通用正则表达式

Posted 2020-08-03 ddev

区别于常见的正则表达式教程，本教程让你快速入门，并规避常见问题。

(大家可以阅读完后边的教程再阅读注意事项，注意事项放在前边只是为了引起注意)

在开始之前先说一些值得大家注意的事项吧

1 正则表达式没有逻辑与、逻辑非关系。那么要实现逻辑与，就要靠表达式序列来实现了，也就是组合。而逻辑非要靠零宽断言来实现了，但是不幸的是，现在大多数工具对断言啊，分组捕获啊，的支持并不完整。比如sed，是不支持断言的。

2 正则表达式的逻辑或关系，在正则表达式中是靠多选来实现的。

3 请谨遵语法，对于那些用惯了一个*来代表若干字符的，请注意，这并不是标准的正则表达式，而是一些工具自己内部封装的特殊符号。

4 注意匹配的范围，正则表达式默认是匹配最大范围，就是说大家要考虑匹配句子？匹配单词？匹配单词的一部分？比如有以下的文本行，int main(int argc... ,对于表达式.*t\b将匹配以下内容 int main(int，而如果你用\w*t\b，将只匹配2个int，更严谨的表达方式是\b\w*t\b。所以建议大家尽可能使用代表小范围的通配符(元字符)。

5 至于贪婪和懒惰啊，递归啊，这些在某些语言中有支持，但是这个因为语言差异太大，本文不作详述。

一些符号注意事项

1 - 连字符 这个只在字符组内有特殊意义，在字符组外代表自己本身。

2 占位元字符在字符组内代表字符本身，不具有通配符的指代特征，但是位置元字符在字符组内是通配符。

正则表达式是记录文本规则的代码，主要的作用就是用于匹配文本。

语法：[内容][次数]

1 我们把一个内容和次数组成的块叫小节，那正则表达式就是由若干个小节构成的。

2 内容后如果不加次数代表内容出现一次。

3 特定内容后不应该跟次数。比如 ^ 和 $ 。

内容可以是普通字符、元字符、逻辑表达式和引用。

元字符表

    .     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
    \d    匹配数字
    \b    匹配单词的开始或结束
    ^     匹配字符串的开始
    $     匹配字符串的结束
    \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

注意：其中\b、^、$、\B不代表任何字符位，他们代表一个位置，我们称他们为位置元字符，其它元字符称为占位元字符。

次数表

    *        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,}     复n次或更多次
    {n,m}    重复n到m次

例：

    \d{5}    可以匹配 99999
    \w*ing   可以匹配 doing
    \w+ing   可以匹配 doing
    \w{2}    也可以匹配 doing

逻辑表达式

我们把逻辑表达式划分为组合、字符组、分组、多选。

组合

像 \w*ing 是由4个小节构成的，分别是\w*、i、n、g。

字符组

[]中括号扩起来的若干字符表示一个字符组，字符组内的字符是"或"的关系。

字符组内可使用连字符-。

注意：字符组后边的次数，一般用 + 而不用 *，因为字符组后用 * 会匹配到出现0次的情况，这种情况会匹配到 \b 。

字符组内只识别字符和元字符，除了^以外，字符组不识别其内的任何其它逻辑。

 

比如你想用字符组匹配2个单词 int 或 argc，[(int)(argc)] 是错误的，这个代表2个分组，而分组内又是组合。集合内不能识别分组，将小括号识别为普通字符。

看来结果将不符合你的预期，这种逻辑建议使用或来表述 \bint\b|\bargc\b。

例：

    [int]      分别匹配字符i、n、t
    [0-9]      分别匹配0到9
    \b[int]+\b 可以匹配到单词int、in、it

排除字符组

^ 表示排除

注意：如果你想在字符组内使用排除法去匹配一个单词(见下面的例子)，建议你在集合内加上 \W (大写)，否则空格和一些特殊字符也会被匹配到。

 

例：

    [^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
    \b[^int\W]\b  匹配不出现字符i、n、t的单词，如果不加 \W ，空格和一些特殊字符就不被排除

分组

()用小括号括起来的子表达式

例：

    (\d{1,3}\.){3} 匹配999.999.999.

多选

| 表示"或"

注意：或的优先级低于其它任何逻辑表达式。可使用分组来提高或的优先级。

例：

    \bint|argc\b     除了可以匹配到 int 或 argc，还可以匹配到 inta 或 hargc内的部分字符
    \b(int|argc)\b   只匹配单词 int 或 argc

转义字符

\使用斜杠来显现转义字符。

所有的元字符、次数符、逻辑符号都需要转义。

需转义的字符有

    \ . ^ $ * + ? { } [ ] ( ) < > |

后向引用

引用允许在后边的表达式中引用前边捕获到的分组的文本。

分组被捕获，然后用\斜杠加数字引用捕获到的内容。

命名捕获在不同的语言中有不同的表示方法(Paython中使用(?P<name>group)，.NET framework 中使用(?<name>group))，在这里不详述。

例：

    \b(\w+)\b\s+\1\b  捕获像 go go, 或者kitty kitty 这样的叠词

零宽断言

断言是一种判断，就是判断是否符合断言表达式，符合时才其它内容匹配，不符合就不匹配。

注意：断言的内容不被匹配，这也是为什么它们被称为零宽的原因。

零宽断言不能单独存在，必须与非零宽的表达式组合。

不是所有的工具都支持所有的零宽断言。

断言表达式

    (?=exp)       匹配exp前面的位置
    (?<=exp)      匹配exp后面的位置
    (?!exp)       匹配后面跟的不是exp的位置
    (?<!exp)      匹配前面不是exp的位置

断言分为正向断言和负向断言，上表前2个表达式是正向断言，后2个表达式是负向断言。

 

例:

    \b\w+(?=ing\b)    匹配以ing结尾的单词
    (?<=\bre)\w+\b    匹配以re开头的单词
    \b((?!abc)\w)+\b  匹配不包含连续字符串abc的单词
    (?<![a-z])\d{7}   匹配前面不是小写字母的七位数字