接上篇--.NET高级技术之正则表达式

Posted 2021-04-20 IT高级程序吸金

正则表达式

先来看几个需求

看到这样的需求，是不是很无奈？当掌握正则表达式之后，一切变得很简单

1.什么是正则表达式，正则表达式能做什么？

正则表达式是用来进行文本处理的技术，是语言无关的，在几乎所有语言中都有实现。javascript中还会用到。
一个正则表达式就是由普通字符以及特殊字符(称为元字符)组成的文字模式。该模式描述在查找文字主体时待匹配的一个或多个字符串。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。
正则表达式可以：

字符串的匹配、字符串的提取、字符串的替换

正则表达式第一步：元字符

.        匹配除 之外的任何单个字符    例如正则表达式“b.g”能匹配如下字符串：“big”、“bug”、“b g”，但是不匹配“buug”，“b..g”可以匹配“buug”。 
[ ]     匹配括号中的任何一个字符       例如正则表达式“b[aui]g”匹配bug、big和bag，但是不匹配beg、baug。

可以在括号中使用连字符“-”来指定字符的区间来简化表示，例如正则表达式[0-9]可以匹配任何数字字符，这样正则表达式“a[0-9]c”等价于“a[0123456789]c”就可以匹配“a0c”、“a1c”、“a2c”等字符串；还可以制定多个区间，例如“[A-Za-z]”可以匹配任何大小写字母，“[A-Za-z0-9]”可以匹配任何的大小写字母或者数字。
( )     将 () 之间括起来的表达式定义为“组”(group)，并且将匹配这个表达式的字符保存到一个临时区域；这个元字符在字符串提取的时候非常有用。把一些字符表示为一个整体

有两个作用：1、改变优先级；2、定义提取组两个作用
| ：将两个匹配条件进行逻辑“或”运算。'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配 "zood" 或 "food"

*：匹配0至多个在它之前的子表达式，和通配符*没关系。例如正则表达式“zo*”能匹配 “z” 、“zo”以及 “zoo”；因此“.*”意味着能够匹配任意字符串。

    "z(b|c)*"→zb、zbc、zcb、zccc、zbbbccc。"z(ab)*"能匹配z、zab、zabab（用括号改变优先级）。
+ ：匹配前面的子表达式一次或多次，和*对比（0到多次）。例如正则表达式9+匹配9、99、999等。“zo+”能匹配 “zo”以及 “zoo” ，不能匹配"z"。
? ：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" 。一般用来匹配“可选部分”。
{n} ：匹配确定的 n 次。"zo{2}"→zoo。例如，“e{2}” 不能匹配“bed”中的“e”，但是能匹配“seed”中的两个“e”。
{n,} :至少匹配n次。例如，“e{2,}”不能匹配“bed”中的“e”，但能匹配 “seeeeeeeed”中的所有“e”。
{n,m} ：最少匹配 n 次且最多匹配 m 次。“e{1,3}”将匹配“seeeeeeeed”中的前三个“e”。
^（shift+6） ：匹配一行的开始。例如正则表达式“^regex”能够匹配字符串“regex我会用”的开始，但是不能匹配“我会用regex”。
^另外一种意思：非！
$ ：匹配行结束符。例如正则表达式“浮云$” 能够匹配字符串“一切都是浮云”的末尾，但是不能匹配字符串“浮云呀” 

   

     注意这些简写表达式是不考虑转义符的，这里的就表示字符，而不是C#字符串级别的，在C#代码中需要使用@或者双重转义。区分C#级别的转移和正则表达式级别的转移，恰好C#的转义符和正则表达式的转义符都是而已。正则表达式的转移是在C#之后的（层层盘剥）。把C#的转义符想成%就明白了。在C#看来@"-"就是-这个普通的字符串，只不过在正则表达式分析引擎看来他有了特殊含义。"\d"或者@"d"
d：代表一个数字，等同于[0-9]
D：代表非数字，等同于[^0-9]
s：代表换行符、Tab制表符等空白字符
S：代表非空白字符
w：匹配字母或数字或下划线或汉字，即能组成单词的字符
W：非w ，等同于[^w]
d：digital；s：space、w：word。大写就是“非”

 

.Net中的正则表达式

正则表达式在.Net就是用字符串表示，这个字符串格式比较特殊，无论多么特殊，在C#语言看来都是普通的字符串，具体什么含义由Regex类内部进行语法分析。
正则表达式（Regular Expression）的主要类：Regex
常用的3种情况：（C#语法）

　　1、判断是否匹配：Regex.IsMatch(“字符串”,”正则表达式”)

　　2、字符串提取：Regex.Match(“字符串”,“要提取的字符串的正则表达式”); 字符串提取(循环提取所有)：Regex.Matches()
　   3、字符串替换：Regex.Replace(“字符串”,”正则”,”替换内容”);

        正则表达式是对字符串进行匹配的语法，像name like '%李%'一样，定义了一些特殊的“元字符”，用来判断一个字符串是否满足某个规则。正则表达式非常深，编译器都是基于正则表达式，掌握基本使用即可。

基本元字符

字　　符	描　　述
	转义字符，将一个具有特殊功能的字符转义为一个普通字符，或反过来
^	匹配输入字符串的开始位置
$	匹配输入字符串的结束位置
*	匹配前面的零次或多次的子表达式
+	匹配前面的一次或多次的子表达式
?	匹配前面的零次或一次的子表达式
{n}	n是一个非负整数，匹配前面的n次子表达式
{n,}	n是一个非负整数，至少匹配前面的n次子表达式
{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
?	当该字符紧跟在其他限制符（*，+，?，{n}，{n,}，{n，m}）后面时，匹配模式尽可能少的匹配所搜索的字符串
.	匹配除“ ”之外的任何单个字符
(pattern)	匹配pattern并获取这一匹配
(?:pattern)	匹配pattern但不获取匹配结果
(?=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
(?!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
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’
[a-z]	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]	匹配不在指定范围内的任意字符。例如，‘[^a-z]’可以匹配不在‘a’～‘z’'内的任意字符
	匹配一个单词边界，指单词和空格间的位置
B	匹配非单词边界
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
	匹配一个换行符
	匹配一个回车符
s	匹配任何空白字符，包括空格、制表符、换页符等

S	匹配任何非空白字符
	匹配一个制表符
v	匹配一个垂直制表符。等价于x0b和cK
w	匹配包括下划线的任何单词字符。等价于‘'[A-Za-z0-9_]’
W	匹配任何非单词字符。等价于‘[^A-Za-z0-9_]’

说明：

      由于在正则表达式中“ ”、“ ? ”、“ * ”、“ ^ ”、“ $ ”、“ + ”、“（”、“）”、“ | ”、“ { ”、“ [ ”等字符已经具有一定特殊意义，如果需要用它们的原始意义，则应该对它进行转义，例如希 望在字符串中至少有一个“ ”，那么正则表达式应该这么写：\+ 。

       使用Regex.IsMatch(被匹配字符串, 正则表达式)判断是否匹配。C#中表示正则表达式最好前面加上@，可以避免转义带来的困扰。

反向引用

反向引用，指把匹配出来的组引用到表达式本身其它地方，比如，在匹配html的标记时，我们匹配出一个<a>,我们要把匹配出来的a引用出来，用来找到</a>，这个时候就要用到反向引用。
语法
    a、反向引用编号的组，语法为 umber
    b、反向引用命名的组，语法为k<name>
举例
    a、匹配成对的HTML标签

@"<(?<tag>[^s>]+)[^>]*>.*</k<tag>>"        

    b、匹配两个两个重叠出现的字符  

        public static void Main()
        {    
            string s = "aabbc11asd";
            Regex reg = new Regex(@"(w)1");
            MatchCollection matches = reg.Matches(s);
            foreach(Match m in matches)
                Console.WriteLine(m.Value);
            Console.ReadLine();
        }      

返回结果为aa bb 11 

辅助匹配组

以下几种组结构，括号中的Pattern都不作为匹配结果的一部分进行保存
    1、正声明(?=)
    涵义：括号中的模式必须出现在声明右侧，但不作为匹配的一部分

        public static void Main()
        {    
            string s = "C#.net,VB.net,php,Java,JScript.net";
            Regex reg = new Regex(@"[w#]+(?=.net)",RegexOptions.Compiled);
            MatchCollection mc = reg.Matches(s);
            foreach(Match m in mc)
                Console.WriteLine(m.Value); 
            Console.ReadLine();
            //输出 C# VB JScript
        }

    可以看到匹配引擎要求匹配.net，但却不把.net放到匹配结果中
    2、负声明(?!)
     涵义：括号中的模式必须不出现在声明右侧
        下例演示如何取得一个<a>标签对中的全部内容，即使其中包含别的HTML tag。

        public static void Main()
        { 
            string newsContent = @"url:<a href=""1.html""><img src=""1.gif"">test<span style=""color:red;"">Regex</span></a>.";
            Regex regEnd = new Regex(@"<s*a[^>]*>([^<]|<(?!/a))*<s*/as*>",RegexOptions.Multiline);
            
            Console.WriteLine(regEnd.Match(newsContent).Value);
//Result: <a href="1.html"><img src="1.gif">test<span style="color:red;">Regex</span></a>
            Console.ReadLine();
        }

    3、反向正声明(?<=) 
    涵义：括号中的模式必须出现在声明左侧，但不作为匹配的一部分
    4、反向负声明(?<!)
    涵义：括号中的模式必须不出现在声明左侧

非回溯匹配
语法：(?>)
涵义：该组匹配后，其匹配的字符不能通过回溯用于后面的表达式的匹配。呵呵，光看这句话肯定搞不懂，我当初为了搞懂这个也花了不少的时间，还是通过实例来说明吧：
"www.csdn.net" 可以通过@"w+.(.*).w+"来匹配，却不能通过@"w+.(?>.*).w+"来匹配！为什么呢？

原因是正则匹配是贪婪的，匹配时它会尽可能多的匹配最多的结果，所以，上例两个正则式中的.*都会把csdn.net匹配完， 这个时候，第一个表达式在开始匹配时发现.w+没得字符给它匹配了，所以它会进行回溯，所谓回溯，就是把.*匹配的结果往回推，回推留出来的字符再用来匹配.w+,直到.w+匹配成功，整个表达式返回成功的匹配结果。而第二个表达式，因使用的是非回溯匹配，所以，.*匹配完后，不允许通过回溯来匹配.w+，所以整个表达式匹配失败。

请注意，回溯匹配是很浪费资源的一种匹配方式，所以，请尽量避免您的正则式要通过回溯来成功匹配，如上例，可以换成@"w+.([^.]+.)+w+"+"。