正则表达式入门教程

最新推荐文章于 2024-08-08 07:15:00 发布

Getnway

最新推荐文章于 2024-08-08 07:15:00 发布

阅读量439

点赞数

分类专栏：其他

其他专栏收录该内容

3 篇文章 0 订阅

订阅专栏

正则表达式入门教程

1 元字符

1.1 \b 匹配单词的开始或结束，也就是单词的分界处

1.2 . 匹配除了换行符以外的任意字符

1.3 * 任意字符串

1.4 ? 任意一个字符

1.5 .* 连在一起就意味着任意数量的不包含换行的字符（此时*代表数量）

\bhi\b.*\bLucy\b 的意思就很明显了：先是一个单词hi,然后是任意个任意字符(但不能是换行)，最后是Lucy这个单词

1.6 \d 匹配一位数字(0，或1，或2，或……)

\d+ 匹配1个或更多连续的数字。这里的+是和*类似的元字符，不同的是*匹配重复任意次(可能是0次)，而+则匹配重复1次或更多次。
0\d\d-\d\d\d\d\d\d\d\d 等价于 0\d{2}-\d{8} 匹配这样的字符串：以0开头，然后是两个数字，然后是一个连字号“-”，最后是8个数字

1.7 \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

1.8 \w匹配字母或数字或下划线或汉字等

\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)。
\b\w{6}\b 匹配刚好6个字符的单词。

1.9 ^ 匹配字符串的开始

如果要求你填写的QQ号必须为5位到12位数字时，可以使用： ^\d{5,12}$ 。

1.10 $ 匹配字符串的结束

2 字符转义

2.1 \ 取消字符的特殊意义

3 重复

3.1 * 重复零次或更多次

3.2 + 重复一次或更多次

3.3 ? 重复零次或一次

3.4 {n} 重复n次

3.5 {n,} 重复n次或更多次

3.6 {n,m} 重复n到m次

4 字符类

4.1 [aeiou] 匹配任何一个英文元音字母

4.2 [.?!] 匹配标点符号(.或?或!)

4.3 [0-9]代表的含意与\d就是完全一致的：一位数字

\(?0\d{2}[) -]?\d{8} 表达式可以匹配几种格式的电话号码，像(010)88886666，或022-22334455，或02912345678等。我们对它进行一些分析吧：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})。也能匹配010)12345678或(022-87654321这样的“不正确”的格式。

5 分枝条件

5.1 |把不同的规则分隔开

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。
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} 这个表达式匹配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。你可以试试用分枝条件把这个表达式扩展成也支持4位区号的。
\d{5}-\d{4}|\d{5} 这个表达式用于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。之所以要给出这个例子是因为它能说明一个问题：使用分枝条件时，要注意各个条件的顺序。如果你把它改成 \d{5}|\d{5}-\d{4} 的话，那么就只会匹配5位的邮编(以及9位邮编的前5位)。

6 分组

6.1 () 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

(\d{1,3}\.){3}\d{1,3} 是一个简单的IP地址匹配表达式。要理解这个表达式，请按下列顺序分析它： \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，最后再加上一个一到三位的数字 (\d{1,3}) 。不幸的是，它也将匹配256.300.888.999这种不可能存在的IP地址。如果能使用算术比较的话，或许能简单地解决这个问题，但是正则表达式中并不提供关于数学的任何功能
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?) 。

7 反义

7.1 \W 匹配任意不是字母，数字，下划线，汉字的字符

7.2 \S 匹配任意不是空白符的字符

7.3 \D 匹配任意非数字的字符

7.4 \B 匹配不是单词开头或结束的位置

7.5 [^x] 匹配除了x以外的任意字符

<a[^>]+> 匹配用尖括号括起来的以a开头的字符串。

7.6 [^aeiou] 匹配除了aeiou这几个字母以外的任意字符

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。例如，\1代表分组1匹配的文本。

8.1 \1 代表分组1匹配的文本

\b(\w+)\b\s+\1\b 可以用来匹配重复的单词，像go go, 或者kitty kitty。这个表达式首先是一个单词，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) ，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（也就是前面匹配的那个单词） (\1) 。

8.2 (?<Word>\w+)或(?'Word'\w+) 指定子表达式的组名为Word

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

8.3 捕获

8.3.1 (exp) 匹配exp,并捕获文本到自动命名的组里

8.3.2 (?<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)

8.3.3 (?:exp) 匹配exp,不捕获匹配的文本，也不给此分组分配组号

9 零宽断言

9.1 (?=exp) 匹配exp前面的位置

(?=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。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。

9.2 (?<=exp) 匹配exp后面的位置

(?<=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。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。
(?<=\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)。

9.3 (?!exp) 匹配后面跟的不是exp的位置

\b\w*q[^u]\w*\b 匹配包含后面不是字母u的字母q的单词。但是如果多做测试(或者你思维足够敏锐，直接就观察出来了)，你会发现，如果q出现在单词的结尾的话，像Iraq,Benq，这个表达式就会出错。这是因为[^u]总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的[^u]将会匹配q后面的单词分隔符(可能是空格，或者是句号或其它的什么)，后面的\w*\b将会匹配下一个单词，于是 \b\w*q[^u]\w*\b 就能匹配整个Iraq fighting。负向零宽断言能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。现在，我们可以这样来解决这个问题：\b\w*q(?!u)\w*\b 。
\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。

9.4 (?<!exp) 匹配前面不是exp的位置

(?<![a-z])\d{7} 匹配前面不是小写字母的七位数字。
(?<=<(\w+)>).*(?=<\/\1>) 匹配不包含属性的简单HTML标签内里的内容。 (?<=<(\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)。

10 注释

10.1 (?#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

小括号的另一种用途是通过语法(?#comment)来包含注释。例如： 2[0-4]\d(?#200-249)|25[0- 5](?#250-255)|[01]?\d\ d?(?#0-199) 。

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。例如，我们可以前面的一个表达式写成这样：

(?<= # 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

11 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，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?。这样.*?就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。

11.1 *? 重复任意次，但尽可能少重复

11.2 +? 重复1次或更多次，但尽可能少重复

11.3 ?? 重复0次或1次，但尽可能少重复

11.4 {n,m}? 重复n到m次，但尽可能少重复

11.5 {n,}? 重复n次以上，但尽可能少重复

12 平衡组/递归匹配

1.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。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。