正则表达式学习笔记

1，正则表达式的用途

• 测试字符串内的模式。
  例如，可以测试输入字符串，以查看字符串内是否出现电话号码模式或信用卡号码模式。这称为数据验证。
• 替换文本。
  可以使用正则表达式来识别文档中的特定文本，完全删除该文本或者用其他文本替换它。
• 基于模式匹配从字符串中提取子字符串。
  可以查找文档内或输入域内特定的文本。

2，普通字符

普通字符包括没有显式指定为元字符的所有可打印和不可打印字符。这包括所有大写和小写字母、所有数字、所有标点符号和一些其他符号。

3，非打印字符

符号	表示含义
\cx	匹配由x指明的控制符, 如\cM匹配Control-M或回车符。x的值必须为 A-Z 或 a-z 之一。否则，c 为一个原义的 ‘c’ 字符
\f	匹配一个换页符，等价于 \x0c 和 \cL
\n	匹配一个换行符，等价于 \x0a 和 \cJ
\r	匹配一个回车符，等价于 \x0d 和 \cM
\s	匹配任何空白字符，包括空格、制表符、换页符等，等价于 [ \f\n\r\t\v]
\S	匹配任何非空白字符，等价于 [^ \f\n\r\t\v]
\t	匹配一个制表符，等价于 \x09 和 \cI
\v	匹配一个垂直制表符，等价于 \x0b 和 \cK

4，特殊字符

所谓特殊字符，就是一些有特殊含义的字符，如上面说的”*.txt”中的*，简单的说就是表示任何字符串的意思。如果要查找文件名中有*的文件，则需要对*进行转义，即在其前加一个反斜杠\，如 ls *.txt。

正则表达式有以下特殊字符

符号	表示含义
$	匹配输入字符串的结尾位置。如果设置了 RegExp 对象的 Multiline 属性，则 $也匹配 ‘\n’ 或 ‘\r’。要匹配 $ 字符本身，请使用 \$
( )	标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用。要匹配这些字符，请使用 ( 和 )
*	匹配前面的子表达式零次或多次。要匹配 * 字符，请使用 *
+	匹配前面的子表达式一次或多次。要匹配 + 字符，请使用 +
.	匹配除换行符 \n 之外的任何单字符。要匹配 . ，请使用 .
[	标记一个中括号表达式的开始。要匹配 [，请使用 [
?	匹配前面的子表达式零次或一次，或指明一个非贪婪限定符。要匹配 ? 字符，请使用 \?
\	将下一个字符标记为或特殊字符、或原义字符、或向后引用、或八进制转义符。例如， ‘n’ 匹配字符 ‘n’。’\n’ 匹配换行符。序列 ‘\’ 匹配 “\”，而 ‘(’ 则匹配 “(“
^	匹配输入字符串的开始位置，除非在方括号表达式中使用，此时它表示不接受该字符集合。要匹配 ^ 字符本身，请使用 \^
{	标记限定符表达式的开始。要匹配 {，请使用 {
|	指明两项之间的一个选择。要匹配 |，请使用 |

5，限定符

限定符用来指定正则表达式的一个给定组件必须要出现多少次才能满足匹配。有*或 +或? 或{n}或{n,}或{n,m} 共6种

符号	表示含义
*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 “z” 以及 “zoo”。* 等价于{0,}
+	匹配前面的子表达式一次或多次。例如，’zo+’ 能匹配 “zo” 以及 “zoo”，但不能匹配 “z”。+ 等价于 {1,}
?	匹配前面的子表达式零次或一次。例如，”do(es)?” 可以匹配 “do” 、 “does” 中的 “does” 、 “doxy” 中的 “do” 。? 等价于 {0,1}
{n}	n 是一个非负整数。匹配确定的 n 次。例如，’o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的两个 o
{n,}	n 是一个非负整数。至少匹配n 次。例如，’o{2,}’ 不能匹配 “Bob” 中的 ‘o’，但能匹配 “foooood” 中的所有 o。’o{1,}’ 等价于 ‘o+’。’o{0,}’ 则等价于 ‘o*’
{n,m}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，”o{1,3}” 将匹配 “fooooood” 中的前三个 o。’o{0,1}’ 等价于 ‘o?’。请注意在逗号和两个数之间不能有空格

6，定位符

定位符用来描述字符串或单词的边界，^ 和 $ 分别指字符串的开始与结束，\b 描述单词的前或后边界，\B 表示非单词边界

符号	表示含义
^	匹配输入字符串开始的位置。如果设置了 RegExp 对象的 Multiline 属性，^ 还会与 \n 或 \r 之后的位置匹配
$	匹配输入字符串结尾的位置。如果设置了 RegExp 对象的 Multiline 属性，$ 还会与 \n 或 \r 之前的位置匹配
\b	匹配一个字边界，即字与空格间的位置
\B	非字边界匹配

7，非捕获单元

符号	表示含义
?:	消除（）的缓存副作用
?=	正向预查
?!	负向预查
(?:pattern)	匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 “或” 字符 (|) 来组合一个模式的各个部分是很有用。例如， ‘industr(?:y|ies) 就是一个比 ‘industry|industries’ 更简略的表达式
(?=pattern)	正向预查，在任何匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如，’Windows (?=95|98|NT|2000)’ 能匹配 “Windows 2000” 中的 “Windows” ，但不能匹配 “Windows 3.1” 中的 “Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始
(?!pattern)	负向预查，在任何不匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如’Windows (?!95|98|NT|2000)’ 能匹配 “Windows 3.1” 中的 “Windows”，但不能匹配 “Windows 2000” 中的 “Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始

8，元字符

符号	表示含义
\	将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符。例如，’n’ 匹配字符 “n”。’\n’ 匹配一个换行符。序列 ‘\’ 匹配 “\” 而 “(” 则匹配 “(“
^	匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性，^ 也匹配 ‘\n’ 或 ‘\r’ 之后的位置。
$	匹配输入字符串的结束位置。如果设置了RegExp 对象的 Multiline 属性，$ 也匹配 ‘\n’ 或 ‘\r’ 之前的位置。
*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 “z” 以及 “zoo”。* 等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，’zo+’ 能匹配 “zo” 以及 “zoo”，但不能匹配 “z”。+ 等价于 {1,}。
?	匹配前面的子表达式零次或一次。例如，”do(es)?” 可以匹配 “do” 或 “does” 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 n 次。例如，’o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的两个 o。
{n,}	n 是一个非负整数。至少匹配n 次。例如，’o{2,}’ 不能匹配 “Bob” 中的 ‘o’，但能匹配 “foooood” 中的所有 o。’o{1,}’ 等价于 ‘o+’。’o{0,}’ 则等价于 ‘o*’。
{n,m}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，”o{1,3}” 将匹配 “fooooood” 中的前三个 o。’o{0,1}’ 等价于 ‘o?’。请注意在逗号和两个数之间不能有空格。
?	当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 “oooo”，’o+?’ 将匹配单个 “o”，而 ‘o+’ 将匹配所有 ‘o’。
.	匹配除换行符（\n、\r）之外的任何单个字符。要匹配包括 ‘\n’ 在内的任何字符，请使用像”(.
(pattern)	匹配 pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在JScript 中则使用 $0…$9 属性。要匹配圆括号字符，请使用 ‘(’ 或 ‘)’。
(?:pattern)	匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 “或” 字符 (|) 来组合一个模式的各个部分是很有用。例如， ‘industr(?:y|ies) 就是一个比 ‘industry|industries’ 更简略的表达式。
(?=pattern)	正向肯定预查（look ahead positive assert），在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如，”Windows(?=95|98|NT|2000)”能匹配”Windows2000”中的”Windows”，但不能匹配”Windows3.1”中的”Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)	正向否定预查(negative assert)，在任何不匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如”Windows(?!95|98|NT|2000)”能匹配”Windows3.1”中的”Windows”，但不能匹配”Windows2000”中的”Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?<=pattern)	反向(look behind)肯定预查，与正向肯定预查类似，只是方向相反。例如，”(?<=95|98|NT|2000)Windows”能匹配”2000Windows”中的”Windows”，但不能匹配”3.1Windows”中的”Windows”。
(?<!pattern)	反向否定预查，与正向否定预查类似，只是方向相反。例如”(?
x|y	匹配 x 或 y。例如，’z|food’ 能匹配 “z” 或 “food”。’(z|f)ood’ 则匹配 “zood” 或 “food”。
[xyz]	字符集合。匹配所包含的任意一个字符。例如， ‘[abc]’ 可以匹配 “plain” 中的 ‘a’。
[^xyz]	负值字符集合。匹配未包含的任意字符。例如， ‘[^abc]’ 可以匹配 “plain” 中的’p’、’l’、’i’、’n’。
[a-z]	字符范围。匹配指定范围内的任意字符。例如，’[a-z]’ 可以匹配 ‘a’ 到 ‘z’ 范围内的任意小写字母字符。
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，’[^a-z]’ 可以匹配任何不在 ‘a’ 到 ‘z’ 范围内的任意字符。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， ‘er\b’ 可以匹配”never” 中的 ‘er’，但不能匹配 “verb” 中的 ‘er’。
\B	匹配非单词边界。’er\B’ 能匹配 “verb” 中的 ‘er’，但不能匹配 “never” 中的 ‘er’。
\cx	匹配由 x 指明的控制字符。例如， \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 ‘c’ 字符。
\d	匹配一个数字字符。等价于 [0-9]。
\D	匹配一个非数字字符。等价于 [^0-9]。
\f	匹配一个换页符。等价于 \x0c 和 \cL。
\n	匹配一个换行符。等价于 \x0a 和 \cJ。
\r	匹配一个回车符。等价于 \x0d 和 \cM。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S	匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于 \x09 和 \cI。
\v	匹配一个垂直制表符。等价于 \x0b 和 \cK。
\w	匹配字母、数字、下划线。等价于’[A-Za-z0-9_]’。
\W	匹配非字母、数字、下划线。等价于 ‘[^A-Za-z0-9_]’。
\xn	匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，’\x41’ 匹配 “A”。’\x041’ 则等价于 ‘\x04’ & “1”。正则表达式中可以使用 ASCII 编码。
\num	匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。例如，’(.)\1’ 匹配两个连续的相同字符。
\n	标识一个八进制转义值或一个向后引用。如果 \n 之前至少 n 个获取的子表达式，则 n 为向后引用。否则，如果 n 为八进制数字 (0-7)，则 n 为一个八进制转义值。
\nm	标识一个八进制转义值或一个向后引用。如果 \nm 之前至少有 nm 个获得子表达式，则 nm 为向后引用。如果 \nm 之前至少有 n 个获取，则 n 为一个后跟文字 m 的向后引用。如果前面的条件都不满足，若 n 和 m 均为八进制数字 (0-7)，则 \nm 将匹配八进制转义值 nm。
\nml	如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。
\un	匹配 n，其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如， \u00A9 匹配版权符号 (?)。

9，运算符优先级

正则表达式从左到右进行计算，并遵循优先级顺序，这与算术表达式非常类似。

相同优先级的从左到右进行运算，不同优先级的运算先高后低。下表从最高到最低说明了各种正则表达式运算符的优先级顺序：

符号	表示含义
\	转义符
(), (?:), (?=), []	圆括号和方括号
*, +, ?, {n}, {n,}, {n,m}	限定符
^, $, \	任何元字符、任何字符 定位点和序列（即：位置和顺序）
|	替换，”或”操作字符具有高于替换运算符的优先级，使得”m|food”匹配”m”或”food”。若要匹配”mood”或”food”，请使用括号创建子表达式，从而产生”(m|f)ood”。

样例1

? 通配符匹配文件名中的 0 个或 1 个字符，而 * 通配符匹配零个或多个字符。

符号	表示含义
?	0 个或 1 个字符
*	零个或多个字符
\w	匹配包括下划线的任何单词字符, 等价于 [A-Za-z0-9_]

- data(\w)?.dat

data.dat
data1.dat
data2.dat
datax.dat
dataN.dat 

• data(\w)*.dat

data.dat
data1.dat
data2.dat
data12.dat
datax.dat
dataXYZ.dat

样例2

^通配符匹配字符的开始位置，而 $ 通配符匹配字符的结束位置。

符号	表示含义
^	字符的开始位置
$	字符的结束位置
[0-9]	表示一个任意数字，0-9
+	表示一个或多个字符，类型根据前面的类型确认，样例中表示数字类型

^[0-9]+abc$

1, ^为匹配输入字符串的开始位置
2, [0-9]+ 匹配多个数字， [0-9] 匹配单个数字，+ 匹配一个或者多个。
3, $ 匹配字母 abc 并以 abc 结尾，$ 为匹配输入字符串的结束位置。

该样例用以匹配 数字开头（1-n）+ abc 结尾的字符串，如 123abc，1111abc 等

样例3

1. noo+b
   可以匹配 noob、nooob、noooooob 等，+ 号代表前面的字符出现（1次或多次）。

2. noo*b
   可以匹配 nob、noob、noooooob 等，* 号代表字符可出现（0次、或1次、或多次）。

3. colou?r
   可以匹配 color 或者 colour，? 问号代表前面的字符最多只可以出现一次（0次、或1次）

样例4

+
*
?

*、+限定符都是贪婪的，因为它们会尽可能多的匹配文字，只有在它们的后面加上一个?就可以实现非贪婪或最小匹配。

<H1>Chapter 1 - 介绍正则表达式</H1>

<.*>
共找到 1 处匹配：
<H1>Chapter 1 - 介绍正则表达式</H1>
说明：*为贪婪的，会尽能大的展现内容

<.*?>
共找到 2 处匹配：
<H1>
</H1>


<\w+?>       //如果只想匹配开始的 H1 标签
共找到 1 处匹配：
<H1>

样例5

\b
\B

/\bCha/     表达式匹配单词 Chapter 的开头三个字符，因为这三个字符出现在字边界后面
/ter\b/     表达式匹配单词 Chapter 中的字符串 ter，因为它出现在字边界的前面
/\Bapt/     表达式匹配 Chapter 中的字符串 apt，但不匹配 aptitude 中的字符串 apt

样例6

EX6-1:
Is is the cost of of gasoline going up up

\b([a-z]+) \1\b   // 全局搜索，忽略大小写
共找到 3 处匹配：
Is is
of of
up up
说明：
\b - \b 确保搜索到的首尾都是单词的边界
([a-z]+) 确定是一个完整的单词，子匹配项
\1  表示匹配前面（）的子匹配项

疑问？怎么只匹配3个重复的？甚至n个重复的？

EX6-2:
http://www.runoob.com:80/html/html-tutorial.html

(\w+):\/\/([^/:]+)(:\d*)?([^# ]*)
共找到 1 处匹配：
http://www.runoob.com:80/html/html-tutorial.html
说明：
(\w+)       http
:\/\/       ://
([^/:]+)    www.runoob.com
(:\d*)      :80
?           这个感觉可有可无，试了不受影响
([^# ]*)    不包含#和空格的字符串/html/html-tutorial.html

另外：

. 特殊字符在中括号表达式时 如 [.] 只会匹配 .字符，等价于\.，而非匹配除换行符 \n 外的所有字符。

^ 和 [^指定字符串] 之间的区别:

^ 指的是匹配字符串开始的位置
[^指定字符串] 指的是除指定字符串以外的其他字符串

^once  
T:once upon a time
F:There once was a man from NewYork 

bucket$
T:Who kept all of this cash in a bucket
F:buckets

^bucket$
只匹配字符串"bucket"

once
There once was a man from NewYork who kept all of his cash in a bucket.

^\t 
检测一个字符串是否以制表符开头

[AaEeIiOoUu]
匹配单个的元音字符

[a-z]        //匹配所有的小写字母 
[A-Z]        //匹配所有的大写字母 
[a-zA-Z]     //匹配所有的字母 
[0-9]        //匹配所有的数字 
[0-9\.\-]    //匹配所有的数字，句号和减号 
[ \f\r\t\n]  //匹配所有的白字符


^[a-z][0-9]$
匹配一个由一个小写字母和一位数字组成的字符串
比如："z2"、"t6"或"g7"，但不是"ab2"、"r2d3" 或"b52"等

^[^0-9][0-9]$
匹配一个由一个非数字和一位数字组成的字符串
比如：与"&5"、"g7"及"-2"是匹配的，但与"12"、"66"是不匹配的

[^a-z]    //除了小写字母以外的所有字符 
[^\\\/\^] //除了(\)(/)(^)之外的所有字符 
[^\"\']   //除了双引号(")和单引号(')之外的所有字符



[[:alpha:]]     任何字母
[[:digit:]]     任何数字
[[:alnum:]]     任何字母和数字
[[:space:]]     任何空白字符
[[:upper:]]     任何大写字母
[[:lower:]]     任何小写字母
[[:punct:]]     任何标点符号
[[:xdigit:]]    任何16进制的数字，相当于[0-9a-fA-F]

样例7

^[a-zA-Z_]$        所有的字母和下划线
^[[:alpha:]]{3}$   所有的3个字母的单词
^a$                字母a
^a{4}$             aaaa
^a{2,4}$           aa,aaa或aaaa
^a{1,3}$           a,aa或aaa
^a{2,}$            包含多于两个a的字符串
^a{2,}             如：aardvark和aaab，但apple不行
a{2,}              如：baad和aaa，但Nantucket不行
\t{2}              两个制表符
.{2}               所有的两个字符

样例8

^[a-zA-Z0-9_]{1,}$      // 所有包含一个以上的字母、数字或下划线的字符串 
^[1-9][0-9]{0,}$        // 所有的正整数 
^\-{0,1}[0-9]{1,}$      // 所有的整数 
^[-]?[0-9]+\.?[0-9]+$   // 所有的浮点数

^\-?[0-9]{1,}\.?[0-9]{1,}$ //与上一个相同

^[a-zA-Z0-9_]+$      // 所有包含一个以上的字母、数字或下划线的字符串 
^[1-9][0-9]*$        // 所有的正整数 
^\-?[0-9]+$          // 所有的整数 
^\-?[0-9]+\.?[0-9]*$ // 所有的浮点数

Chapter [12345]
Chapter [1-5]

[\-]

[-a-z]
[a-z-]

[!--]
[!-~]

Chapter [^12345]
Chapter [^1-5]

[A-Za-z0-9]

^Chapter|Section [1-9][0-9]{0,1}$
^(Chapter|Section) [1-9][0-9]{0,1}$

^(?:Chapter|Section) [1-9][0-9]{0,1}$

Windows(?=95 |98 |NT )

样例9

\b([a-z]+) \1\b                         //一个单词连续出现的位置。
(\w+):\/\/([^/:]+)(:\d*)?([^# ]*)       //将一个URL解析为协议、域、端口及相对路径。
^(?:Chapter|Section) [1-9][0-9]{0,1}$   //定位章节的位置。
[-a-z]                                  //a至z共26个字母再加一个-号。
ter\b                                   //可匹配chapter，而不能匹配terminal。
\Bapt                                   //可匹配chapter，而不能匹配aptitude。

Windows(?=95 |98 |NT )                  //可匹配Windows95或Windows98或WindowsNT，
                                        //当找到一个匹配后，从Windows后面开始进行下一次的检索匹配。

^\s*$                                   //匹配空行。
\d{2}-\d{5}                             //验证由两位数字、一个连字符再加 5 位数字组成的 ID 号。
<\s*(\S+)(\s[^>]*)?>[\s\S]*<\s*\/\1\s*> //匹配 HTML 标记。