正则表达式基础知识

正则表达式：在编写用于处理字符串的程序或网页时，用于描述复合某些复杂规则的字符串。

 

常用元字符：

      \b：代表单词的开头或结尾，是单词的分解处。只匹配一个位置

      .：匹配除了换行符（\n：ASCII码值是10（十六进制0x0A））以外的任意字符

      \d：匹配一位数字。后接包含一个数字的大括号表示连续重复匹配次数

      \s：匹配任意空白字符，包括空格、制表符、换行符、中文全角空格等

      \w：匹配字母、数字、下划线、汉字等

     ^：匹配字符串（行）的开始

     $：匹配字符串（行）的结束

 

转义：

     \：转义字符

 

重复：

      *：连续重复任意次数

      +：至少连续重复一次

      ?：重复零次或一次

      {n}：连续重复n次

      {n,}：连续重复n次或更多次

      {n,m}：连续重复n次到m次

 

字符类：

      [aeiou]：匹配aeiou中任意一个字母

      [0-9]：匹配一位数字，等同于\d

      [0-9a-zA-Z]：匹配一位数字或字母

 

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：匹配任意非数字字符

      \B：匹配不是以单词开头或结束的位置

      [^X]：匹配除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

 

分枝条件：

      |：分隔不同规则，只要符合任意一个规则，则匹配成功。匹配分枝条件时，将从左向右的测试每个条件，如果满足了某个分枝，就不会再去管其他条件。使用时注意顺序：\d{5}-\d{4}|\d{5}：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}：就只会匹配5位的邮编(以及9位邮编的前5位)

 

分组：

      ()：()里面的字表达式为一组，可整体操作，例如重复等

      默认情况下，每个分组会自动拥有一个组号，规则是：分组0对应整个正则表达式；组号分配过程是要从左向右扫描两遍的：第一遍只给未命名组分配（第一个出现的分组的组号为1，第二个为2，以此类推。），第二遍只给命名组分配（组号接第一遍最后一组的组号继续累加）－－因此所有命名组的组号都大于未命名的组号。\1代表分组1匹配的文本。

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)或(?'name'exp)	匹配exp,并捕获文本到名称为name的组里
	(?: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
	(?<=exp)	匹配exp后面的位置
	(?!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)	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

后向引用：

      使用小括号指定一个子表达式后，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。

      后向引用用于重复搜索前面某个分组匹配的文本。

     \b(\w+)\b\s+\1\b可以用来匹配重复的单词，像go go, 或者kitty kitty。(?<Word>\w+)或(?'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<Word>,所以上一个例子也可以写成这样：\b(?<Word>\w+)\b\s+\k<Word>\b。

 

零宽断言：

      用于查找在某些内容(但并不包括这些内容)之前或之后的东西，也就是说它们像\b,^,$那样用于指定一个位置，这个位置应该满足一定的条件(即断言)，因此它们也被称为零宽断言

      (?=exp)：也叫零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式exp。比如\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)：也叫零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式exp。比如(?<=\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。

 

负向零宽断言：

      确保某个字符没有出现，但不去匹配它

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

      (?<!exp)：零宽度负回顾后发断言，来断言此位置的前面不能匹配表达式exp。例如：(?<![a-z])\d{7}匹配前面不是小写字母的七位数字。

 

注释：

      (?#comment)：注释comment。最好启用“忽略模式里的空白符”。例如：(?<=    # 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

                (?=    # 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

 

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。这被称为贪婪匹配.

      有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?。

      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aabab。

      a.*?b：匹配最短的，以a开始，以b结束的字符串。如果用它搜索aabab，它会匹配aab（1-3）和ab（4-5）。

      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

 

处理选项：

      在C#中，可以使用Regex(String,RegexOptions)构造函数来设置正则表达式的处理选项。如：Regex regex = newRegex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);

      .Net中常用的正则表达式选项：

            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）。与多行模式没有任何关系。

           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

 

平衡组/递归匹配：这里介绍的平衡组语法是由.Net Framework支持的；其它语言／库不一定支持这种功能，或者支持此功能但需要使用不同的语法。

      (?'group')：把捕获的内容命名为group,并压入堆栈(Stack)

     (?'-group')：从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败

     (?(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

     (?!)：零宽负向先行断言，由于没有后缀表达式，试图匹配总是失败

      平衡组的一个最常见的应用是匹配HTML,例如匹配嵌套的<div>标签：<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>.

 

其他：

      如果需要更详细的信息，而电脑上未安装MSDN Library,可以查看关于正则表达式语言元素的MSDN在线文档。

代码/语法	说明
\a	报警字符(打印它的效果是电脑嘀一声)
\b	通常是单词分界位置，但如果在字符类里使用代表退格
\t	制表符，Tab
\r	回车
\v	竖向制表符
\f	换页符
\n	换行符
\e	Escape
\0nn	ASCII代码中八进制代码为nn的字符
\xnn	ASCII代码中十六进制代码为nn的字符
\unnnn	Unicode代码中十六进制代码为nnnn的字符
\cN	ASCII控制字符。比如\cC代表Ctrl+C
\A	字符串开头(类似^，但不受处理多行选项的影响)
\Z	字符串结尾或行尾(不受处理多行选项的影响)
\z	字符串结尾(类似$，但不受处理多行选项的影响)
\G	当前搜索的开头
\p{name}	Unicode中命名为name的字符类，例如\p{IsGreek}
(?>exp)	贪婪子表达式
(?<x>-<y>exp)	平衡组
(?im-nsx:exp)	在子表达式exp中改变处理选项
(?im-nsx)	为表达式后面的部分改变处理选项
(?(exp)yes|no)	把exp当作零宽正向先行断言，如果在这个位置能匹配，使用yes作为此组的表达式；否则使用no
(?(exp)yes)	同上，只是使用空表达式作为no
(?(name)yes|no)	如果命名为name的组捕获到了内容，使用yes作为表达式；否则使用no
(?(name)yes)	同上，只是使用空表达式作为no

 

网上资源及文本参考：

•   精通正则表达式(第3版)
• 微软的正则表达式教程
• System.Text.RegularExpressions.Regex类(MSDN)
• 专业的正则表达式教学网站(英文)
• 关于.Net下的平衡组的详细讨论（英文）