正则表达式

Posted 2020-07-30 看海吧

总结自正则表达式30分钟入门教程（很赞）和菜鸟教程

 

正则表达式到底是什么东西？

正则表达式，又称正规表示法、常规表示法（Regular Expression，在代码中常简写为regex、regexp或RE）。

字符是计算机软件处理文字时最基本的单位，可能是字母，数字，标点符号，空格，换行符，汉字（不同的编码方式中汉字占用不同的字符数）等等。字符串是0个或更多个字符的序列。文本也就是文字，字符串。说某个字符串匹配某个正则表达式，通常是指这个字符串里有一部分（或几部分分别）能满足表达式给出的条件。在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是用于描述这些规则的工具。换句话说，正则表达式就是记录文本规则的代码。

很可能你使用过Windows/Dos下用于文件查找的通配符(wildcard)，也就是*和?（主要用来模糊搜索，星号代替0个或多个字符，问号代替一个字符）。如果你想查找某个目录下的所有的Word文档的话，你会搜索*.doc。和通配符类似，正则表达式也是用来进行文本匹配的工具，只不过比起通配符，它更强大、更灵活，可以精确地描述你的需求——当然，代价就是更复杂——比如你可以编写一个正则表达式，用来查找所有以0开头，后面跟着2-3个数字，然后是一个连字号“-”，最后是7或8位数字的字符串(像010-12345678或0376-7654321)。

 

入门

假设你在一篇英文小说里查找hi，你可以使用正则表达式hi。

这几乎是最简单的正则表达式了，它可以精确匹配这样的字符串：由两个字符组成，前一个字符是h,后一个是i。通常，处理正则表达式的工具会提供一个忽略大小写的选项，如果选中了这个选项，它可以匹配hi,HI,Hi,hI这四种情况中的任意一种。不幸的是，很多单词里包含hi这两个连续的字符，比如him，history，high等等。用hi来查找的话，这里边的hi也会被找出来。如果要精确地查找hi这个单词的话，我们应该使用\bhi\b。

\b是正则表达式规定的一个特殊代码（某些人叫它元字符，metacharacter），代表着单词的开头或结尾，也就是单词的分界处。虽然通常英文的单词是由空格，标点符号或者换行来分隔的，但是\b并不匹配这些单词分隔字符中的任何一个，它只匹配一个位置。

假如你要找的是hi后面不远处跟着一个Lucy，你应该用\bhi\b.*\bLucy\b。

这里.是另一个元字符，匹配除了换行符（换行符就是‘\n‘,ASCII编码为10(十六进制0x0A)的字符）以外的任意字符。*同样是元字符，不过它代表的不是字符，也不是位置，而是数量——它指定*前边的内容可以连续重复使用任意次以使整个表达式得到匹配。因此，.*连在一起就意味着任意数量的不包含换行的字符。现在\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。

如果同时使用其它元字符，我们就能构造出功能更强大的正则表达式。比如下面这个例子：

0\d\d-\d\d\d\d\d\d\d\d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(也就是中国的电话号码。当然，这个例子只能匹配区号为3位的情形)。

这里的\d是个新的元字符，匹配一位数字(0，或1，或2，或……)。-不是元字符，只匹配它本身——连字符(或者减号，或者中横线，或者随你怎么称呼它)。

为了避免那么多烦人的重复，我们也可以这样写这个表达式：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)

 

元字符

现在你已经知道几个很有用的元字符了，如\b，.，*，还有\d。正则表达式里还有更多的元字符，比如\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。\w匹配字母或数字或下划线或汉字（对中文/汉字的特殊处理是由.Net提供的正则表达式引擎支持的，其它环境下的具体情况请查看相关文档）等。

下面来看看更多的例子：

\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或下划线(\w*)，最后是单词结束处(\b)。

通常我们用不少于一个的连续的\w来表示单词。

\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。

 ‘er\b‘ 可以匹配"never" 中的 ‘er‘，但不能匹配 "verb" 中的 ‘er‘。

元字符^和$都匹配一个位置，这和\b有点类似。^匹配你要用来查找的字符串的开头，$匹配结尾。这两个代码在验证输入的内容时非常有用，比如一个网站如果要求你填写的QQ号必须为5位到12位数字时，可以使用：^\d{5,12}$（如果不使用^和$的话，对于\d{5,12}而言，使用这样的方法就只能保证字符串里包含5到12连续位数字，而不是整个字符串就是5到12位数字）。这里的{5,12}和前面介绍过的{2}是类似的，只不过{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，否则都不匹配。因为使用了^和$，所以输入的整个字符串都要用来和\d{5,12}来匹配，也就是说整个输入必须是5到12个数字，因此如果输入的QQ号能匹配这个正则表达式的话，那就符合要求了。

和忽略大小写的选项类似，有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项，^和$的意义就变成了匹配行的开始处和结束处。

    常用的元字符

代码         说明

.        匹配除换行符以外的任意字符

\w    匹配字母或数字或下划线或汉字

\s      匹配任意的空白符，等价于 [ \f\n\r\t\v]

\d     匹配数字

\b     定位符，匹配单词的开始或结束

^      定位符，匹配字符串的开始

$      定位符，匹配字符串的结束

 

字符转义

如果你想查找元字符本身的话，比如你查找.或者*，就得使用\来取消这些字符的特殊意义，使用\.和\*，当然，要查找\本身，你也得用\\.

例如：deerchao\.net匹配deerchao.net，C:\\Windows匹配C:\Windows。

 

限定符

你已经看过了前面的*,+,{2},{5,12}这几个匹配重复的方式了。

下面是正则表达式中所有的限定符：

   常用的限定符

代码/语法        说明

*       重复零次或更多次，等价于{0,}

+       重复一次或更多次，等价于{1,}

?       重复零次或一次，等价于{0,1}

{n}    重复n次

{n,}   重复n次或更多次

{n,m}         重复n到m次，其中n <= m

例子：

Windows\d+匹配Windows后面跟1个或更多数字

^\w+匹配一行的第一个单词（当设置为多行模式时）或整个字符串的第一个单词

 

字符类

要想查找数字、字母或空白都是很简单的，因为已经有了对应这些字符集合的元字符\d \w \s，但是如果你想匹配没有预定义元字符的字符集合(比如元音字母a,e,i,o,u),应该怎么办？很简单，你只需要在方括号里列出它们就行了，像[aeiou]就匹配任何一个英文元音字母，[.?!]匹配标点符号(.或?或!)。

我们也可以轻松地指定一个字符范围，像[0-9]代表的含意与\d就是完全一致的,都表示一位数字；同理[a-z0-9A-Z_]也完全等同于\w（有字母数字下划线，不考虑汉字）。

下面是一个更复杂的表达式：\(?0\d{2}[) -]?\d{8}。

“(”和“)”也是元字符，后面的分组节里会提到，所以在这里需要使用转义。

对它进行一些分析：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0次或1次(?)，最后是8个数字(\d{8})。这个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。

 

分枝条件

应当注意到，刚才那个表达式也能匹配010)12345678或(022-87654321这样的“不正确”的格式。要解决这个问题，我们需要用到分枝条件。

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。

例子：

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8位本地号间可以用连字号或空格间隔，也可以没有间隔。

注意：使用分枝条件时，要注意各个条件的顺序。例如：

\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。如果你把它改成\d{5}|\d{5}-\d{4}的话，那么就只会匹配5位的邮编而不会匹配后面的四位邮编(以及9位邮编的前5位，例如：12345-1234，它只会匹配12345)。原因是匹配分枝条件时，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。

 

分组

我们已经提到了怎么重复单个字符（直接在字符后面加上限定符就行了），但如果想要重复多个字符又该怎么办？你可以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，你也可以对子表达式进行其它一些操作(后面会有介绍)。

(\d{1,3}\.){3}\d{1,3}是一个简单的IP地址匹配表达式。按下列顺序分析它：\d{1,3}\.匹配1到3位的数字再加一个点，(\d{1,3}\.){3}小括号内的匹配重复3次，最后再加上一个1到3位的数字(\d{1,3})。

IP地址中每个数字都不能大于255， 01.02.03.04 这样前面带有0的数字, 是不是正确的IP地址呢? 答案是: 是的, IP 地址里的数字可以包含有前导 0 (leading zeroes).

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：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

分析：

2[0-4]\d：表示3位数字，第一位数字是2，第二位数字在0—4之间，第三位数字随意，表示200--249之间的数值；

25[0-5]：表示3位数字，第一位数字是2，第二位数字是5，第三位数字在0—5之间，表示250--255之间的数值；

[01]?\d\d?：可以是一位数字\d，可以是两位数字0\d，1\d，\d\d，也可以是三位数字0\d\d，1\d\d，当然上述分类得到的值有交叉，但明白意思就行了，就是表示0--199的数值；\.：表示数值后加一个点号；

((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}：表示小括号里的（数值+点号）匹配三次。

 

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：

   常用的反义代码

代码/语法        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

例子：\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；

 

\Bapt匹配 Chapter 中的字符串 apt，但不匹配 aptitude 中的字符串 apt。

 

 

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：相关匹配存储到一个临时缓冲区中，所捕获的每个子匹配都按照在正则表达式模式中从左到右出现的顺序存储，第一个出现的分组的组号为1，第二个为2，以此类推。缓冲区编号从 1 开始，最多可存储 99 个捕获的子表达式。

后向引用用于重复搜索前面某个分组匹配的文本。每个缓冲区都可以使用 ‘\n‘ 访问，其中 n 为标识特定缓冲区的一位或两位十进制数。例如，\1代表分组1匹配的文本。

例子：

\b(\w+)\b\s+\1\b

用途：可以用来匹配重复的单词，像go go, 或者kitty kitty。

分析：单词开始处和结束处之间是一个或一个以上的字母或数字(\b(\w+)\b)，通常用来表示一个单词，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\1，再次重复分组1中捕获的内容。

你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。

组号分配还不像说得那么简单：

实际上组号分配过程是要从左向右扫描两遍的：第一遍只给未命名组分配，第二遍只给命名组分配－－因此所有命名组的组号都大于未命名的组号。分组0对应整个正则表达式。

用小括号后，相关的匹配会被缓存，你可以使用(?:exp)这样的语法来剥夺一个分组对组号分配的参与权：(?:exp)不会改变正则表达式的处理方式，只是这样的组匹配的内容不会像前两种那样被捕获到某个组里面，也不会拥有组号。

总之，?:是非捕获元之一，还有两个非捕获元是?=和?!，后面会介绍。

反向引用还可以将通用资源表示符 (URI) 分解为其组件。假定想将下面的 URI 分解为协议（ftp、http 等等）、域地址和页/路径：

http://www.w3cschool.cc:80/html/html-tutorial.html

下面的正则表达式提供该功能：

(\w+):\/\/([^/:]+)(:\d*)?([^# ]*)

分析：

第一个括号子表达式(\w+)捕获 Web 地址的协议部分，"http"；

第二个括号子表达式([^/:]+)捕获地址的域地址部分,"www.w3cschool.cc"；

第三个括号子表达式(:\d*)捕获端口号（如果指定了的话），":80"；

第四个括号子表达式([^# ]*)捕获 Web 地址指定的路径和/或页信息，该子表达式能匹配不包括 # 或空格字符的任何字符序列，"/html/html-tutorial.html"。

     捕获

分类         代码/语法        说明

(exp)         匹配exp，并捕获文本到自动命名的组里

(?<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)

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

 

零宽断言

断言用来声明一个应该为真的事实。正则表达式中只有当断言为真时才会继续进行匹配。

接下来的两个断言用于查找在某些内容之前或之后的东西，但并不捕获这些内容，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)，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内容能匹配表达式exp。比如\b\w+(?=ing\b)，匹配以ing结尾(?=ing\b)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；如“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”，但不能匹配“Windows3.1”中的“Windows”。

注意：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。例如，如果上面的表达式匹配 Windows2000，将在 Windows 之后而不是在 98 之后继续搜索。

(?<=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内容能匹配表达式exp。比如(?<=\bre)\w+\b会匹配以re开头(?<=\bre)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。

例子：(?<=\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)。

例子：(?<=<(\w+)>).*(?=<\/\1>)，匹配不包含属性的简单HTML标签内里的内容。

分析：(?<=<(\w+)>)指定了这样的前缀：被尖括号括起来的单词，比如<body>；

       .*表示0个或多个不是换行符的字符，或认为是任意的字符串，比如hello;

       (?=<\/\1>)是后缀，里面的\/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，即前面的(\w+)匹配的内容。比如</body>了。

       整个表达式匹配的是<body>和</body>之间的内容hello(再次提醒，不包括前缀和后缀本身)。