正則表達(dá)式30分鐘入門(mén)教程
正則表達(dá)式30分鐘入門(mén)教程
本文目標(biāo)
30分鐘內(nèi)讓你明白正則表達(dá)式是什么，并對(duì)它有一些基本的了解，讓你可以在自己的程序或網(wǎng)頁(yè)里使用它。
正則表達(dá)式30分鐘入門(mén)教程本文目標(biāo)如何使用本教程正則表達(dá)式到底是什么東西？入門(mén)測(cè)試正則表達(dá)式 元字符字符轉(zhuǎn)義重復(fù)字符類(lèi)分枝條件分組反義后向引用零寬斷言負(fù)向零寬斷言注釋貪婪與懶惰處理選項(xiàng)平衡組/遞歸匹配還有些什么東西沒(méi)提到聯(lián)系作者網(wǎng)上的資源及本文參考文獻(xiàn)
如何使用本教程
別被下面那些復(fù)雜的表達(dá)式嚇倒，只要跟著我一步一步來(lái)，你會(huì)發(fā)現(xiàn)正則表達(dá)式其實(shí)并沒(méi)有你想像中的那么困難。當(dāng)然，如果你看完了這篇教程之后，發(fā)現(xiàn)自己明白了很多，卻又幾乎什么都記不得，那也是很正常的——我認(rèn)為，沒(méi)接觸過(guò)正則表達(dá)式的人在看完這篇教程后，能把提到過(guò)的語(yǔ)法記住80%以上的可能性為零。這里只是讓你明白基本的原理，以后你還需要多練習(xí)，多使用，才能熟練掌握正則表達(dá)式。
最重要的是——請(qǐng)給我30分鐘，如果你沒(méi)有使用正則表達(dá)式的經(jīng)驗(yàn)，請(qǐng)不要試圖在30秒內(nèi)入門(mén)——除非你是超人 :)
除了作為入門(mén)教程之外，本文還試圖成為可以在日常工作中使用的正則表達(dá)式語(yǔ)法參考手冊(cè)。就作者本人的經(jīng)歷來(lái)說(shuō)，這個(gè)目標(biāo)還是完成得不錯(cuò)的——你看，我自己也沒(méi)能把所有的東西記下來(lái)，不是嗎？
清除格式 文本格式約定：專(zhuān)業(yè)術(shù)語(yǔ) 元字符/語(yǔ)法格式 正則表達(dá)式 正則表達(dá)式中的一部分(用于分析) 對(duì)其進(jìn)行匹配的源字符串 對(duì)正則表達(dá)式或其中一部分的說(shuō)明。
隱藏邊注 本文右邊有一些注釋?zhuān)饕怯脕?lái)提供一些相關(guān)信息，或者給沒(méi)有程序員背景的讀者解釋一些基本概念，通?？梢院雎?。
正則表達(dá)式到底是什么東西？
在編寫(xiě)處理字符串的程序或網(wǎng)頁(yè)時(shí)，經(jīng)常會(huì)有查找符合某些復(fù)雜規(guī)則的字符串的需要。正則表達(dá)式就是用于描述這些規(guī)則的工具。換句話說(shuō)，正則表達(dá)式就是記錄文本規(guī)則的代碼。
很可能你使用過(guò)Windows/Dos下用于文件查找的通配符(wildcard)，也就是 * 和 ? 。如果你想查找某個(gè)目錄下的所有的Word文檔的話，你會(huì)搜索 *.doc 。在這里，* 會(huì)被解釋成任意的字符串。和通配符類(lèi)似，正則表達(dá)式也是用來(lái)進(jìn)行文本匹配的工具，只不過(guò)比起通配符，它能更精確地描述你的需求——當(dāng)然，代價(jià)就是更復(fù)雜——比如你可以編寫(xiě)一個(gè)正則表達(dá)式，用來(lái)查找所有以0開(kāi)頭，后面跟著2-3個(gè)數(shù)字，然后是一個(gè)連字號(hào)“-”，最后是7或8位數(shù)字的字符串(像010-12345678或0376-7654321)。
字符是計(jì)算機(jī)軟件處理文字時(shí)最基本的單位，可能是字母，數(shù)字，標(biāo)點(diǎn)符號(hào)，空格，換行符，漢字等等。字符串是0個(gè)或更多個(gè)字符的序列。文本也就是文字，字符串。說(shuō)某個(gè)字符串匹配某個(gè)正則表達(dá)式，通常是指這個(gè)字符串里有一部分（或幾部分分別）能滿足表達(dá)式給出的條件。
入門(mén)
學(xué)習(xí)正則表達(dá)式的最好方法是從例子開(kāi)始，理解例子之后再自己對(duì)例子進(jìn)行修改，實(shí)驗(yàn)。下面給出了不少簡(jiǎn)單的例子，并對(duì)它們作了詳細(xì)的說(shuō)明。
假設(shè)你在一篇英文小說(shuō)里查找hi，你可以使用正則表達(dá)式 hi。
這幾乎是最簡(jiǎn)單的正則表達(dá)式了，它可以精確匹配這樣的字符串：由兩個(gè)字符組成，前一個(gè)字符是h,后一個(gè)是i。通常，處理正則表達(dá)式的工具會(huì)提供一個(gè)忽略大小寫(xiě)的選項(xiàng)，如果選中了這個(gè)選項(xiàng)，它可以匹配hi,HI,Hi,hI這四種情況中的任意一種。
不幸的是，很多單詞里包含hi這兩個(gè)連續(xù)的字符，比如him,history,high等等。用 hi 來(lái)查找的話，這里邊的hi也會(huì)被找出來(lái)。如果要精確地查找hi這個(gè)單詞的話，我們應(yīng)該使用 \bhi\b。
\b是正則表達(dá)式規(guī)定的一個(gè)特殊代碼（好吧，某些人叫它元字符，metacharacter），代表著單詞的開(kāi)頭或結(jié)尾，也就是單詞的分界處。雖然通常英文的單詞是由空格，標(biāo)點(diǎn)符號(hào)或者換行來(lái)分隔的，但是 \b 并不匹配這些單詞分隔字符中的任何一個(gè)，它只匹配一個(gè)位置。
假如你要找的是hi后面不遠(yuǎn)處跟著一個(gè)Lucy，你應(yīng)該用 \bhi\b.*\bLucy\b。
如果需要更精確的說(shuō)法, \b 匹配這樣的位置：它的前一個(gè)字符和后一個(gè)字符不全是(一個(gè)是,一個(gè)不是或不存在) \w。
這里，.是另一個(gè)元字符，匹配除了換行符以外的任意字符。*同樣是元字符，不過(guò)它代表的不是字符，也不是位置，而是數(shù)量——它指定*前邊的內(nèi)容可以連續(xù)重復(fù)使用任意次以使整個(gè)表達(dá)式得到匹配。因此，.*連在一起就意味著任意數(shù)量的不包含換行的字符?，F(xiàn)在 \bhi\b.*\bLucy\b 的意思就很明顯了：先是一個(gè)單詞hi,然后是任意個(gè)任意字符(但不能是換行)，最后是Lucy這個(gè)單詞。
如果同時(shí)使用其它元字符，我們就能構(gòu)造出功能更強(qiáng)大的正則表達(dá)式。比如下面這個(gè)例子：
0\d\d-\d\d\d\d\d\d\d\d匹配這樣的字符串：以0開(kāi)頭，然后是兩個(gè)數(shù)字，然后是一個(gè)連字號(hào)“-”，最后是8個(gè)數(shù)字(也就是中國(guó)的電話號(hào)碼。當(dāng)然，這個(gè)例子只能匹配區(qū)號(hào)為3位的情形)。
換行符就是'\n',ASCII編碼為10(十六進(jìn)制
0x0A)的字符。
這里的\d是個(gè)新的元字符，匹配一位數(shù)字(0，或1，或2，或……)。-不是元字符，只匹配它本身——連字符(或者減號(hào)，或者中橫線，或者隨你怎么稱呼它)。
為了避免那么多煩人的重復(fù)，我們也可以這樣寫(xiě)這個(gè)表達(dá)式：0\d{2}-\d{8}。 這里\d后面的{ 2 }({ 8 })的意思是前面 \d 必須連續(xù)重復(fù)匹配2次(8次)。
測(cè)試正則表達(dá)式
如果你不覺(jué)得正則表達(dá)式很難讀寫(xiě)的話，要么你是一個(gè)天才，要么，你不是地球人。正則表達(dá)式的語(yǔ)法很令人頭疼，即使對(duì)經(jīng)常使用它的人來(lái)說(shuō)也是如此。由于難于讀寫(xiě)，容易出錯(cuò)，所以找一種工具對(duì)正則表達(dá)式進(jìn)行測(cè)試是很有必要的。
其它可用的測(cè)試工具:
不同的環(huán)境下正則表達(dá)式的一些細(xì)節(jié)是不相同的，本教程介紹的是微軟 .Net Framework 4.0 下正則表達(dá)式的行為，所以，我向你推薦我編寫(xiě)的.Net下的工具 正則表達(dá)式測(cè)試器。請(qǐng)參考該頁(yè)面的說(shuō)明來(lái)安裝和運(yùn)行該軟件。
下面是Regex Tester運(yùn)行時(shí)的截圖：
元字符
現(xiàn)在你已經(jīng)知道幾個(gè)很有用的元字符了，如 \b, . , *, 還有\d.正則表達(dá)式里還有更多的元字符，比如\s匹配任意的空白符，包括空格，制表符(Tab)，換行符，中文全角空格等。\w 匹配字母或數(shù)字或下劃線或漢字等。
下面來(lái)看看更多的例子：
\ba\w*\b 匹配以字母 a 開(kāi)頭的單詞——先是某個(gè)單詞開(kāi)始處( \b )，然后是字母 a ,然后是任意數(shù)量的字母或數(shù)字( \w* )，最后是單詞結(jié)束處( \b )。
對(duì)中文/漢字的特殊處理是由.Net提供的正則表達(dá)式引擎支持的，其它環(huán)境下的具體情況請(qǐng)查看相關(guān)文檔。
好吧，現(xiàn)在我們說(shuō)說(shuō)正則表達(dá)式里的單詞是什么意思吧：就是不少于一個(gè)的連續(xù)的\w。不錯(cuò)，這與學(xué)習(xí)英文時(shí)要背的成千上萬(wàn)個(gè)同名的東西的確關(guān)系不大 :)
\d+ 匹配1個(gè)或更多連續(xù)的數(shù)字。這里的 + 是和 *類(lèi)似的元字符，不同的是 * 匹配重復(fù)任意次(可能是0次)，而 + 則匹配重復(fù)1次或更多次。
\b\w{6}\b 匹配剛好6個(gè)字符的單詞。
| 代碼 | 說(shuō)明 |
|---|---|
| . | 匹配除換行符以外的任意字符 |
| \w | 匹配字母或數(shù)字或下劃線或漢字 |
| \s | 匹配任意的空白符 |
| \d | 匹配數(shù)字 |
| \b | 匹配單詞的開(kāi)始或結(jié)束 |
| ^ | 匹配字符串的開(kāi)始 |
| $ | 匹配字符串的結(jié)束 |
元字符 ^（和數(shù)字6在同一個(gè)鍵位上的符號(hào)）和 $ 都匹配一個(gè)位置，這和 \b 有點(diǎn)類(lèi)似。 ^ 匹配你要用來(lái)查找的字符串的開(kāi)頭， $ 匹配結(jié)尾。這兩個(gè)代碼在驗(yàn)證輸入的內(nèi)容時(shí)非常有用，比如一個(gè)網(wǎng)站如果要求你填寫(xiě)的QQ號(hào)必須為5位到12位數(shù)字時(shí)，可以使用： ^\d{5,12}$。
這里的{ 5,12} 和前面介紹過(guò)的{ 2 }是類(lèi)似的，只不過(guò){ 2 }匹配只能不多不少重復(fù)2次，{ 5,12} 則是重復(fù)的次數(shù)不能少于5次，不能多于12次，否則都不匹配。
正則表達(dá)式引擎通常會(huì)提供一個(gè)“測(cè)試指定的字符串是否匹配一個(gè)正則表達(dá)式”的方法，如JavaScript里的
RegExp.test()方法或.NET里的Regex.IsMatch()方法。這里的匹配是指是字符串里有沒(méi)有符合表達(dá)式規(guī)則的部分。如果不使用 ^ 和 $ 的話，對(duì)于 \d{5,12} 而言，使用這樣的方法就只能保證字符串里包含5到12連續(xù)位數(shù)字，而不是整個(gè)字符串就是5到12位數(shù)字。
因?yàn)槭褂昧?/span> ^ 和 $，所以輸入的整個(gè)字符串都要用來(lái)和 \d{5,12} 來(lái)匹配，也就是說(shuō)整個(gè)輸入必須是5到12個(gè)數(shù)字，因此如果輸入的QQ號(hào)能匹配這個(gè)正則表達(dá)式的話，那就符合要求了。
和忽略大小寫(xiě)的選項(xiàng)類(lèi)似，有些正則表達(dá)式處理工具還有一個(gè)處理多行的選項(xiàng)。如果選中了這個(gè)選項(xiàng)， ^ 和 $的意義就變成了匹配行的開(kāi)始處和結(jié)束處。
字符轉(zhuǎn)義
如果你想查找元字符本身的話，比如你查找.,或者*,就出現(xiàn)了問(wèn)題：你沒(méi)辦法指定它們，因?yàn)樗鼈儠?huì)被解釋成別的意思。這時(shí)你就得使用\來(lái)取消這些字符的特殊意義。因此，你應(yīng)該使用 . 和 \* 。當(dāng)然，要查找\本身，你也得用 \\ .
例如： unibetter\.com 匹配 unibetter.com， >C:\Windows 匹配C:\Windows。
重復(fù)
你已經(jīng)看過(guò)了前面的 *, + ,{2} , {2,5} 這幾個(gè)匹配重復(fù)的方式了。下面是正則表達(dá)式中所有的限定符(指定數(shù)量的代碼，例如*,{5,12}等)：
| 代碼/語(yǔ)法 | 說(shuō)明 |
|---|---|
| * | 重復(fù)零次或更多次 |
| + | 重復(fù)一次或更多次 |
| ? | 重復(fù)零次或一次 |
| {n} | 重復(fù)n次 |
| {n,} | 重復(fù)n次或更多次 |
| {m,m} | 重復(fù)n到m次 |
下面是一些使用重復(fù)的例子：
Windows\d+匹配Windows后面跟1個(gè)或更多數(shù)字
^\w+匹配一行的第一個(gè)單詞(或整個(gè)字符串的第一個(gè)單詞，具體匹配哪個(gè)意思得看選項(xiàng)設(shè)置)
字符類(lèi)
要想查找數(shù)字，字母或數(shù)字，空白是很簡(jiǎn)單的，因?yàn)橐呀?jīng)有了對(duì)應(yīng)這些字符**的元字符，但是如果你想匹配沒(méi)有預(yù)定義元字符的字符**(比如元音字母a,e,i,o,u),應(yīng)該怎么辦？
很簡(jiǎn)單，你只需要在方括號(hào)里列出它們就行了，像 [aeiou]就匹配任何一個(gè)英文元音字母， [.?!] 匹配標(biāo)點(diǎn)符號(hào)(.或?或!)。
我們也可以輕松地指定一個(gè)字符范圍，像 [0-9] 代表的含意與 \d 就是完全一致的：一位數(shù)字；同理 [a-z0-9A-Z_] 也完全等同于 \w （如果只考慮英文的話）。
下面是一個(gè)更復(fù)雜的表達(dá)式： \(?0\d{2}[) -]?\d{8} 。
這個(gè)表達(dá)式可以匹配幾種格式的電話號(hào)碼，像(010)88886666，或022-22334455，或02912345678等。我們對(duì)它進(jìn)行一些分析吧：首先是一個(gè)轉(zhuǎn)義字符 \ (,它能出現(xiàn)0次或1次( ? ),然后是一個(gè) 0 ，后面跟著2個(gè)數(shù)字( \d{2} )，然后是)或-或 空格 中的一個(gè)，它出現(xiàn)1次或不出現(xiàn)( ? )，最后是8個(gè)數(shù)字( \d{8} )。
分枝條件
不幸的是，剛才那個(gè)表達(dá)式也能匹配010)12345678或(022-87654321這樣的“不正確”的格式。要解決這個(gè)問(wèn)題，我們需要用到分枝條件。正則表達(dá)式里的分枝條件指的是有幾種規(guī)則，如果滿足其中任意一種規(guī)則都應(yīng)該當(dāng)成匹配，具體方法是用|把不同的規(guī)則分隔開(kāi)。聽(tīng)不明白？沒(méi)關(guān)系，看例子：
0\d{2}-\d{8}|0\d{3}-\d{7} 這個(gè)表達(dá)式能 匹配兩種以連字號(hào)分隔的電話號(hào)碼：一種是三位區(qū)號(hào)，8位本地號(hào)(如010-12345678)，一種是4位區(qū)號(hào)，7位本地號(hào)(0376-2233445)。
\(0\d{2})[- ]?\d{8}|0\d{2}[- ]?\d{8} 這個(gè)表達(dá)式 匹配3位區(qū)號(hào)的電話號(hào)碼，其中區(qū)號(hào)可以用小括號(hào)括起來(lái)，也可以不用，區(qū)號(hào)與本地號(hào)間可以用連字號(hào)或空格間隔，也可以沒(méi)有間隔。你可以試試用分枝條件把這個(gè)表達(dá)式擴(kuò)展成也支持4位區(qū)號(hào)的。
\d{5}-\d{4}|\d{5} 這個(gè)表達(dá)式用于匹配美國(guó)的郵政編碼。美國(guó)郵編的規(guī)則是5位數(shù)字，或者用連字號(hào)間隔的9位數(shù)字。之所以要給出這個(gè)例子是因?yàn)樗苷f(shuō)明一個(gè)問(wèn)題：使用分枝條件時(shí)，要注意各個(gè)條件的順序。如果你把它改成 \d{5}|\d{5}-\d{4} 的話，那么就只會(huì)匹配5位的郵編(以及9位郵編的前5位)。原因是匹配分枝條件時(shí)，將會(huì)從左到右地測(cè)試每個(gè)條件，如果滿足了某個(gè)分枝的話，就不會(huì)去再管其它的條件了。
分組
我們已經(jīng)提到了怎么重復(fù)單個(gè)字符（直接在字符后面加上限定符就行了）；但如果想要重復(fù)多個(gè)字符又該怎么辦？你可以用小括號(hào)來(lái)指定子表達(dá)式(也叫做分組)，然后你就可以指定這個(gè)子表達(dá)式的重復(fù)次數(shù)了，你也可以對(duì)子表達(dá)式進(jìn)行其它一些操作(后面會(huì)有介紹)。
(\d{1,3}.){3}\d{1,3} 是一個(gè)簡(jiǎn)單的IP地址匹配表達(dá)式。要理解這個(gè)表達(dá)式，請(qǐng)按下列順序分析它： \d{1,3} 匹配1到3位的數(shù)字， (\d{1,3}\.){3} 匹配三位數(shù)字加上一個(gè)英文句號(hào)(這個(gè)整體也就是這個(gè)分組)重復(fù)3次，最后再加上一個(gè)一到三位的數(shù)字( \d{1,3} )。
不幸的是，它也將匹配256.300.888.999這種不可能存在的IP地址。如果能使用算術(shù)比較的話，或許能簡(jiǎn)單地解決這個(gè)問(wèn)題，但是正則表達(dá)式中并不提供關(guān)于數(shù)學(xué)的任何功能，所以只能使用冗長(zhǎng)的分組，選擇，字符類(lèi)來(lái)描述一個(gè)正確的IP地址： ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?) 。
IP 地址中每個(gè)數(shù)字都不能大于255，大家千萬(wàn)不要被《24》第三季的編劇給忽悠了……
理解這個(gè)表達(dá)式的關(guān)鍵是理解 2[0-4]\d|25[0-5]|[01]?\d\d? ，這里我就不細(xì)說(shuō)了，你自己應(yīng)該能分析得出來(lái)它的意義。
反義
有時(shí)需要查找不屬于某個(gè)能簡(jiǎn)單定義的字符類(lèi)的字符。比如想查找除了數(shù)字以外，其它任意字符都行的情況，這時(shí)需要用到反義：
| 代碼/語(yǔ)法 | 說(shuō)明 |
|---|---|
| \W | 匹配任意不是字母，數(shù)字，下劃線，漢字的字符 |
| \S | 匹配任意不是空白符的字符 |
| \D | 匹配任意非數(shù)字的字符 |
| \B | 匹配不是單詞開(kāi)頭或結(jié)束的位置 |
| [^x] | 匹配除了x以外的任意字符 |
| [^aeiou] | 匹配除了aeiou這幾個(gè)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[^>]+> 匹配用尖括號(hào)括起來(lái)的以a開(kāi)頭的字符串。
后向引用
使用小括號(hào)指定一個(gè)子表達(dá)式后，匹配這個(gè)子表達(dá)式的文本(也就是此分組捕獲的內(nèi)容)可以在表達(dá)式或其它程序中作進(jìn)一步的處理。默認(rèn)情況下，每個(gè)分組會(huì)自動(dòng)擁有一個(gè)組號(hào)，規(guī)則是：從左向右，以分組的左括號(hào)為標(biāo)志，第一個(gè)出現(xiàn)的分組的組號(hào)為1，第二個(gè)為2，以此類(lèi)推。
后向引用用于重復(fù)搜索前面某個(gè)分組匹配的文本。例如，\1 代表分組1匹配的文本。難以理解？請(qǐng)看示例：
\b(\w+)\b\s+\1\b 可以用來(lái)匹配重復(fù)的單詞，像go go, 或者kitty kitty。這個(gè)表達(dá)式首先是一個(gè)單詞，也就是單詞開(kāi)始處和結(jié)束處之間的多于一個(gè)的字母或數(shù)字 (\b(\w+)\b) ，這個(gè)單詞會(huì)被捕獲到編號(hào)為1的分組中，然后是1個(gè)或幾個(gè)空白符( \s+ )，最后是分組1中捕獲的內(nèi)容（也就是前面匹配的那個(gè)單詞）( \1 )。
呃……其實(shí),組號(hào)分配還不像我剛說(shuō)得那么簡(jiǎn)單：
- 分組0對(duì)應(yīng)整個(gè)正則表達(dá)式
- 實(shí)際上組號(hào)分配過(guò)程是要從左向右掃描兩遍的：第一遍只給未命名組分配，第二遍只給命名組分配－－因此所有命名組的組號(hào)都大于未命名的組號(hào)
- 你可以使用(?:exp)這樣的語(yǔ)法來(lái)剝奪一個(gè)分組對(duì)組號(hào)分配的參與權(quán)．
你也可以自己指定子表達(dá)式的組名。要指定一個(gè)子表達(dá)式的組名，請(qǐng)使用這樣的語(yǔ)法：( ?<Word>\w+ )(或者把尖括號(hào)換成'也行：( ?'Word'\w+ ),這樣就把 \w+ 的組名指定為 Word 了。要反向引用這個(gè)分組捕獲的內(nèi)容，你可以使用 \k<Word> ,所以上一個(gè)例子也可以寫(xiě)成這樣：\b(?<Word>\w+)\b\s+\k<Word>\b 。
使用小括號(hào)的時(shí)候，還有很多特定用途的語(yǔ)法。下面列出了最常用的一些：
xxxxxxxxxx分類(lèi) 代碼/語(yǔ)法 說(shuō)明-----------------------------------------------------------------------------------------(exp) 匹配exp,并捕獲文本到自動(dòng)命名的組里捕獲 (?<name>exp) 匹配exp,并捕獲文本到名稱為name的組里，也可以寫(xiě)成(?'name'exp)(?:exp) 匹配exp,不捕獲匹配的文本，也不給此分組分配組號(hào)-----------------------------------------------------------------------------------------(?=exp) 匹配exp前面的位置零寬斷言 (?<=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-----------------------------------------------------------------------------------------注釋 (?#comment) 這種類(lèi)型的分組不對(duì)正則表達(dá)式的處理產(chǎn)生任何影響，用于提供注釋
我們已經(jīng)討論了前兩種語(yǔ)法。第三個(gè)( ?:exp )不會(huì)改變正則表達(dá)式的處理方式，只是這樣的組匹配的內(nèi)容不會(huì)像前兩種那樣被捕獲到某個(gè)組里面，也不會(huì)擁有組號(hào)?！拔覟槭裁磿?huì)想要這樣做？”——好問(wèn)題，你覺(jué)得為什么呢？
零寬斷言
接下來(lái)的四個(gè)用于查找在某些內(nèi)容(但并不包括這些內(nèi)容)之前或之后的東西，也就是說(shuō)它們像 \b , ^ , $ 那樣用于指定一個(gè)位置，這個(gè)位置應(yīng)該滿足一定的條件(即斷言)，因此它們也被稱為零寬斷言。最好還是拿例子來(lái)說(shuō)明吧：
(?=exp) 也叫零寬度正預(yù)測(cè)先行斷言，它斷言自身出現(xiàn)的位置的后面能匹配表達(dá)式exp。比如 \b\w+(?=ing\b) ，匹配以ing結(jié)尾的單詞的前面部分(除了ing以外的部分)，如查找I'm
singing while you're
dancing.時(shí)，它會(huì)匹配sing和danc。
(?<=exp) 也叫零寬度正回顧后發(fā)斷言，它斷言自身出現(xiàn)的位置的前面能匹配表達(dá)式exp。比如( ?<=\bre)\w+\b 會(huì)匹配以re開(kāi)頭的單詞的后半部分(除了re以外的部分)，例如在查找reading
a book時(shí)，它匹配ading。
地球人，是不是覺(jué)得這些術(shù)語(yǔ)名稱太復(fù)雜，太難記了？我也有同感。知道有這么一種東西就行了，它叫什么，隨它去吧！人若無(wú)名，便可專(zhuān)心練劍；物若無(wú)名，便可隨意取舍……
斷言用來(lái)聲明一個(gè)應(yīng)該為真的事實(shí)。正則表達(dá)式中只有當(dāng)斷言為真時(shí)才會(huì)繼續(xù)進(jìn)行匹配。
假如你想要給一個(gè)很長(zhǎng)的數(shù)字中每三位間加一個(gè)逗號(hào)(當(dāng)然是從右邊加起了)，你可以這樣查找需要在前面和里面添加逗號(hào)的部分： ((?<=\d)\d{3})+\b ，用它對(duì)1234567890進(jìn)行查找時(shí)結(jié)果是234567890。
下面這個(gè)例子同時(shí)使用了這兩種斷言： (?<=\s)\d+(?=\s) 匹配以空白符間隔的數(shù)字(再次強(qiáng)調(diào)，不包括這些空白符)。
負(fù)向零寬斷言
前面我們提到過(guò)怎么查找不是某個(gè)字符或不在某個(gè)字符類(lèi)里的字符的方法(反義)。但是如果我們只是想要確保某個(gè)字符沒(méi)有出現(xiàn)，但并不想去匹配它時(shí)怎么辦？例如，如果我們想查找這樣的單詞--它里面出現(xiàn)了字母q,但是q后面跟的不是字母u,我們可以嘗試這樣：
\b\w*q[^u]\w*\b 匹配包含后面不是字母u的字母q的單詞。但是如果多做測(cè)試(或者你思維足夠敏銳，直接就觀察出來(lái)了)，你會(huì)發(fā)現(xiàn)，如果q出現(xiàn)在單詞的結(jié)尾的話，像Iraq,Benq，這個(gè)表達(dá)式就會(huì)出錯(cuò)。這是因?yàn)?/span>[^u]總要匹配一個(gè)字符，所以如果q是單詞的最后一個(gè)字符的話，后面的[^u] 將會(huì)匹配q后面的單詞分隔符(可能是空格，或者是句號(hào)或其它的什么)，后面的 \w*\b 將會(huì)匹配下一個(gè)單詞，于是 \b\w*q[^u]\w*\b 就能匹配整個(gè)Iraq fighting。負(fù)向零寬斷言能解決這樣的問(wèn)題，因?yàn)樗黄ヅ湟粋€(gè)位置，并不消費(fèi)任何字符?，F(xiàn)在，我們可以這樣來(lái)解決這個(gè)問(wèn)題： \b\w*q(?!u)\w*\b 。
零寬度負(fù)預(yù)測(cè)先行斷言 (?!exp) ，斷言此位置的后面不能匹配表達(dá)式exp。例如：\d{3}(?!\d) 匹配三位數(shù)字，而且這三位數(shù)字的后面不能是數(shù)字； \b((?!abc)\w)+\b 匹配不包含連續(xù)字符串abc的單詞。
同理，我們可以用 (?<!exp),零寬度負(fù)回顧后發(fā)斷言來(lái)斷言此位置的前面不能匹配表達(dá)式exp： (?<![a-z])\d{7} 匹配前面不是小寫(xiě)字母的七位數(shù)字。
一個(gè)更復(fù)雜的例子： (?<=<(\w+)>).*(?=<\/\1>) 匹配不包含屬性的簡(jiǎn)單HTML標(biāo)簽內(nèi)里的內(nèi)容。(?<=<(\w+)>) 指定了這樣的前綴：被尖括號(hào)括起來(lái)的單詞(比如可能是<b>)，然后是 .* (任意的字符串),最后是一個(gè)后綴 (?=<\/\1>) 。注意后綴里的\/ ，它用到了前面提過(guò)的字符轉(zhuǎn)義；\1 則是一個(gè)反向引用，引用的正是捕獲的第一組，前面的 (\w+) 匹配的內(nèi)容，這樣如果前綴實(shí)際上是<b>的話，后綴就是</b>了。整個(gè)表達(dá)式匹配的是<b>和</b>之間的內(nèi)容(再次提醒，不包括前綴和后綴本身)。
請(qǐng)?jiān)敿?xì)分析表達(dá)式 (?<=<(\w+)>).*(?=<\/\1>) ，這個(gè)表達(dá)式最能表現(xiàn)零寬斷言的真正用途。
注釋
小括號(hào)的另一種用途是通過(guò)語(yǔ)法 (?#comment) 來(lái)包含注釋。例如： 2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199) 。
要包含注釋的話，最好是啟用“忽略模式里的空白符”選項(xiàng)，這樣在編寫(xiě)表達(dá)式時(shí)能任意的添加空格，Tab，換行，而實(shí)際使用時(shí)這些都將被忽略。啟用這個(gè)選項(xiàng)后，在#后面到這一行結(jié)束的所有文本都將被當(dāng)成注釋忽略掉。例如，我們可以前面的一個(gè)表達(dá)式寫(xiě)成這樣：
| (?<= | # 斷言要匹配的文本的前綴 |
| <(\w+)> | # 查找尖括號(hào)括起來(lái)的字母或數(shù)字(即HTML/XML標(biāo)簽) |
| ) | # 前綴結(jié)束 |
| .* | # 匹配任意文本 |
| (?= | # 斷言要匹配的文本的后綴 |
| <\/\1> | # 查找尖括號(hào)括起來(lái)的內(nèi)容：前面是一個(gè)"/"，后面是先前捕獲的標(biāo)簽 |
| ) | # 后綴結(jié)束 |
貪婪與懶惰
當(dāng)正則表達(dá)式中包含能接受重復(fù)的限定符時(shí)，通常的行為是（在使整個(gè)表達(dá)式能得到匹配的前提下）匹配盡可能多的字符。以這個(gè)表達(dá)式為例：a.*b ，它將會(huì)匹配最長(zhǎng)的以a開(kāi)始，以b結(jié)束的字符串。如果用它來(lái)搜索aabab的話，它會(huì)匹配整個(gè)字符串aabab。這被稱為貪婪匹配。
有時(shí)，我們更需要懶惰匹配，也就是匹配盡可能少的字符。前面給出的限定符都可以被轉(zhuǎn)化為懶惰匹配模式，只要在它后面加上一個(gè)問(wèn)號(hào) ? 。這樣 .*? 就意味著匹配任意數(shù)量的重復(fù)，但是在能使整個(gè)匹配成功的前提下使用最少的重復(fù)?，F(xiàn)在看看懶惰版的例子吧：
a.*?b 匹配最短的，以a開(kāi)始，以b結(jié)束的字符串。如果把它應(yīng)用于aabab的話，它會(huì)匹配aab（第一到第三個(gè)字符）和 ab（第四到第五個(gè)字符）。
| 代碼/語(yǔ)法 | 說(shuō)明 |
|---|---|
| *? | 重復(fù)任意次，但盡可能少重復(fù) |
| +? | 重復(fù)1次或更多次，但盡可能少重復(fù) |
| ?? | 重復(fù)0次或1次，但盡可能少重復(fù) |
| {n,m}? | 重復(fù)n到m次，但盡可能少重復(fù) |
| {n,}? | 重復(fù)n次以上，但盡可能少重復(fù) |
為什么第一個(gè)匹配是aab（第一到第三個(gè)字符）而不是ab（第二到第三個(gè)字符）？簡(jiǎn)單地說(shuō)，因?yàn)檎齽t表達(dá)式有另一條規(guī)則，比懶惰／貪婪規(guī)則的優(yōu)先級(jí)更高：最先開(kāi)始的匹配擁有最高的優(yōu)先權(quán)——The match that begins earliest wins。
處理選項(xiàng)
上面介紹了幾個(gè)選項(xiàng)如忽略大小寫(xiě)，處理多行等，這些選項(xiàng)能用來(lái)改變處理正則表達(dá)式的方式。下面是.Net中常用的正則表達(dá)式選項(xiàng)：
| 名稱 | 說(shuō)明 |
|---|---|
IgnoreCase(忽略大小寫(xiě)) |
匹配時(shí)不區(qū)分大小寫(xiě) |
Multiline(多行模式) |
更改 ^ 和 $ 的含義，使它們分別在任意一行的行首和行尾匹配，而不僅僅在整個(gè)字符串的開(kāi)頭和結(jié)尾匹配。(在此模式下, $ 的精確含意是:匹配\n之前的位置以及字符串結(jié)束前的位置.) |
Singleline(單行模式) |
更改.的含義，使它與每一個(gè)字符匹配（包括換行符\n） |
IgnorePatternWhitespace(忽略空白) |
忽略表達(dá)式中的非轉(zhuǎn)義空白并啟用由 # 標(biāo)記的注釋 |
ExplicitCapture(顯式捕獲) |
僅捕獲已被顯式命名的組 |
一個(gè)經(jīng)常被問(wèn)到的問(wèn)題是：是不是只能同時(shí)使用多行模式和單行模式中的一種？答案是：不是。這兩個(gè)選項(xiàng)之間沒(méi)有任何關(guān)系，除了它們的名字比較相似（以至于讓人感到疑惑）以外。
在C#中，你可以使用Regex(String, RegexOptions)構(gòu)造函數(shù)來(lái)設(shè)置正則表達(dá)式的處理選項(xiàng)。如：Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);
平衡組/遞歸匹配
有時(shí)我們需要匹配像( 100 * ( 50 + 15 ) )這樣的可嵌套的層次性結(jié)構(gòu)，這時(shí)簡(jiǎn)單地使用 \(.+\) 則只會(huì)匹配到最左邊的左括號(hào)和最右邊的右括號(hào)之間的內(nèi)容(這里我們討論的是貪婪模式，懶惰模式也有下面的問(wèn)題)。假如原來(lái)的字符串里的左括號(hào)和右括號(hào)出現(xiàn)的次數(shù)不相等，比如( 5 / ( 3 + 2 ) ) )，那我們的匹配結(jié)果里兩者的個(gè)數(shù)也不會(huì)相等。有沒(méi)有辦法在這樣的字符串里匹配到最長(zhǎng)的，配對(duì)的括號(hào)之間的內(nèi)容呢？
這里介紹的平衡組語(yǔ)法是由.Net Framework支持的；其它語(yǔ)言／庫(kù)不一定支持這種功能，或者支持此功能但需要使用不同的語(yǔ)法。
為了避免 ( 和 \( 把你的大腦徹底搞糊涂，我們還是用尖括號(hào)代替圓括號(hào)吧。現(xiàn)在我們的問(wèn)題變成了如何把xx aa> yy這樣的字符串里，最長(zhǎng)的配對(duì)的尖括號(hào)內(nèi)的內(nèi)容捕獲出來(lái)？
這里需要用到以下的語(yǔ)法構(gòu)造：
(?'group') 把捕獲的內(nèi)容命名為group,并壓入堆棧(Stack)
(?'-group') 從堆棧上彈出最后壓入堆棧的名為group的捕獲內(nèi)容，如果堆棧本來(lái)為空，則本分組的匹配失敗
(?(group)yes|no) 如果堆棧上存在以名為group的捕獲內(nèi)容的話，繼續(xù)匹配yes部分的表達(dá)式，否則繼續(xù)匹配no部分
(?!) 零寬負(fù)向先行斷言，由于沒(méi)有后綴表達(dá)式，試圖匹配總是失敗
我們需要做的是每碰到了左括號(hào)，就在壓入一個(gè)"Open",每碰到一個(gè)右括號(hào)，就彈出一個(gè)，到了最后就看看堆棧是否為空－－如果不為空那就證明左括號(hào)比右括號(hào)多，那匹配就應(yīng)該失敗。正則表達(dá)式引擎會(huì)進(jìn)行回溯(放棄最前面或最后面的一些字符)，盡量使整個(gè)表達(dá)式得到匹配。
如果你不是一個(gè)程序員（或者你自稱程序員但是不知道堆棧是什么東西），你就這樣理解上面的三種語(yǔ)法吧：第一個(gè)就是在黑板上寫(xiě)一個(gè)"group"，第二個(gè)就是從黑板上擦掉一個(gè)"group"，第三個(gè)就是看黑板上寫(xiě)的還有沒(méi)有"group"，如果有就繼續(xù)匹配yes部分，否則就匹配no部分。
xxxxxxxxxx< #最外層的左括號(hào)[^<>]* #最外層的左括號(hào)后面的不是括號(hào)的內(nèi)容 ( ( (?'Open'<) #碰到了左括號(hào)，在黑板上寫(xiě)一個(gè)"Open" [^<>]* #匹配左括號(hào)后面的不是括號(hào)的內(nèi)容 )+ ( (?'-Open'>) #碰到了右括號(hào)，擦掉一個(gè)"Open" [^<>]* #匹配右括號(hào)后面不是括號(hào)的內(nèi)容 )+ )* (?(Open)(?!)) #在遇到最外層的右括號(hào)前面，判斷黑板上還有沒(méi)有沒(méi)擦掉的"Open"；如果還有，則匹配失敗? > #最外層的右括號(hào)平衡組的一個(gè)最常見(jiàn)的應(yīng)用就是匹配HTML,下面這個(gè)例子可以匹配嵌套的<div>標(biāo)簽： <div[^>]*>[^<>]*(((?'Open']*>)[^<>]*)+((?'-Open')[^<>]*)+)*(?(Open)(?!))</div>
還有些什么東西沒(méi)提到
上邊已經(jīng)描述了構(gòu)造正則表達(dá)式的大量元素，但是還有很多沒(méi)有提到的東西。下面是一些未提到的元素的列表，包含語(yǔ)法和簡(jiǎn)單的說(shuō)明。你可以在網(wǎng)上找到更詳細(xì)的參考資料來(lái)學(xué)習(xí)它們--當(dāng)你需要用到它們的時(shí)候。如果你安裝了MSDN Library,你也可以在里面找到.net下正則表達(dá)式詳細(xì)的文檔。
| 代碼/語(yǔ)法 | 說(shuō)明 |
|---|---|
| \a | 報(bào)警字符(打印它的效果是電腦嘀一聲) |
| \b | 通常是單詞分界位置，但如果在字符類(lèi)里使用代表退格 |
| \t | 制表符，Tab |
| \r | 回車(chē) |
| \v | 豎向制表符 |
| \f | 換頁(yè)符 |
| \n | 換行符 |
| \e | Escape |
| \0nn | ASCII代碼中八進(jìn)制代碼為nn的字符 |
| \xnn | ASCII代碼中十六進(jìn)制代碼為nn的字符 |
| \unnnn | Unicode代碼中十六進(jìn)制代碼為nnnn的字符 |
| \cN | ASCII控制字符。比如\cC代表Ctrl+C |
| \A | 字符串開(kāi)頭(類(lèi)似^，但不受處理多行選項(xiàng)的影響 |
| \Z | 字符串結(jié)尾或行尾(不受處理多行選項(xiàng)的影響) |
| \z | 字符串結(jié)尾(類(lèi)似$，但不受處理多行選項(xiàng)的影響) |
| \G | 當(dāng)前搜索的開(kāi)頭 |
| \p{name} | Unicode中命名為name的字符類(lèi)，例如\p{IsGreek} |
| (?>exp) | 貪婪子表達(dá)式 |
| (?<x>-<y>exp) | 平衡組 |
| (?im-nsx:exp) | 在子表達(dá)式exp中改變處理選項(xiàng) |
| (?im-nsx) | 為表達(dá)式后面的部分改變處理選項(xiàng) |
| (?(exp)yes|no) | 把exp當(dāng)作零寬正向先行斷言，如果在這個(gè)位置能匹配，使用yes作為此組的表達(dá)式；否則使用no |
| (?(exp)yes) | 同上，只是使用空表達(dá)式作為no |
| (?(name)yes|no) | 如果命名為name的組捕獲到了內(nèi)容，使用yes作為表達(dá)式；否則使用no |
| (?(name)yes) | 同上，只是使用空表達(dá)式作為no |
聯(lián)系作者
好吧,我承認(rèn),我騙了你,讀到這里你肯定花了不止30分鐘.相信我,這是我的錯(cuò),而不是因?yàn)槟闾?我之所以說(shuō)"30分鐘",是為了讓你有信心,有耐心繼續(xù)下去.既然你看到了這里,那證明我的陰謀成功了.被忽悠的感覺(jué)很爽吧？
要投訴我,或者覺(jué)得我其實(shí)可以忽悠得更高明,或者有任何其它問(wèn)題,歡迎來(lái)我的博客讓我知道.
網(wǎng)上的資源及本文參考文獻(xiàn)
您最近使用了：