一、正则表达式 - 概述
正则表达式(Regular Expression)是一种文本模式,包括普通字符(如 a 到 z 之间的字母)和特殊字符(称为"元字符")
正则表达式(regular expression)描述了一种字符串匹配的模式(pattern),可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等
二、正则表达式 - 语法
2.1、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,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
2.2、非打印字符
字符 | 描述 |
\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 |
\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]。注意 Unicode 正则表达式会匹配全角空格符 |
\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 |
2.3、特殊字符
特殊字符是一些有特殊含义的字符,当要匹配特殊字符时,必须首先使字符"转义",即将反斜杠字符 \ 放在它们前面,常用的特殊字符如下:
特殊字符 | 说明 |
$ | 匹配输入字符串的结尾位置,如果设置了 正则表达式(RegExp) 对象的 Multiline(多行) 属性,则 $ 也匹配 '\n' 或 '\r';要匹配 $ 字符本身,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()字符,可使用 \( 和 \) |
* | 匹配前面的子表达式零次或多次,要匹配 * 字符,可使用 \* |
+ | 匹配前面的子表达式一次或多次,要匹配 + 字符,可使用 \+ |
. | 匹配除换行符 \n 之外的任何单字符,要匹配 . ,可使用 \. |
[ | 标记一个中括号表达式的开始,要匹配 [,可使用 \[ |
? | 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,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;当该符号在方括号表达式中使用时,表示不接受该方括号表达式中的字符集合。要匹配 ^ 字符本身,使用 \^ |
{ | 标记限定符表达式的开始。要匹配 {,使用 \{ |
| | 指明两项之间的一个选择。要匹配 |,使用 \| |
2.4、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,常见的限定符有 * 或 + 或 ? 或 {n} 或 {n,} 或 {n,m} 6种
字符 | 描述 |
---|---|
* | 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。 |
注意:限定符一般位于范围表达式之后,作用于整个范围表达式
* 和 + 限定符都是贪婪的,它们会尽可能多的匹配文字,只有在它们的后面加上一个 ? 才可以实现非贪婪或最小匹配
假如搜索一html文件,内容为:
<h1>www.baidu.com</h1>
贪婪: /<.*>/ 表达式将会匹配从开始的小于符号 (<) 到关闭 h1 标记的大于符号 (>) 之间的所有内容,即输出:<h1>www.baidu.com</h1>
非贪婪:/<.*?>/ 非贪婪表达式可实现仅匹配 <h1>,输出:</h1>
通过在 *、+ 或 ? 限定符之后放置 ?,表达式将从"贪婪"表达式转换为"非贪婪"表达式或者最小匹配
2.5、定位符
定位符可实现将正则表达式固定到行首或行尾,定位符还能够创建出现在一个单词内、在一个单词的开头或者一个单词的结尾的正则表达式。
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。
常见的正则表达式的定位符有:
字符 | 描述 |
---|---|
^ | 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 | 匹配一个单词边界,即字与空格间的位置 |
\B | 非单词边界匹配 |
注意:不能将限定符与定位符一起使用。由于在紧靠换行或者单词边界的前面或后面不能有一个以上位置,因此不允许诸如 ^* 之类的表达式;
若要匹配一行文本开始处的文本,请在正则表达式的开始使用 ^ 字符。不要将 ^ 的这种用法与中括号表达式内的用法混淆;
若要匹配一行文本的结束处的文本,请在正则表达式的结束处使用 $ 字符;
若要在搜索章节标题时使用定位点,下面的正则表达式匹配一个章节标题,该标题只包含两个尾随数字,并且出现在行首:
/^Chapter [1-9][0-9]{0,1}/
真正的章节标题不仅出现行的开始