正则表达式之入门

一、正则表达式是什么东西？

字符是计算机软件处理文字时最基本的单位，可能是字母，数字，标点符号，空格，换行符，汉字等。

字符串是0或更多个字符的序列。

文本就是文字，字符串。说某个字符串匹配某个正则表达式，通常指字符串里有部分（或几部分）能满足表达式的条件。

正则表达式就是记录文本规则的代码。和通配符类似，正则表达式也是用来文本匹配的工具，但比通配符，它更精确。

二、入门

假设查找hi，用正则表达式可精确匹配：由hi两个字符组成。正则表达式工具会提供忽略大小写的选项。

但如从him,history,high等要精确查找hi单词，用\bhi\b。

\b是正则表达式的元字符（metacharacter），表单词的分界处。虽然英文的单词由空格，标点符号或换行来分隔，但\b并不匹配单词分隔字符中的任何一个，它只匹配一个位置。

如果要更精确，\b匹配这样的位置：它的前一字符和后一字符不全是(一个是,一个不是或不存在)\w。

如要查找同时包含hi和Lucy，用 \bhi\b.*\bLucy\b。

. 也是个元字符，匹配除换行符的任意字符。它代表的既不是字符，也不是位置，而是数量(前边内容可重复任意次)。因此，.* 连在一起就表示任意数量不含换行的字符。\bhi\b.*\bLucy\b 表示：先是单词hi,然后是任意数量的任意字符(除换行)，最后是Lucy单词。

换行符是’\n’，ASCII码为10(十六进制0x0A)的字符。

如果同时用其它元字符，就能造出更强大的正则表达式。如：0\d\d-\d\d\d\d\d\d\d\d 匹配字符串：以0开头，然后是两个数字，接着是连字号“-”，最后是8个数字。

\d是个新元字符，匹配一位数字。-不是元字符，只匹配它本身。

为避免多次重复可简写： 0\d{2}-\d{8}。{2}、{8}指前面\d重复匹配2次(8次)。

三、测试正则表达式

其它可用的测试工具:

• RegexBuddy
• Javascript正则表达式在线测试工具

四、元字符

\ba\w*\b 匹配以字母a开头单词—先是某单词开始处 \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个或连续的数字。这里的+是元字符，但*匹配重复任意次(可能是0次)，而+则匹配重复1次或多次。

\b\w{6}\b 匹配刚好6个字符的单词。

代码	说明
.	匹配除换行符以外的任意字符
\w	匹配字母/数字/下划线/汉字
\s	匹配任意的空白符(包括空格，制表符(Tab)，换行符，中文全角空格等)
\d	匹配数字
\b	匹配单词的开始或结束
^	匹配字符串的开始，与\b类似
$	匹配字符串的结束，与\b类似

如果不用^和$，\d{5,12} 就只匹配字符串里5到12个连续位数字，而不是整个字符串就是5到12位数字。

这里的{5,12}和{2}类似，只不过{2}匹配恰好2次，{5,12}则是重复的次数不能少于5次，不能多于12次，否则都不匹配。

和忽略大小写的选项类似，有些正则表达式处理工具还有个处理多行的选项。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。

五、字符转义\

如果想查找元字符本身，如查找.,或者*，用\. 。如：deerchao.net匹配deerchao.net，C:\Windows匹配C:\Windows。

六、限定符-重复

正则表达式中所有的限定符(指定数量的代码，如*,{5,12}等)：

代码/语法	说明
*	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

下面是使用重复的例子：

Windows\d+匹配Windows后面跟1个或更多数字

^\w+匹配一行的第一个单词(或整个字符串的第一个单词)

七、字符类[]

如果匹配无元字符的字符集合(如元音字母a,e,i,o,u),怎么办？

只需在方括号里列出，[aeiou]就匹配任何元音字母，[.?!]匹配标点符号(.或?或!)。

也可指定字符范围，像[0-9]含意与\d一致；同理[a-z0-9A-Z_]也等同于\w（英文）。

下面是复杂表达式：\(?0\d{2}[) -]?\d{8}。“(”和“)”是元字符，需转义。

这个表达式可匹配几种格式的号码，像(010)88886666，或022-22334455，或02912345678等。分析：首先个转义字符\(,出现0次或1次(?),然后是0，后面是2个数字(\d{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})。

八、分枝条件 |

但刚才那个表达式也能匹配010)12345678或(022-87654321的“不正确”格式。要解决，需用分枝条件。正则的分枝条件指有几种规则，如果满足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。

0\d{2}-\d{8}|0\d{3}-\d{7} 能匹配两种以连字号分隔的号码：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)。

\(?0\d{2}\)?[- ]?\d{8}|0\d{2}[- ]?\d{8} 匹配3位区号的号码，其中区号可用小括号括起来，区号与本地号间可用连字号或空格间隔，也可无间隔。

\d{5}-\d{4}|\d{5} 匹配美国的邮编。美国邮编的规则是5位数字，或用连字号间隔的9位数字。说明：使用分枝条件时，要注意各条件顺序。

改成 \d{5}|\d{5}-\d{4} ，就只匹配5位邮编(及9位邮编的前5位)。原因：匹配分枝条件时，从左到右测试每个条件，如果满足某分枝，就不管其它分支。

九、分组()

重复单个字符可在字符后加限定符；但重复多个字符怎么办？可用小括号指定子表达式(也叫分组)，然后可指定子表达式的重复次数。

(\d{1,3}\.){3}\d{1,3} 是简单的IP匹配表达式。分析：\d{1,3} 匹配1到3位的数字，(\d{1,3}\.){3} 匹配三位数字加一个英文句号(这个整体也是个分组)重复3次，最后再加个一到三位的数字(\d{1,3})。

IP地址中每个数字都不能大于255，它也将匹配256.300.888.999这种不存在的IP地址。正则表达式中并不提供关于数学的任何功能，所以只能用冗长的分组，选择，字符类来描述一个正确的IP地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

理解该表达式的关键是理解 2[0-4]\d|25[0-5]|[01]?\d\d? 。

十、反义

有时要查找不属于某个简单定义的字符类的字符。如查找除数字外，其它任意字符都行的情况，这时需用反义：

代码/语法	说明
\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+匹配不包含空白符的字符串。

<a[^>]+>匹配用尖括号括起来的以a开头的字符串。

十一、后向引用

用小括号指定一个子表达式后，匹配该子表达式的文本(此分组捕获内容)可在表达式或其它程序中作进一步处理。

默认每个分组会自动有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2，以此类推。

组号分配：

• 分组0对应整个正则表达式
• 实际上组号分配过程是从左向右扫描两遍的：第一遍只给未命名组分配，第二遍只给命名组分配，所有命名组的组号都大于未命名组号
• 可用(?:exp) 语法来剥夺一个分组对组号分配的参与权．

后向引用用于重复搜索前面某分组匹配的文本。如 \1 代表分组1匹配的文本。请看示例：

\b(\w+)\b\s+\1\b 可用来匹配重复单词，像go go, 或kitty kitty。这个表达式首先是一个单词，即单词开始处和结束处区间的多于一个的字母或数字(\b(\w+)\b)，这个单词会被捕获到编号为1的分组中，然后是1个或几个空白符(\s+)，最后是分组1中捕获的内容（前面匹配的那个单词）(\1)。

可自己指定子表达式的组名。要指定一个子表达式的组名，语法：(?<Word>\w+)(或把尖括号换成’也行：(?'Word'\w+)),这样就把\w+的组名指定为Word。要反向引用这个分组的内容，可用\k<Word>,所以也可写成：\b(?<Word>\w+)\b\s+\k<Word>\b 。

小括号，还有很多特定用途的语法。下面列出常用的一些：

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
(?exp)	匹配exp,并捕获文本到名为name的组，也可写成(?'name’exp)
(?: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)	这类型分组不对正则表达式的处理产生影响，用于提供注释

已讨论前两种语法。第三个(?:exp)不会改变正则表达式的处理方式，只是这样的组匹配的内容不像前两种那样被捕获到某组里，也没有组号。

十二、零宽断言

接下来的四个用于查找在某些内容(但不包括这些内容)之前或之后的东西，它们像\b,^,$用于指定位置，这个位置应满足一定条件(即断言)，也称为零宽断言。

断言用来声明一个为真的事实。正则表达式中只有当断言为真时才继续匹配。

(?=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。如\b\w+(?=ing\b)，匹配ing结尾的单词的前面部分(除ing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。如(?<=\bre)\w+\b 匹配以re开头的单词的后半部分(除re的部分)，如查找reading a book时，它匹配ading。

如给很长的数字中每三位间加个逗号(从右边加起)，查找需要在前面和里面添加逗号的部分如下：((?<=\d)\d{3})+\b，用它对1234567890查找时结果是234567890。

下例同时用两种断言：(?<=\s)\d+(?=\s) 匹配以空白符间隔的数字(再次强调，不包括这些空白符)。

十三、负向零宽断言

前面提到怎么查找不在某字符类里字符的方法(反义)。但如想要确保某字符没出现，但并不想去匹配它时怎么办？如查找单词–它里面出字母q,但q后面跟的不是字母u,可尝试这样：

\b\w*q[^u]\w*\b匹配包含后面不是字母u的字母q的单词。但如果多做测试会发现，如果q出现在单词结尾，像Iraq,Benq，这个表达式就会出错。因为[^u]总要匹配一个字符，所以如果q是单词的最后个字符，后面的[^u] 会匹配q后面的单词分隔符(可能是空格，或是句号或其它的什么)，后面的\w*\b 会匹配下个单词，\b\w*q[^u]\w*\b能匹配整个Iraq fighting。负向零宽断言能解决该问题，因为它只匹配一个位置，并不消费任何字符。解决如下：\b\w*q(?!u)\w*\b。

零宽度负预测先行断言(?!exp)，断言此位置后不能匹配表达式exp。如：\d{3}(?!\d)匹配三位数，且三位数后不是数字；\b((?!abc)\w)+\b匹配不包含连续字符串abc的单词。

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

详细分析表达式(?<=<(\w+)>).*(?=<\/\1>)，最能表现零宽断言的真正用途。

更复杂的例子：(?<=<(\w+)>).*(?=<\/\1>)匹配不含属性的简单HTML标签里的内容。(?<=<(\w+)>)指定前缀：被尖括号括起来的单词(如可能是<b>)，然后是.*(任意的字符串),最后是后缀(?=<\/\1>)。注意后缀里的\/，它用到了字符转义；\1则是个反向引用，引用的正是捕获的第一组，前面的(\w+)匹配的内容，这样如果前缀是的话，后缀就是了。整个表达式匹配的是和之间的内容(提醒：不包括前缀和后缀本身)。

十四、注释

小括号的用途2是通过(?#comment)包含注释。如：2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。

要包含注释，最好启用“忽略模式里的空白符”选项，这样在编写表达式时能任意加空格，Tab，换行，而实际使用时这些都将被忽略。启用这个选项后，在#后面到这一行结束的所有文本都被当成注释忽略掉。如前面的表达式写成这样：

(?<=    # 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
.*      # 匹配任意文本
(?=     # 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

十五、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。以这个表达式为例：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，它会匹配整个字符串aabab。这被称为贪婪匹配。

有时，需要懒惰匹配，即匹配尽可能少的字符。前面给出的限定符都可被转化为懒惰匹配模式，只要在它后面加上个问号?。这样.*?就能匹配任意数量的重复，但在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧：

a.*?b匹配最短的，以a开始b结束的字符串。如果把它应用于aabab，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？因为正则表达式有另条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权——The match that begins earliest wins。

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

十六、处理选项

在C#中，用Regex(String, RegexOptions)构造函数设正则表达式的处理项。如：Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);

上面介绍了几个选项如忽略大小写，处理多行等，这些选项能用来改变处理正则表达式的方式。

问题：是不是只能同时用多行模式和单行模式中的一种？不是。这两个选项间没任何关系，除了名字较相似。

十七、平衡组/递归匹配

要匹配像( 100 * ( 50 + 15 ) )的可嵌套的层次性结构，这时用\(.+\)则只会匹配到最左的左括号和最右的右括号之间的内容(贪婪模式，懒惰模式也有下面问题)。假如原字符串的左右括号数量不等，如( 5 / ( 3 + 2 ) ) )，那匹配结果里两者的个数也不等。那有无办法匹配到最长的，配对的括号间的内容呢？

为避免(和(这里用尖括号代替圆括号。问题变成如何把 xx <aa <bbb> <bbb> aa> yy 这样的字符串，最长的配对的尖括号内的内容捕获出来？

这里需用以下语法构造：

• (?'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，由于无后缀表达式，试图匹配总是失败

第一个是在黑板上写"group"，第二个是从黑板上擦掉"group"，第三个是看黑板上有无"group"，如有就继续匹配yes部分，否则就匹配no部分。

这里每碰到左括号，就压入个"Open",每碰到右括号，就弹出一个，到最后看堆栈是否为空，如果不为空就证明左括号比右括号多，匹配失败。正则表达式引擎会回溯(放弃最前面或最后面的字符)，尽量使整个表达式得到匹配。

<                     #最外层左括号
[^<>]*                #最外层的左括号后的非括号内容
(
(
(?'Open'<)    				#碰到左括号，在黑板上写个"Open"
[^<>]*        				#匹配左括号后的非括号内容
)+
(
(?'-Open'>)   				#碰到右括号，擦掉个"Open"
[^<>]*        				#匹配右括号后非括号内容
)+
)*
(?(Open)(?!))         #最外层的右括号前，判断黑板上有无没擦掉的"Open"；如果有则匹配失败
>                     #最外层的右括号

平衡组常见的应用是匹配HTML,下例可匹配嵌套的

标签： <div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>.

十八、还有些什么东西没提到

下面是些未提到的元素的列表，包含语法和简单的说明。

详细的信息参考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
(?-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