正则表达式入门

内容：如题
前置技能：None
参考教程：30分钟正则入门

前言

最近喜欢各种入门，这里入门一下正则表达式。字数很少比较水。

字符串可以说是编程是遇到的最多的一种数据结构，也是最简单的数据结构，对字符串操作的需求可谓无处不在。给人阅读的文本可以看做字符串，内存中存储的特定编码序列可以看做字符串，一个网页的html文本是字符串，浏览器对html文本解析的过程是字符串处理，无论是编译型语言还是解释型语言，编译和解释的过程都可以看做字符串处理。字符串操作重要性不言而喻。而在字符串中一种很常见的操作就是字符串的匹配。编写程序去处理特定的需要匹配的字符串可以做到，但耗时耗力，且代码不具有重用性。所以我们需要正则表达式。

正则表达式（Regular Expression）是一种匹配规则，用来匹配你想要的各种形式的字符串。规则有了还不行，还需要一个正则引擎来支持它，正则引擎可以看做一种编译器，实现需要用到编译原理的知识，支持语法越多越复杂，这里不讨论（有时间实现，挖坑，以后填）。

在Shell中我们常用*来表示匹配所有项，比如ls *.v表示列出该目录下所有.v文件。*是正则的语法，能这样用是因为Shell部分支持正则表达式。*也称为通配符。

正则表达式是难于读写的，所以需要对其正确性进行测试，可以使用上面那篇教程的作者写的一个正则表达式测试器，也可以使用这个在线正则表达式测试器。

正则语法

元字符

首先如果想要匹配特定字符串，直接使用该字符串即可。

另外一些匹配字符或者位置的元字符：

• \b 匹配一个位置，单词的开头或者结尾
• . 匹配除了换行符以外的任何字符
• \d 匹配一个数字，即0到9
• \s 匹配空白符，包括空格、制表符、换行等
• \w 匹配一个字母数字下划线或者汉字等
• ^ 匹配字符串开始的位置
• $ 匹配字符串结尾的位置

其中\b ^ $ 匹配位置而不是字符，就是说他们不匹配为一个字符，即不占一个字符的位置。

重复

代表重复的限定符不匹配字符，仅代表限定符前的字符可以重复的次数。

• * 指定*前面的内容可以使用任意次（0次或者多次）
• + 与*类似，不过是1次或者多次
• ? 重复0或者1次
• {n} 重复n次
• {n,} 重复n次或者更多次
• {n,m} 重复n到m次

eg: ^[1-9]\d{4,9}$匹配一个5到10位的不以0开头的数字串，可以是QQ号

但是如果要匹配上面这些已经有特殊意义的字符呢？当然是转义了：\* \. \- \\

字符类

使用[aeiou]表示aeiou中的任何一个字符。
而[0-9]就等同于\d。这里可以使用-表示范围。

分枝条件

使用|表示或者。\d|[a-zA-Z]匹配字母或者数字。

分组

使用()进行分组，每个分组也称为子表达式。可以对每个子表达式使用上面的表示重复的语法。
如果要匹配(或者)，则需要转义\( \)。[] {}同理。

eg：匹配一个IP地址 -> ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?) ，其中(2[0-4]\d|25[0-5]|[01]?\d\d?)表示0到255。

反义

能匹配符合某种模式的，肯定也需要匹配不满足某种模式的。

• \W 匹配任意不是字母数字下划线汉字的字符
• \S 匹配不是空白符的字符
• \D 匹配非数字字符
• \B 匹配非单词开始和结尾的任何位置
• [^X] 匹配除X以外的任何字符
• [^aeiou] 匹配除aeiou外的所以字符

后向引用

使用()指定子表达式时，每个分组会自动拥有一个组号，从1开始依次增加。后向引用可以重复使用前面某个分组匹配的文本。使用\k表示匹配编号为k的分组捕获的内容。

eg：匹配重复单词 \b(\w+)\b\s+\1\b ，注意是匹配重复单词，而不是两个单词，即是第一个分组捕获了一个单词并被\1引用。

另外可以自己指定组名，使用语法 (?<Word>\w+) 或者 (?'Word'\w+) 则组名指定为 Word，引用该分组捕获的内容则使用\k<Word>。上面的例子：\b(?<Word>\w+)\b\s+\k<Word>\b

(?:exp) 匹配exp，但不捕获文本，也不分配组号。

零宽断言

• (?=exp)，零宽度正预测先行断言，断言自身出现的位置的后面能匹配表达式exp，即匹配表达式exp前面的位置。
• (?<=exp)，零宽度正回顾后发断言，匹配表达式exp后面的位置
• (?!exp)，零宽度负预测先行断言，匹配后面不是exp的位置
• (?<!exp)，宽度正回顾后发断言，匹配前面不是exp的位置

忽略它们的名字，语法均是()中以?开头，然后有<代表后面的位置，没有则代表前面，=代表匹配，!代表不匹配。注意它们都匹配位置而不是字符。

另外一个与()相关的语法是注释：(?#comment)

贪婪与懒惰

上面的重复如* {n,m}等蕴含着一个问题。即是使用a.*b来匹配字符串aabab是得到aab还是aabab。答案是aabab，因为默认情况下是贪婪匹配，即在匹配的情况下尽可能多重复。

在重复匹配的语法后面加上一个?可以将其变为懒惰匹配，即尽可能少重复。语法：*? +? ?? {n,}? {n,m}?

处理选项

如果语法太死的话似乎会给人不够灵活的感觉。在.Net下，有一些处理选型可以改变处理正则的方式，比如在某些时候需要忽略大小写是很必要的。详见：正则表达式选项。

转义字符

匹配上面用到的特殊字符时都需要转义，另外ASCII编码本身定义的转义字符也是支持的。详见：正则表达式中的字符转义。