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)