正则表达式学习笔记

v1.0

入门：http://www.jb51.net/tools/zhengze.html
进阶：http://div.io/topic/764?page=1
刷题：https://www.hackerrank.com/domains/regex/re-introduction

在线测试：
https://regexr.com/
https://regex101.com/
https://jex.im/regulex/

元字符

常用的元字符:

代码	说明
.	匹配除换行符以外的任意字符
.*	匹配任意数量的不包含换行的字符
\w	匹配字母或数字或下划线或汉字等
\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
\d	匹配一位数字（0,1,2,…）
\b	匹配单词的开头或结尾，也就是单词的分界处,只匹配一个位置
^	匹配字符串的开始
$	匹配字符串的结束

\bhi\b    #精确查找hi这个单词；

\bhi\b.*\bLucy\b   #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

0\d{2}-\d{8}   #这里\d后面的{2}({8})的意思是前面\d必须连续重复匹配2次(8次)  
或者0\d\d-\d\d\d\d\d\d\d\d

\ba\w*\b  #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

\b\w{6}\b  #匹配刚好6个字符的单词

^\d{5,12}$  #匹配5位到12位数字
# {2}匹配只能不多不少重复2次，{5,12}则是重复的次数不能少于5次，不能多于12次

字符串转义

如果你想查找元字符本身的话，比如你查找.,或者*,就出现了问题：你没办法指定它们，因为它们会被解释成别的意思。这时你就得使用\来取消这些字符的特殊意义。因此，你应该使用\.和\*。当然，要查找\本身，你也得用\\。

deerchao\.net  #匹配deerchao.net
C:\\Windows    #匹配C:\Windows

重复

常用的限定符：

代码	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

Windows\d+   #匹配Windows后面跟1个或更多数字

字符类

[aeiou]  #匹配任何一个英文元音字母
[.?!]    #匹配标点符号(.或?或!)

指定字符范围：
[0-9]代表的含意与\d就是完全一致的：一位数字；同理[a-z0-9A-Z]也完全等同于\w（如果只考虑英文的话）

\(?0\d{2}[) -]?\d{8}：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})
可以匹配几种格式的电话号码，像(010)88886666，或022-22334455，或02912345678等，或者010)12345678或(022-87654321这样的“不正确”的格式

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，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}：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}：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

\d{5}-\d{4}|\d{5}：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

注意：使用分枝条件时，要注意各个条件的顺序
\d{5}|\d{5}-\d{4}：只会匹配5位的邮编(以及9位邮编的前5位)

分组

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}：\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，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（不能超过255）：

((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

代码	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

\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

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

\b(\w+)\b\s+\1\b：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)

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+)(或者把尖括号换成’也行：(?'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。下面列出了一些常用分组语法：

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
捕获	(?<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)
捕获	(?:exp)	匹配exp,不捕获匹配的文本，也不给此分组分配组号 #节省资源，提高效率
零宽断言	(?=exp)	匹配exp前面的位置
零宽断言	(?<=exp)	匹配exp后面的位置
零宽断言	(?!exp)	匹配后面跟的不是exp的位置
零宽断言	(?<!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

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(即断言)，因此它们也被称为零宽断言

(?=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。

\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表达式exp。

(?<=\bre)\w+\b   #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。

假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(再次强调，不包括这些空白符)。

负向零宽断言

只是想要确保某个字符没有出现，但并不想去匹配它，负向零宽断言只匹配一个位置，并不消费任何字符
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。

\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

(?<=<(\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)。

注释

小括号的另一种用途是通过语法(?#comment)来包含注释。

2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)

贪婪与懒惰

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。

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。

a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）

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