什么是正则表达式?
在编写处理字符串的程序或网页时,经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是用于描述这些规则的工具。换句话说,正则表达式就是记录文本规则的代码。
元字符
元字符是构造正则表达式的一种基本元素
常用的元字符
代码 说明 . 匹配除换行符以外的任意字符 \w 匹配字母或数字或下划线或汉字 \s 匹配任意的空白符 \d 匹配数字 \b 匹配单词的开始或结束 ^ 匹配字符串的开始 $ 匹配字符串的结束例子:
匹配以字母 a 开头的单词
\ba\w*\b
匹配1个或更多连续的数字
\d+
匹配刚好6个字符的单词
\b\w{6}\b
5位到12位数字的QQ号
^\d{5,12}$
字符转义
如果想查找元字符本身的话,可以使用 \. 和 \*。如果要查找 \ 本身,则使用 \\
例子:
deerchao\.cn 匹配 deerchao.cn
C:\\Windows 匹配 C:\Windows
限定符
为了处理重复问题,正则表达式中一些重复限定符,把重复部分用合适的限定符替代
常用的限定符
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
字符类
使用方括号可以匹配没有预定义元字符的字符集合
例子:
匹配任何一个英文元音字母
[aeiou]
匹配标点符号(.或?或!)
[.?!]
匹配几种格式的电话号码,像(025)88886666,或010-22334455,或02912345678等
\(?0\d{2}[) -]?\d{8}
分析:首先是一个转义字符 \ (它能出现0次或1次(?),然后是一个0,后面跟着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})
分枝条件
正则表达式里的分枝条件指的是有几种规则,如果满足其中任意一种规则都应该当成匹配,具体方法是用|把不同的规则分隔开。使用分枝条件时,要注意各个条件的顺序。匹配分枝条件时,将会从左到右地测试每个条件,如果满足了某个分枝的话,就不会去再管其它的条件了。
例子:
匹配两种以连字号分隔的电话号码:一种是三位区号,8位本地号,一种是4位区号,7位本地号
0\d{2}-\d{8}|0\d{3}-\d{7}
匹配3位区号的电话号码,其中区号可以用小括号括起来,也可以不用,区号与本地号间可以用连字号或空格间隔,也可以没有间隔
\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}
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{4}|\d{5}
分组
可以用小括号来指定子表达式(也叫做分组),然后你就可以指定这个子表达式的重复次数了,你也可以对子表达式进行其它一些操作。
例子:
(\d{1,3}\.){3}\d{1,3} 是一个简单的IP地址匹配表达式
它也将匹配256.300.888.999这种不可能存在的IP地址
所以只能使用冗长的分组,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?)
反义
有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外,其它任意字符都行的情况,这时需要用到反义。
常用的反义代码
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:
匹配不包含空白符的字符串
\S+
匹配用尖括号括起来的以a开头的字符串
<a[^>]+>
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。默认情况下,每个分组会自动拥有一个组号,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。
后向引用用于重复搜索前面某个分组匹配的文本
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) 匹配exp,并捕获文本到名称为name的组里,也可以写成(?'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) 这种类型的分组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例子:
匹配重复的单词
\b(\w+)\b\s+\1\b
指定一个子表达式的组名
(?<Word>\w+)(或者把尖括号换成'也行:(?'Word'\w+))
反向引用这个分组捕获的内容
\k<Word>
零宽断言
断言:就是说正则可以指明在指定的内容的前面或后面会出现满足指定规则的内容
零宽:断言只是匹配位置,不占字符,也就是说,匹配结果里是不会返回断言本身
零宽度正预测先行断言 (?=exp)
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
零宽度正回顾后发断言 (?<=exp)
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
零宽度负预测先行断言 (?!exp)
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
零宽度负回顾后发断言 (?<!exp)
断言此位置的前面不能匹配表达式exp
(?<![a-z])\d{7}匹配前面不是小写字母的七位数字
例子:
匹配不包含属性的简单 HTML 标签内里的内容
(?<=<(\w+)>).*(?=<\/\1>)
分析:(?<=<(\w+)>) 指定了这样的前缀:被尖括号括起来的单词(比如可能是<b>)
然后是.*(任意的字符串),最后是一个后缀(?=<\/\1>)
注意后缀里的\/,它用到了前面提过的字符转义
\1则是一个反向引用,引用的正是捕获的第一组
前面的(\w+)匹配的内容,这样如果前缀实际上是<b>的话,后缀就是</b>了
整个表达式匹配的是<b>和</b>之间的内容(再次提醒,不包括前缀和后缀本身)
注释
小括号的另一种用途是通过语法(?#comment)来包含注释
要包含注释的话,最好是启用“忽略模式里的空白符”选项,这样在编写表达式时能任意的添加空格,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将被当成注释忽略掉
例子:
(?<= # 断言要匹配的文本的前缀
<(\w+)> # 查找尖括号括起来的内容
# (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
# 查找尖括号括起来的内容
) # 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
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)匹配尽可能少的字符,这匹配方式叫做懒惰匹配
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?
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
常用的处理选项
名称 说明 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) 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是不是只能同时使用多行模式和单行模式中的一种?
答案:不是。这两个选项之间没有任何关系,除了它们的名字比较相似以外。事实上,为了避免混淆,在最新的 JavaScript 中,单行模式其实名叫 dotAll,意为点可以匹
配所有字符,然而在指定该选项时,用的还是 Singleline 的首字母 s
平衡组/递归匹配
为了避免(和 \ (把你的大脑彻底搞糊涂,我们还是用尖括号代替圆括号吧。现在我们的问题变成了如何把 xx <aa <bbb> <bbb> aa> yy 这样的字符串里,最长的配对的尖括号内的内容捕获出来?
这里需要用到以下的语法构造:
- (?'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,由于没有后缀表达式,试图匹配总是失败
我们需要做的是每碰到了左括号,就在压入一个"Open",每碰到一个右括号,就弹出一个,到了最后就看看堆栈是否为空--如果不为空那就证明左括号比右括号多,那匹配就应该失败。正则表达式引擎会进行回溯(放弃最前面或最后面的一些字符),尽量使整个表达式得到匹配。
平衡组的一个最常见的应用就是匹配 HTML,下面这个例子可以匹配嵌套的 <div> 标签
<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>
< #最外层的左括号
[^<>]* #它后面非括号的内容
(
(
(?'Open'<) #左括号,压入"Open"
[^<>]* #左括号后面的内容
)+
(
(?'-Open'>) #右括号,弹出一个"Open"
[^<>]* #右括号后面的内容
)+
)*
(?(Open)(?!)) #最外层的右括号前检查
#若还有未弹出的"Open"
#则匹配失败
> #最外层的右括号