正则表达式（一）

 

  一、 什么是正则表达式

在 Windows/Dos 下我们用通配符 (wildcard) * 和 ? 来查找文件，和通配符类似，正则表达式也是用来进行文本匹配的工具，只不过比起通配符，它能更精确地描述你的需求。

正则表达式也是用来进行文本匹配的工具，所以本文里多次提到了在字符串里搜索 / 查找，意思是在给定的字符串中，寻找与给定的正则表达式相匹配的部分。有可能字符串里有不止一个部分满足给定的正则表达式，这时每一个这样的部分被称为一个匹配。匹配在本文里可能会有三种意思：一种是形容词性的，比如说一个字符串匹配一个表达式；一种是动词性的，比如说在字符串里匹配正则表达式；还有一种是名词性的，就是上面说到的“ 字符串中满足给定的正则表达式的一部分 ”。

二、 入门

/b 是正则表达式规定的一个特殊代码，也叫元字符，代表着单词的开头或者结尾，也就是单词的分界处 , 它只匹配一个位置。

如果你要找的是 hi 后面不远处跟着一个 Lucy, 应该用 /bhi/b.*/Lucy/b 。

* 也是元字符，匹配除了换行符以外的任意字符，不过它代表的不是字符，也不是位置，而是数量。它指定 * 前面的内容以可以联系重复出现任意次以使整个表达式得到匹配。因此， .* 连在一起就意味着任意数量的不包含换行的字符。现在 /bhi/b.*/Lucy/b 的意思就很明显了：先是一个单词 hi, 然后是任意个字符（但不能是换行），最后是 Lucy 这个单词。

0/d/d-/d/d/d/d/d/d/d/d 匹配这样的字符串：以 0 开头，然后就是两个数字，然后是一个连字号“ - ”，最后是 8 个数字。

/d 是一个新的元字符，匹配任意的数字（ 0 — 9 ）。 - 不是元字符，只匹配它本身——连字号。也可以简写成： 0/d{2}-/d{8} 。这里 /d 后面的 {2} ({8}) 意思是前面 /d 必须连续重复匹配 2 次（ 8 次）。

1 、 元字符

上节已经介绍了几个元字符 如 /b , . , * ，还有 /d ，当然还有更多的元字符可用，如 /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。 /w 匹配字母或数字或下划线或汉字等。

下面举几个例子：

/ba/w*/b 匹配以字母 a 开头的单词——先是某个单词开始处（ /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 个或更多连续的数字。这里 + 是和 * 类似的元字符，不同的是 * 匹配重复任意次（可能是 0 ），而 + 则匹配重复 1 次或更多次。

           /b/w{6}/b 匹配刚好 6 个字母 / 数字的单词。

表 1. 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

元字符 ^ 以及 $ 和 /b 有点类似，都匹配一个位置。 ^ 匹配你要用来查找的字符串的开头， $ 匹配结尾。这两个代码在验证输入的内容时非常有用，比如一个网站要求你填写的 QQ 号必须为 5 位到 12 位数字时，可以使用： ^/d{5,12}$ 。

2 、 字符转义

如果你想查找元字符本身的话，就会出问题。这时就必须使用 / 来取消这些字符的特殊意义。因此，应该使用 / 和 /* ，如果要查找 / 本身，就用 // 。

例如： www/.unibetter/.com 匹配 www.unibetter.com，

c://Windows 匹配 c:/Windows 。

3 、 重复

你已经看过了前面的 * ， + ， {2} ， {5,12} 这几个匹配重复的方式了。下面是正则表达式中所有的限定符。

表 2. 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

下面是一些使用重复的例子：

Windows/d+ 匹配 Windows 后面跟 1 个或更多数字

13/d{9} 匹配 13 后面跟 9 个数字（中国手机号）

^/w+ 匹配一行的第一个单词（或整个字符串的第一个单词，具体匹配哪个得看选项设置）

4 、 字符类

如何 匹配没有预定义元字符的字符集合 ( 比如元音字母 a,e,i,o,u)?

很简单，只需要在中括号中列出它们就行了，像 [aeiou] 就匹配任何一个英文元音字母， [.?!] 匹配标点符号。

也可以指定一个字符范围，像 [0-9] 代表的含义与 /d 就是完全一致的：一位小数，同理 [a-z0-9A-Z] 也完全等用于 /w( 如果只考虑英文的话 )

下面是一个更复杂的表达式： /(?0/d{2}[ ) -]?/d{8} 。

这个表达式可以匹配几个格式的电话号码， 像 (010)88886666 ，或 022-22334455 ，或 02912345678 等 ，但它也能匹配 010)12345678 或 (022-87654321 这样的“不正确”的格式 。下文讲给出解决这个问题的答案。

5 、 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，这时就需要反义：

表 3. 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： /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

6 、 替换

正则表达式里的替换指的是有几种规则，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。举例说明：

0/d{2}-/d{8}|0/d{3}-/d{7} 这个表达式能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（如 025-12345678 ），一种是 4 位区号， 7 位本地号（ 0510-4567891 ）。

/(/0d{2}/)[-]?/d{8}|0/d{2}[-]?/d{8} 这个表达式匹配的结果例如 (025)-12345678 或 025-12345678 或 02512345678

/d{5}-/d{4}|/d{5} 这个表达式用于匹配美国的邮政编码。美国编码规则是 5 位数字，或者用连字号间隔的 9 位数字。这个例子还说明一个问题：使用替换时，顺序是很重要的。如果改成 /d{5}|/d{5}-/d{4} 的话，那么就只会匹配 5 位的邮政编码以及 9 位邮编的前 5 位。因为匹配替换时，将会从左到右地测试每个分支条件，如果满足了某个分支的话，就不会去管其它的替换条件了。

7 、 分组

上面讲到如果想重复多个字符，可以用小括号来指定子表达式（也叫做分组），然后就可以指定这个子表达式的重复次数了。

(/d{1,3}/.){3}/d{1,3} 是一个简单的 IP 地址匹配表达式。分析： /d{1,3} 匹配 1 到 3 位的数字， (/d{1,3}/.){3} 匹配三位数字加上一个英文句号 ( 这个整体也就是这个分组 ) 重复 3 次，最后再加上一个 1 到 3 位的数字（ /d{1,3} ）。

但它也将匹配 256.300.888.999 这种不可能存在的 IP 地址（ IP 地址中每个数字都不能大于 255 ）。因为正则表达式中并不提供关于数学的任何功能，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?) 。

对 2[0-4]/d|25[0-5]|[01]?/d/d? 进行分析：有三种匹配替换 2[0-4]/d 第 1 位 2 ， [0-4] 是 0 到 4 中的任意一位数字， /d 是 0-9 任意数字； 25[0-5] 前两位是 25 ， [0-5] 是 0 到 5 中任意数； [01]?/d/d? 是 01 重复 1 次或者 0 次， /d 0-9 任意数字， /d? 任意数字重复 1 次或者 0 次。

8 、 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，第一次出现的分组的组号为 1 ，第二次为 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。例如， /1 代表分组 1 匹配的文本。举例说明：

/b(/w+)/b/s+/1/b 可以用来匹配重复出现的单词，像 go go,kitty kitty 。首先是一个单词，也就是单词开始处和结束处之间的多于一个的字母或数字（ /b(/w+)/b ），然后是 1 个或几个空白符（ /s+ ），最后是前面匹配的那个单词（ /1 ）。

你也可以自己指定子表达式的组名。要指定一个子表达式的组名，请使用这样的语法： (?<Word>/w+) 或者 (? '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 。

使用小括号的时候，还有很多特定用途的语法。下面列出了最常用的一些：

表 4. 分组语法
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

我们已经讨论了前两种语法。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会像前两种那样被捕获到某个组里面。

9 、零宽断言

接下来的四个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（断言），因此它们也被称为零度断言。举例说明：

(?=exp) 也叫零度宽正预测先行断言，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的表达式 exp 。比如 (?<=/bre)/w+/b 会匹配以 re 开头的单词的后半部分（除 re 以外的部分），例如在查找 reading a book 时，它匹配 ading 。

例如你想要给一个很长的数字中每三位间加一个逗号（当然是从右边加起了），你可以这样查找需要在前面和里面添加逗号的部分 :

((?<=/d)/d{3})*/b, 用它对 1234567890 进行查找时结果是 234567890

下面这个例子同时使用了这两种断言： (?<=/s)/d+(?=/s) 匹配以空白符间隔的数字（不包括这些空白符）。