目录
正则表达式介绍匹配模式
字符子集
行结束符
分组和引用
Unicode支持
正则表达式语法参考
替换表达式
替换表达式
匹配模式
匹配模式指得是正则表达式引擎将以何种模式匹配字符串。模式名称 | 启用,禁用 | 缺省启用 | 说明 |
UNIX_LINES | (?d)启用,(?-d)禁用 | 是 | 启用Unix行模式。 在此模式下,只有 '\n'被认为是行结束符。它会影响., ^, 和 $ 的行为。 |
CASE_INSENSITIVE | (?i)启用,(?-i)禁用 | 否 | 启用忽略大小写模式。 缺省时,忽略大小写模式只会影响 ASCII字符的匹配。 而Unicode范围的忽略大小写匹配需要通过 UNICODE_CASE 标志与本标志联合使用。 启用此模式会影响匹配性能。 |
COMMENTS | (?x)启用,(?-x)禁用 | 否 | 允许空格和注释出现在正则表达式中。 在此模式下,空格被忽略,以#开始的单行注释被忽略。 |
MULTILINE | (?m)启用,(?-m)禁用 | 是 | 启用多行模式。 In multiline mode the expressions ^ and $ match just after or just before, respectively, a line terminator or the end of the input sequence. By default these expressions only match at the beginning and the end of the entire input sequence. |
DOTALL | (?s)启用,(?-s)禁用 | 否 | 让.可以匹配行结束符。 在此模式下,元字符.可以匹配行结束符。缺省不允许如此匹配。 |
UNICODE_CASE | (?u)启用,(?-u)禁用 | 否 | Enables Unicode-aware case folding. When this flag is specified then case-insensitive matching, when enabled by the CASE_INSENSITIVE flag, is done in a manner consistent with the Unicode Standard. By default, case-insensitive matching assumes that only characters in the US-ASCII charset are being matched. 启用此模式会影响性能。 |
CANON_EQ | (?c)启用,(?-c)禁用 | 否 | Enables canonical equivalence. When this flag is specified then two characters will be considered to match if, and only if, their full canonical decompositions match. The expression "a\u030A", for example, will match the string "?" when this flag is specified. By default, matching does not take canonical equivalence into account. 启用此模式会影响性能。 |
字符子集
字符子集可以含有别的字符子集,并且可以通过联合操作符(缺省)和交集操作符(&&)实现组合。联合操作符表示某个子集匹配它的子子集所匹配的任意字符。交集操作符表明某个字符子集只匹配它的子子集都匹配的字符。字符子集所能够有的操作符的优先级如下,从高到低:
- 转义符\x
- 成组符 [...]
- 区间符 a-z
- 联合符 [a-e][i-u]
- 交集符 [a-z&&[aeiou]]
行结束符
行结束符是一个或两个字符序列,用以表明输入字符序列中一行的结束。下面的字符被认为是行结束符:- 一个换行符('\n')。
- 一个回车符加上一个换行符("\r\n")。
- 一个单独的回车符('\r')。
- 代表下一行的字符('\u0085')。
- 行分隔符('\u2028'),Unicode中被定义。
- 一个分段符('\u2029),Unicode中被定义。
如果 MULTILINE 模式被启用,。
分组和引用
字符分组以它们的左括号的出现顺序来排序。例如在表达式((A)(B(C))),有四个分组:- ((A)(B(C)))
- (A)
- (B(C))
- (C)
分组采用这样的命名方式,是因为,在一次匹配过程中,正则表达式会被匹配多次。以前的匹配子序列有可能在将来被使用;或者在匹配结束时,程序有可能需要重新获得所有匹配的子字符序列。
对于正则表达式中的某个分组而言,永远只保留最后匹配的字符序列。如果对某个分组匹配尝试失败,则会保留上次匹配成功的字符序列。例如,对于正则表达式(a(b)?)+而言,字符序列"aba",将会让分组2匹配的字符序列为"b"。
以(?开始的分组,将不会计入分组数目,也不会被后续匹配所引用。
Unicode支持
本正则表达式匹配引擎的实现遵循了《 Unicode技术报告:Unicode正则表达式指南》,实现了该指南的第二层所需的功能,但是在细微处有一些简单语法修改。Unicode块(Block)和分类(Category)通过\p和\P通配苻表示。\p{ prop}匹配含有 prop的输入序列,而\P{ prop}匹配不含有 prop的输入序列。Unicode块通过前缀 In表示,如\p{InMongolian}。Unicode分类通过可选的前缀Is表示,因此\p{L}和\p{IsL}都代表Unicode分类 letters。Unicode块和分类都可以在正则表达式子集外部和内部使用。
目前支持的Unicode块和分类是《 Unicode标准,第三版》中所指定的块和分类。 Unicode块名称在《 Unicode 字符数据库》的第14章被定义,文件名称叫 Blocks-3.txt,但是名称中的空格被去掉了。例如"Basic Latin"成了"BasicLatin"。无论是标准化的还是非标准化的分类,都在该标准的第88页的第4-5表中被全部定义。
与Perl 5正则表达式语法对比
[TBD]正则表达式参考
字符
正则表达式字符串 | 匹配的字符串 |
X | 字符X,包括 CJK ExtB 区汉字 |
\\ | 反斜杠\ |
\0n | 八进制0n代表的字符(0<=n<=7) |
\0nn | 八进制0nn代表的字符(0<=n<=7) |
\0mnn | 八进制0mnn代表的字符(0<=m<=3,0<=n<=7) |
\xhh | 十六进制 0xhh所代表的字符 |
\uhhhh | 十六进制 0xhhhh所代表的字符。注意,目前尚不支持CJK ExtB区汉字。 |
\t | 制表符('\u0009') |
\n | 换行('\u000A') |
\r | 回车('\u000D') |
\a | 响铃符('\u0007') |
\e | 取消符Escape('\001B') |
\cx | x所代表的控制字符 |
逻辑操作符
正则表达式字符串 | 匹配的字符串 |
XY | X后面跟随Y |
X|Y | X或者Y |
(X) | X作为分组表达式 |
向后引用
正则表达式字符串 | 匹配的字符串 |
\n | 第n个匹配的分组 |
边界元字符
边界字符 | 匹配的字符串 |
^ | 行首 |
$ | 行末 |
\b | 字符边界 |
\B | 非字符边界 |
\A | 输入流的开始 |
\G | 上次匹配的结束处 |
\Z | 输入流的结束,或者是最后一个行结束符,参见行结束符。 |
\z | 输入流的结束 |
重复指示符
正则表达式字符串 | 匹配的字符串 |
X? | X重复一次,或者不重复 |
X* | X重复0次或多次 |
X+ | X重复1次或多次 |
X{n} | X重复n次,不多也不少。 |
X{n,} | X至少重复n次 |
X{n,m} | X至少重复n次,至多重复m次。 |
字符子集
正则表达式字符串子集 | 匹配的字符串 | 组合方式 |
[abc] | 字符a,b或c,包括 CJK ExtB 区汉字 | 简单子集 |
[^abc] | 任意非a,b或c的字符。 | 排除 |
[a-zA-Z] | 从a到z,或者A到Z,包含a,z,A,Z。 | 区间 |
[a-d[m-p]] | 从a到d,或者m到p,等于[a-dm-p]。 | 联合 |
[a-z&&[def]] | d,e或者f。 | 交集 |
[a-z&&[^bc]] | 从a到z,除了b和c,等于[ad-z] | 扣除 |
[a-z&&[^m-p]] | 从a到z,并且不包括从m到p,等于[a-lq-z] | 扣除 |
预定义子集(元字符)
边界字符 | 匹配的字符串 |
. | 任意字符,可能匹配行结束符。 |
\d | 数字[0-9] |
\D | 非数字[^0-9] |
\s | 空白符[ \t\n\x0B\f\r] |
\S | 非空白符[^\s] |
\w | 单词符,包含有字母和数字[a-zA-Z_0-9] |
\W | 非单词符,不包含有字母和数字。 |
扩展子集(元字符)
正则表达式字符串 | 匹配的字符串 |
扩展中文子集(元字符)
名称 | 块名称(\p{InXXX}) | 简化通配符 | 标准Unicode块,或者汉字列表 |
任意双字节字符(汉字或全角符号) | \p{InQuqnJiao} | \E | 任意由GBK表示的汉字,不包括GB18030扩展部分, 以及CJK ExtB区的汉字。 |
任意单字节字符 | \p{InFQuanJiao} | \~E | 任意单字节字符。 |
任意全角ASCII字符 | \p{InQJAscii} | \H | 标准HalfwidthandFullwidthForms块 |
任意收录在BIG5码集中的双字节字符 | \p{InBig5} | \I | Big5可编码双字节字符 |
匹配未收录在BIG5码集中的双字节字符 | \p{InFBig5} | \~I | 非Big5可编码双字节字符 |
匹配任意汉字(不包括符号) | \p{InHanziOrCJKExtB} | \X | 任意汉字,包括GB18030扩展部分。 |
匹配任意汉字(不包括符号) | \p{InHanzi} | \M | 任意汉字,不包括GB18030扩展部分。 |
匹配非汉字的双字节字符 | \p{InFHanzi} | \~M | 任意非汉字的双字节字符, 包括GB18030扩展部分。 |
地支字符 | \p{InDiZhi} | \U | 子丑寅卯辰巳午未申酉戌亥 |
匹配收录在GB码集中的双字节字符 | \p{InGB} | \g | 收录在GB码集中的双字节字符, 不包括GB18030扩展部分。 |
匹配非收录在GB码集中的双字节字符 | \p{InFGB} | \~g | 未收录在GB码集中的双字节字符, 不包括GB18030扩展部分。 |
匹配收录在GBK码集中的双字节字符 | \p{InGBK} | \h | 收录在GBK码集中的双字节字符, 不包括GB18030扩展部分。 |
匹配非收录在GBK码集中的双字节字符 | \p{InFGBK} | \~h | 未收录在GBK码集中的双字节字符, 不包括GB18030扩展部分。 |
大写希腊字母 | \p{InDaXila} | \K | ΑΒΓΔΕΖΗΘΙΚΛΜΝ ΞΟΠΡΣΤΥΦΧΨΩ |
日文片假名 | \p{InPianJia} | \j | 标准Katakana块 |
日文平假名 | \p{InPingJia} | \J | 标准Hiragana块 |
小写希腊字母 | \p{InXiaoXila} | \k | αβγδεζηθικλμν ξοπρστυφχψω |
数学符号 | \p{InMathe} | \m | ±×÷∶∧∨∑∏∪∩∈∷√⊥∥∠⌒⊙ ∫∮≡≌≈∽∝≠≮≯≤≥∞∵∴ |
中文数字 | \p{InCnDigit} | \i | 〇一二三四五六七八九十百千万亿兆吉京 |
大写中文数字 | \p{InDaCnDigit} | \N | 零壹贰叁肆伍陆柒捌玖拾佰仟萬亿兆吉京 |
全角标点符号 | \p{InQJBiaoDian} | \o | 、。·ˉˇ¨〃々—~‖…‘’“”〔〕 〈〉《》「」『』〖〗【】!"'(), -.:;<=>?[]{|}`﹉﹊﹋﹌﹍﹎﹏﹐﹑﹒﹔﹕﹖﹗﹙﹚ ﹛﹜﹝﹞︵︶︹︺︿﹀︽︾﹁﹂﹃﹄ ︻︼︷︸︱︳︴ |
小写俄文字母 | \p{InXiaoEWen} | \l | абвгдеёжзийклмн опрстуфхцчшщъыьэюя |
大写俄文字母 | \p{InDaEWen} | \R | АБВГДЕЁЖЗИЙКЛМНО ПРСТУФХЦЧШЩЪЫЬЭЮЯ |
中文序号 | \p{InCnSN} | \q | ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫ ⅰⅱⅲⅳⅴⅵⅶⅷⅸⅹ 再加上Unicode标准EnclosedAlphanumerics块 |
天干字符 | \p{InTianGan} | \T | 甲乙丙丁戊己庚辛壬癸 |
竖排标点符号 | \p{InSPBiaoDian} | \V | ︵︶︹︺︿﹀︽︾﹁﹂﹃﹄︻︼︷︸︱︳︴ |
拼音字符 | \p{InPinyin} | \y | āáǎàēéěèīíǐìōóǒòūúǔùǖǘǚǜüêɑńňɡ GBK -> 0xA8A1- 0xA8C0 只是Unicode标准LatinExtended-A块的一部分。 |
注音字符 | \p{InZhuyin} | \Y | 标准Bopomofo块 |
制表字符 | \p{InZhiBiao} | \C | 标准BoxDrawing块。 经检查发现 textpro 的算法含有部分非标 准Unicode制表符:“∟∣≒≦≧⊿═”。 |
POSIX字符子集(只适用于ASCII)
正则表达式字符串 | 匹配的字符串 |
\p{Lower} | 小写字母[a-z] |
\p{Upper} | 大写字母[A-Z] |
\p{ASCII} | 所有的ASCII字符[\x00-\x7F] |
\p{Alpha} | 大小写字母[\p{Lower}\p{Upper}] |
\p{Digit} | 数字[0-9] |
\p{Alnum} | 字母数字符,包含大小写字母和数字[\p{Alpha}\p{Digit}] |
\p{Punct} | 标点符号,!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~之一。 |
\p{Graph} | 可显示字符[\p{Alnum}\p{Punct}] |
\p{Print} | 可打印字符[\p{Graph}] |
\p{Blank} | 空格或者制表符[ \t] |
\p{Cntrl} | 控制字符[\x00-\x1F\x7F |
\p{XDigit} | 十六进制数字[0-9a-fA-F] |
\p{Space} | 空白符[ \t\n\x0B\f\r] |
Unicode块和分类
块 | 中文名称(摘自Word XP) | 代码区域 |
BasicLatin | 基本拉丁语 | \u0000-\u007F |
Latin-1Supplement | 拉丁语-1 | \u0080-\u00FF |
LatinExtended-A | 拉丁语扩充-A | \u0100-\u017F |
LatinExtended-Bound | 拉丁语扩充-B | \u0180-\u024F |
IPAExtensions | 国际音标扩充 | \u0250-\u02AF |
SpacingModifierLetters | 进格的修饰字符 | \u02B0-\u02FF |
CombiningDiacriticalMarks | 组合用发音符 | \u0300-\u036F |
Greek | 基本希腊语 | \u0370-\u03FF |
Cyrillic | 西里尔语 | \u0400-\u04FF |
Armenian | \u0530-\u058F | |
Hebrew | \u0590-\u05FF | |
Arabic | \u0600-\u06FF | |
Syriac | \u0700-\u074F | |
Thaana | \u0780-\u07BF | |
Devanagari | \u0900-\u097F | |
Bengali | \u0980-\u09FF | |
Gurmukhi | \u0A00-\u0A7F | |
Gujarati | \u0A80-\u0AFF | |
Oriya | \u0B00-\u0B7F | |
Tamil | \u0B80-\u0BFF | |
Telugu | \u0C00-\u0C7F | |
Kannada | \u0C80-\u0CFF | |
Malayalam | \u0D00-\u0D7F | |
Sinhala | \u0D800-\uDFF | |
Thai | \u0E00-\u0E7F | |
Lao | \u0E80-\u0EFF | |
Tibetan | 藏语 | \u0F00-\u0FFF |
Myanmar | \u1000-\u109F | |
Georgian | \u10A0-\u10FF | |
HangulJamo | \u1100-\u11FF | |
Ethiopic | \u1200-\u137F | |
Cherokee | \u13A0-\u13FF | |
UnifiedCanadianAboriginalSyllabics | \u1400-\u167F | |
Ogham | \u1680-\u169F | |
Runic | \u16A0-\u16FF | |
Khmer | \u1780-\u17FF | |
Mongolian | 蒙古语 | \u1800-\u18AF |
LatinExtendedAdditional | \u1E00-\u1EFF | |
GreekExtended | \u1F00-\u1FFF | |
GeneralPunctuation | 广义标点 | \u2000-\u206F |
SuperscriptsandSubscripts | \u2070-\u209F | |
CurrencySymbols | 货币符号 | \u20A0-\u20CF |
CombiningMarksforSymbols | \u20D0-\u20FF | |
LetterlikeSymbols | 类似字母的符号 | \u2100-\u214F |
NumberForms | 数字形式 | \u2150-\u218F |
Arrows | 箭头 | \u2190-\u21FF |
MathematicalOperators | 数学运算符 | \u2200-\u22FF |
MiscellaneousTechnical | 零杂技术用符号 | \u2300-\u23FF |
ControlPictures | \u2400-\u243F | |
OpticalCharacterRecognition | \u2440-\u245F | |
EnclosedAlphanumerics | 带括号的字母数字 | \u2460-\u24FF |
BoxDrawing | 制表符 | \u2500-\u257F |
BlockElements | 方块图形 | \u2580-\u259F |
GeometricShapes | 几何图形 | \u25A0-\u25FF |
MiscellaneousSymbols | 零杂丁贝符(示意符等) | \u2600-\u26FF |
Dingbats | \u2700-\u27BF | |
BraillePatterns | \u2800-\u28FF | |
CJKRadicalsSupplement | \u2E80-\u2EFF | |
KangxiRadicals | \u2F00-\u2FDF | |
IdeographicDescriptionCharacters | \u2FF0-\u2FFF | |
CJKSymbolsandPunctuation | CJK符号和标点 | \u3000-\u303F |
Hiragana | 平假名 | \u3040-\u309F |
Katakana | 片假名 | \u30A0-\u30FF |
Bopomofo | 注音 | \u3100-\u312F |
HangulCompatibilityJamo | \u3130-\u318F | |
Kanbun | \u3190-\u319F | |
BopomofoExtended | 扩展注音 | \u31A0-\u31BF |
EnclosedCJKLettersandMonths | 带括号的CJK字母及月份 | \u3200-\u32FF |
CJKCompatibility | CJK兼容字符 | \u3300-\u33FF |
CJKUnifiedIdeographsExtensionA | CJK统一汉字扩展-A | \u3400-\u4dBF |
CJKUnifiedIdeographs | CJK统一汉字 | \u4E00-\u9fAF |
YiSyllables | \uA000-\uA48F | |
YiRadicals | \uA490-\uA4CF | |
HangulSyllables | \uAC00-\uD7A3 | |
HighSurrogates | \uD800-\uDB7F | |
HighPrivateUseSurrogates | \uDB80-\uDBFF | |
LowSurrogates | \uDC00-\uDFFF | |
PrivateUse | 专用区 | \uE000-\uF8FF |
CJKCompatibilityIdeographs | CJK兼容汉字 | \uF900-\uFAFF |
AlphabeticPresentationForms | \uFB00-\uFB4F | |
ArabicPresentationForms-A | \uFB50-\uFDFF | |
CombiningHalfMarks | \uFE20-\uFE2F | |
CJKCompatibilityForms | CJK兼容形式 | \uFE30-\uFE4F |
SmallFormVariants | 小写变体 | \uFE50-\uFE6F |
ArabicPresentationForms-Bound | \uFE70-\ufeFF | |
Specials | \uFFF0-\uFFFF | |
HalfwidthandFullwidthForms | 半形及全形字符 | \uFF00-\uFFEF |
分类 | 全称 | 说明 |
Cn | UNASSIGNED | |
Lu | UPPERCASE_LETTER | |
Ll | LOWERCASE_LETTER | |
Lt | TITLECASE_LETTER | |
Lm | MODIFIER_LETTER | |
Lo | OTHER_LETTER | |
Mn | NON_SPACING_MARK | |
Me | ENCLOSING_MARK | |
Mc | COMBINING_SPACING_MARK | |
Nd | DECIMAL_DIGIT_NUMBER | |
Nl | LETTER_NUMBER | |
No | OTHER_NUMBER | |
Zs | SPACE_SEPARATOR | |
Zl | LINE_SEPARATOR | |
Zp | PARAGRAPH_SEPARATOR | |
Cc | CNTRL | |
Cf | FORMAT | |
Co | PRIVATE_USE | |
Cs | SURROGATE | |
Pd | DASH_PUNCTUATION | |
Ps | START_PUNCTUATION | |
Pe | END_PUNCTUATION | |
Pc | CONNECTOR_PUNCTUATION | |
Po | OTHER_PUNCTUATION | |
Sm | MATH_SYMBOL | |
Sc | CURRENCY_SYMBOL | |
Sk | MODIFIER_SYMBOL | |
So | OTHER_SYMBOL | |
L | LETTER | |
M | MARK | |
N | NUMBER | |
Z | SEPARATOR | |
C | CONTROL | |
P | PUNCTUATION | |
S | SYMBOL | |
LD | LETTER_OR_DIGIT | |
L1 | Latin-1 | |
all | ALL | |
ASCII | ASCII | |
Alnum | 字母数字(0-9,a-z,A-Z) | |
Alpha | 字母(a-z,A-Z) | |
Blank | 空格和制表符(' '|\t) | |
Cntrl | 控制字符,不可打印 | |
Digit | 数字(0-9) | |
Graph | 可打印且可视字母(例如空格' '是可打印的但不是可视字母,而 `a' 两者都是。) | |
Lower | 小写字母 | |
可打印字母(非控制字符) | ||
Punct | 标符号(字母、数字、控制、空白符以外的字母),如:!@#$%}{<>,./?[]等等。 | |
Space | 空白符(' ',\t,0x09,0x0A,0x0B,0x0C,0x0D,0x20) | |
Upper | 大写字母 | |
XDigit | 十六进制数字(0-9,a-f, A-F) |
替换表达式
特殊字符特殊字符介绍 | 描述 |
\n | 换行 |
\b | 向前删除一个字符。当这个字符位于替换串之首时,将删除匹配串之前的一个字符。若匹配串位于行首,将使匹配串所在行与前一行相合并。 |
\d | 向后删除一个字符。当这个字符位于替换串之末时,将删除匹配串之后的一个字符。若匹配串位于行末,将使匹配串所在行与下一行相合并。 |
\e | 插入一个ESC字符 |
\t | 插入一个TAB字符 |
\n | n代表查找正则表达式中的子表达式(组)。\1代表第一个子表达式,\2代表第二个子表达式,依次类推。\0代表整个匹配到的字符串。 |
\v | 大写下一个字母 |
\U | 全部大写以后的字母,直到碰到其它指示符为止。 |
\l | 小写下一个字母 |
\L | 全部小写以后的字母,直到碰到其它指示符为止。 |
\E | 取消所有的字母大小写指示符。 |
自定义替换表
在查找/替换中使用自定义替换表
有的时候,上述简单的自定义替换功能是不够的。例如,用户可能希望只把出现在括号内的源串替换为目标串。这种文本处理可以通过在查找/替换中使用自定义替换表来解决。
在查找/替换功能中使用自定义替换表的替换函数是\Tn,其中n是0-9的数字, 注意n为0表示第10张替换表。如果略去n,其效果相当于\T1,即使用第一张替换表。例如要把所有放在方括号中的汉字替换为拼音,可以查找“\[(\E)\]”,替换为“\T{\1}”。即把第一个子表达式的匹配内容按自定义替换表转换。注意,如果\T函数的参数不在替换表的源串中,\T函数的结果与源串相同,即不做任何变换。
有些情况下,用户可能希望只使用替换表的一部分内容。还是以拼音为例,前面给出的替换表中包含了拼音的音调,如果在替换时不希望加上这些音调数字,可以使用“过滤”功能。所谓过滤,其实是用一个正则表达式去分析替换表的目标串,并把其中的某个子表达式取出来。
使用“过滤”时,在“设置自定义替换表”对话框中,点“过滤”按钮,在弹出的对话框中填入一个正则表达式。再以拼音为例,表达式可以写为“(\p{Alpha}+)(\d)”,其中第一对括号中的是不含音调的拼音,第二对括号是音调。在调用\T函数时,JTextPro会在目标串中查找这个正则表达式。但是如何把其中的子表达式取出来呢?\T函数还有一个可选的下标,取第n个子表达式的值就写作\T{...}[n]。所以,把放在方括号中的汉字替换为不带调的拼音,可以查找“\[(\E)\]”,替换为“\T{\1}[1]”