代码,但是如果你想匹配没有预定义特殊代码的字符集比如元音字母(a,e,i,o,u),怎么办?
很简单,你只需要在中括号里列出它们就行了,像[aeiou]就匹配任何一个元音字母,[.?!]匹配标点符号(.或?或!)(英文语句通常只以这三个标点结束)。要注意的是,在中括号中,特殊代码不会被解释成其它意义,所以我们不需要写成[.?!](事实上这样写会出错,因为出现了两次)。
我们也可以轻松地指定一个字符范围,像[0-9]代表的含意与d是完全一致的:一位数字,同理[a-z0-9A-Z]也完全等同于w。
下面是一个更复杂的表达式:(?0d{2}[) -]?d{8}。
这个表达式可以匹配几种格式的电话号码,像(010)88886666,或022-22334455,或02912345678等。我们对它进行一些分析吧: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({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})。不幸的是,它也能匹配010)12345678或(022-87654321这样的“不正确”的格式。
反义有时需要查找不属于某个简单定义的字符类的字符。比如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匹配任意不是字母和数字的字符
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
例子:S+代表不包含空白符的字符串。
]+>代表用尖括号括起来的以a开头的字符串。
替换好了,现在终于到了解决3位或4位区号问题的时间了。正则表达式里的替换指的是有几种规则,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。看例子:
0d{2}-d{8}|0d{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)。
(0d{2})[- ]?d{8}|0d{2}[- ]?d{8}这个表达式匹配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。你可以试试用替换|把这个表达式扩展成也支持4位区号的。
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。之所以要给出这个例子是因为它能说明一个问题:使用替换时,顺序是很重要的。如果你把它改成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)。原因是匹配替换时,将会从左到右地测试每个条件,如果满足了某个条件的话,就不会去管其它的替换条件了。