正则表达式

Posted 2020-10-21 wywdahai

对于正则表达式，相信很多人都知道，但是很多人的第一感觉就是难学，因为看第一眼时，觉得完全没有规律可寻，而且全是一堆各种各样的特殊符号，完全不知所云。

其实只是对正则不了解而以，了解了你就会发现，原来就这样啊正则所用的相关字符其实不多，也不难记，更不难懂，唯一难的就是组合起来之后，可读性比较差，而且不容易理解，本文旨在让大家对正则有一个基本的了解，能看得懂简单的正则表达式，写得出简单的正则表达式，用以满足日常开发中的需求即可。

0\\d{2}-\\d{8}|0\\d{3}-\\d{7} 先来一段正则，如果你对正则不了解，是不是完全不知道这一串字符是什么意思？这不要紧文章会详细解释每个字符的含义的。

 

1.1 什么是正则表达式

     正则表达式是一种特殊的字符串模式，用于匹配一组字符串，就好比用模具做产品，而正则就是这个模具，定义一种规则去匹配符合规则的字符。

1.2 常用的正则匹配工具 

     在线匹配工具：

　　1 http://www.regexpal.com/ 

      2 http://rubular.com/ 

     正则匹配软件

      McTracer 

      用过几个之后还是觉得这个是最好用的，支持将正则导成对应的语言如java C# js等还帮你转义了，Copy直接用就行了很方便，另外支持把正则表达式用法解释，如哪一段是捕获分组，哪段是贪婪匹配等等，总之用起来 So Happy .

 

二 正则字符简单介绍

2.1 元字符介绍

   "^" ：^会匹配行或者字符串的起始位置，有时还会匹配整个文档的起始位置。 

   "$"  ：$会匹配行或字符串的结尾

    如图

         而且被匹配的字符必须是以This开头有空格也不行，必须以Regex结尾，也不能有空格与其它字符

     

 

 "\\b" :不会消耗任何字符只匹配一个位置，常用于匹配单词边界 如 我想从字符串中"This is Regex"匹配单独的单词 "is" 正则就要写成 "\\bis\\b"  

　　  \\b 不会匹配is 两边的字符，但它会识别is 两边是否为单词的边界 

 "\\d": 匹配数字，

　　  例如要匹配一个固定格式的电话号码以0开头前4位后7位，如0737-5686123  正则:^0\\d\\d\\d-\\d\\d\\d\\d\\d\\d\\d$ 这里只是为了介绍"\\d"字符，实际上有更好的写法会在     下面介绍。

 "\\w"：匹配字母，数字，下划线.

　　  例如我要匹配"a2345BCD__TTz" 正则："\\w+"  这里的"+"字符为一个量词指重复的次数，稍后会详细介绍。

 "\\s"：匹配空格 

　　  例如字符 "a b c" 正则："\\w\\s\\w\\s\\w"  一个字符后跟一个空格，如有字符间有多个空格直接把"\\s" 写成 "\\s+" 让空格重复

  "."：匹配除了换行符以外的任何字符

　　  这个算是"\\w"的加强版了"\\w"不能匹配 空格 如果把字符串加上空格用"\\w"就受限了，看下用 "."是如何匹配字符"a23 4 5 B C D__TTz"  正则：".+"

  "[abc]": 字符组  匹配包含括号内元素的字符 

        这个比较简单了只匹配括号内存在的字符，还可以写成[a-z]匹配a至z的所以字母就等于可以用来控制只能输入英文了，

 

2.2 几种反义

　　写法很简单改成大写就行了，意思与原来的相反，这里就不举例子了

   "\\W"   匹配任意不是字母，数字，下划线 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

   "[^abc]"  匹配除了abc以外的任意字符

 

 2.3  量词

　　先解释关于量词所涉及到的重要的三个概念

    贪婪(贪心) 如"*"字符 贪婪量词会首先匹配整个字符串，尝试匹配时，它会选定尽可能多的内容，如果 失败则回退一个字符，然后再次尝试回退的过程就叫做回溯，它会每次回退一个字符，直到找到匹配的内容或者没有字符可以回退。相比下面两种贪婪量词对资源的消耗是最大的，

   懒惰(勉强) 如 "?"  懒惰量词使用另一种方式匹配，它从目标的起始位置开始尝试匹配，每次检查一个字符，并寻找它要匹配的内容，如此循环直到字符结尾处。

   占有  如"+" 占有量词会覆盖事个目标字符串，然后尝试寻找匹配内容 ，但它只尝试一次，不会回溯，就好比先抓一把石头，然后从石头中挑出黄金

     "*"(贪婪)   重复零次或更多

　　　  例如"aaaaaaaa" 匹配字符串中所有的a  正则： "a*"   会出到所有的字符"a"

     "+"(懒惰)   重复一次或更多次

　　     例如"aaaaaaaa" 匹配字符串中所有的a  正则： "a+"  会取到字符中所有的a字符，  "a+"与"a*"不同在于"+"至少是一次而"*" 可以是0次，

　　     稍后会与"?"字符结合来体现这种区别

     "?"(占有)   重复零次或一次

　　     例如"aaaaaaaa" 匹配字符串中的a 正则 ： "a?" 只会匹配一次，也就是结果只是单个字符a

　  "{n}"  重复n次

　　     例如从"aaaaaaaa" 匹配字符串的a 并重复3次 正则：  "a{3}"  结果就是取到3个a字符  "aaa";

　  "{n,m}"  重复n到m次

　　     例如正则 "a{3,4}" 将a重复匹配3次或者4次 所以供匹配的字符可以是三个"aaa"也可以是四个"aaaa" 正则都可以匹配到

     "{n,}"  重复n次或更多次

 　　    与{n,m}不同之处就在于匹配的次数将没有上限，但至少要重复n次 如 正则"a{3,}" a至少要重复3次

 把量词了解了之后之前匹配电话号码的正则现在就可以改得简单点了^0\\d\\d\\d-\\d\\d\\d\\d\\d\\d\\d$ 可以改为"^0\\d+-\\d{7}$"。

这样写还不够完美如果因为前面的区号没有做限定，以至于可以输入很多们，而通常只能是3位或者4位，

现在再改一下 "^0\\d{2,3}-\\d{7}"如此一来区号部分就可以匹配3位或者4位的了

 2.4 懒惰限定符

　　"*?"   重复任意次，但尽可能少重复 

　　    如 "acbacb"  正则  "a.*?b" 只会取到第一个"acb" 原本可以全部取到但加了限定符后，只会匹配尽可能少的字符 ，而"acbacb"最少字符的结果就是"acb" 

　　"+?"  重复1次或更多次，但尽可能少重复

　　   与上面一样，只是至少要重复1次

　　"??"  重复0次或1次，但尽可能少重复

　　    如 "aaacb" 正则 "a.??b" 只会取到最后的三个字符"acb"

　　"{n,m}?"  重复n到m次，但尽可能少重复

          如 "aaaaaaaa"  正则 "a{0,m}" 因为最少是0次所以取到结果为空

　　"{n,}?"    重复n次以上，但尽可能少重复

          如 "aaaaaaa"  正则 "a{1,}" 最少是1次所以取到结果为 "a"

 

三  正则进阶

     3.1 捕获分组

　　先了解在正则中捕获分组的概念，其实就是一个括号内的内容 如 "(\\d)\\d" 而"(\\d)" 这就是一个捕获分组，可以对捕获分组进行 后向引用 (如果后而有相同的内容则可以直接引用前面定义的捕获组，以简化表达式) 如(\\d)\\d\\1 这里的"\\1"就是对"(\\d)"的后向引用

那捕获分组有什么用呢看个例子就知道了

如  "zery zery" 正则 \\b(\\w+)\\b\\s\\1\\b 所以这里的"\\1"所捕获到的字符也是 与(\\w+)一样的"zery"，为了让组名更有意义，组名是可以自定义名字的

"\\b(?<name>\\w+)\\b\\s\\k<name>\\b" 用"?<name>"就可以自定义组名了而要后向引用组时要记得写成 "\\k<name>";自定义组名后,捕获组中匹配到的值就会保存在定义的组名里

下面列出捕获分组常有的用法

 

"(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

"(?:exp)"  匹配exp,不捕获匹配的文本，也不给此分组分配组号

以下为零宽断言

"(?=exp)"  匹配exp前面的位置

　　如 "How are you doing" 正则"(?<txt>.+(?=ing))" 这里取ing前所有的字符，并定义了一个捕获分组名字为 "txt" 而"txt"这个组里的值为"How are you do";

"(?<=exp)"  匹配exp后面的位置

　　如 "How are you doing" 正则"(?<txt>(?<=How).+)" 这里取"How"之后所有的字符，并定义了一个捕获分组名字为 "txt" 而"txt"这个组里的值为" are you doing";

"(?!exp)"  匹配后面跟的不是exp的位置

　　如 "123abc" 正则 "\\d{3}(?!\\d)"匹配3位数字后非数字的结果

"(?<!exp)"  匹配前面不是exp的位置

　　如 "abc123 " 正则 "(?<![0-9])123" 匹配"123"前面是非数字的结果也可写成"(?!<\\d)123"

 

 

分组的作用有两个： 

       n  将某些规律看成是一组，然后进行组级别的重复，可以得到意想不到的效果。

       n  分组之后，可以通过后向引用简化表达式。

 

       先来看第一个作用，对于IP地址的匹配，简单的可以写为如下形式：

       \\d{1,3}.\\d{1,3}.\\d{1,3}.\\d{1,3}

       但仔细观察，我们可以发现一定的规律，可以把.\\d{1,3}看成一个整体，也就是把他们看成一组，再把这个组重复3次即可。表达式如下：

       \\d{1,3}(.\\d{1,3}){3}

       这样一看，就比较简洁了。

      

再来看第二个作用，就拿匹配<title>xxx</title>标签来说，简单的正则可以这样写：

       <title>.*</title>

       可以看出，上边表达式中有两个title，完全一样，其实可以通过分组简写。表达式如下：

       <(title)>.*</\\1>

       这个例子实际上就是反向引用的实际应用。对于分组而言，整个表达式永远算作第0组，在本例中，第0组是<(title)>.*</\\1>，然后从左到右，依次为分组编号，因此，(title)是第1组。

       用\\1这种语法，可以引用某组的文本内容，\\1当然就是引用第1组的文本内容了，这样一来，就可以简化正则表达式，只写一次title，把它放在组里，然后在后边引用即可。

       以此为启发，我们可不可以简化刚刚的IP地址正则表达式呢？原来的表达式为\\d{1,3}(.\\d{1,3}){3}，里边的\\d{1,3}重复了两次，如果利用后向引用简化，表达式如下：

       (\\d{1,3})(.\\1){3}

       简单的解释下，把\\d{1,3}放在一组里，表示为(\\d{1,3})，它是第1组，(.\\1)是第2组，在第2组里通过\\1语法，后向引用了第1组的文本内容。

       经过实际测试，会发现这样写是错误的，为什么呢？

       小菜一直在强调，后向引用，引用的仅仅是文本内容，而不是正则表达式！

       也就是说，组中的内容一旦匹配成功，后向引用，引用的就是匹配成功后的内容，引用的是结果，而不是表达式。

       因此，(\\d{1,3})(.\\1){3}这个表达式实际上匹配的是四个数都相同的IP地址，比如：123.123.123.123。

谓断言，就是指明某个字符串前边或者后边，将会出现满足某种规律的字符串。

       就拿文章开篇的例子来说，我们想要的是xxx，它没有规律，但是它前边肯定会有<title>，后边肯定会有</title>，这就足够了。

       想指定xxx前肯定会出现<title>，就用正后发断言，表达式：(?<=<title>).*

       向指定xxx后边肯定会出现</title>，就用正先行断言，表达式：.*(?=</title>)

       两个加在一起，就是(?<=<title>).*(?=</title>)

       这样就能匹配到xxx。

      

       相信读者看到这，已经蒙了，不用急，待小菜慢慢讲来。

      

       其实掌握了规律，就很简单了，无论是先行还是后发，都是相对于xxx而言的，也就是相对于目标字符串而言。

       假如目标字符串后边有条件，可以理解为目标字符串在前，就用先行断言，放在目标字符串之后。

       假如目标字符串前边有条件，可以理解为目标字符串在后，就用后发断言，放在目标字符串之前。

       假如指定满足某个条件，就是正。

       假如指定不满足某个条件，就是负。

       断言只是条件，帮你找到真正需要的字符串，本身并不会匹配！

      

(?=X )	零宽度正先行断言。仅当子表达式 X 在 此位置的右侧匹配时才继续匹配。例如，/w+(?=/d) 与后跟数字的单词匹配，而不与该数字匹配。此构造不会回溯。
(?!X)	零宽度负先行断言。仅当子表达式 X 不在 此位置的右侧匹配时才继续匹配。例如，例如，/w+(?!/d) 与后不跟数字的单词匹配，而不与该数字匹配 。
(?<=X)	零宽度正后发断言。仅当子表达式 X 在 此位置的左侧匹配时才继续匹配。例如，(?<=19)99 与跟在 19 后面的 99 的实例匹配。此构造不会回溯。
(?<!X)	零宽度负后发断言。仅当子表达式 X 不在此位置的左侧匹配时才继续匹配。例如，(?<!19)99 与不跟在 19 后面的 99 的实例匹配

 

 

       从断言的表达形式可以看出，它用的就是分组符号，只不过开头都加了一个问号，这个问号就是在说这是一个非捕获组，这个组没有编号，不能用来后向引用，只能当做断言。