深入入门正则表达式（java） - 1 - 入门基础

1.元字符

 

很多人对正则表达式的印象就是乱码。。许许多多的符号组合在一起，偶见单词，正则确实是这样的，所以下面我们要看看这些符号都是什么意思

 

有些符号不是大家看到的字面上的意思：比如“.”、“!”、“?” ……

 

这些符号就称之为元字符

 

 

 

很遗憾，这些字符的意义必须牢记

 

注意：本文的所有红色加粗中文引号内的内容均为正则表达式，而不是一般的字符和符号

 

 

 

下面我们逐一说明

 

“\” ：转义符号，在字符组内依然是元字符。

 

 

 

在检查一行文本时

 

“^” ：脱字符：表示一行的开始

 

“$” ：美元符号：表示一行的结束

 

 

 

字符组

 

“[]” ：一对中括号，里面可以添加任何内容，比如[hate]，括号里面的内容是或者的关系，这个正则的意义是：我想匹配一个字符，这个字符可以是h，可以是a，也可以是t或e。

 

记住：字符组最终只会匹配一个字符。 即使你的目标字符串是hate，那么一次匹配成功的结果也只是第一个字母h，并不是整个单词，如果我就想匹配hate这个单词怎么办？很容易，正则内容为“hate”，在字符组外面的字符的关系是“和，并且”的意思。

 

 

 

注意：字符组内的元字符和字符组外的元字符并不一样，即使字符一样，表示的意义也未必相同 （*）

 

我们先学习下一个内容，然后再来给大家解释上面的这句话

 

 

 

“[^]” ：括号里面以“^”开头，是字符组的否定形式 ，比如：[^hate]表示：匹配除了h、a、t、e以外的其他字符，依然只会匹配一个字符

 

之前刚刚学过“^”表示一行的开始，但是脱字符位于[]内的起始位置则表示否定，这也解释了（*） 的内容

 

如果脱字符位于括号内其他位置表示什么呢？那它表示它自己，此时并不再是一个元字符

 

 

 

“-” ：减号，可以在字符组内表示区间、范围。比如“[a-z]”，表示匹配a到z直接的任意一个小写字母，如果是“[-z]”，那么“-”只表示它自己，没有任何特殊意义，它在字符组外也没有任何特殊意义。

 

ps：关于“^”、“$”、“-”的其他用法将在高级基础篇讲述

 

 

 

“.” ：点号，匹配一个任意字符的字符组简便写法。“.”在字符组内没不是元字符

 

ps：“.”也不是万能的，有些字符无法匹配，之后会详细解释并给出替代方案

 

 

 

“|” ：竖线，表示或者，这个很容易记忆，如果想匹配hate或者like，那么正则为：“hate|like”

 

注意：如果想匹配I hate you和I like you。那么正则为：“I (hate|like) you”。如果写成“I hate|like you”，那么匹配的结果为“I hate”或者是“like you”了

 

这里圆括号的作用是控制竖线的作用范围，“()”有很多作用，稍后再说

 

（对于传统NFA来说，选择结构是按顺序的，并不是匹配优先也不是忽略优先，关于NFA请参看 深入入门正则表达式（java） - 匹配原理 - 1 - 引擎分类与普适原则 ）

 

 

 

“\b” ：它的作用是单词分隔符，如果我想匹配like，那么正则为“like”，没错，但是会得到一些我不想要的结果，比如likely也会跑到结果集中，我可不想要这些单词。那么修改正则为：“\blike\b”，这回就只能匹配like这个单词了。

 

注意：java中的单词分隔符为“\b”，有些语言的单词分隔符为“\<” 和“\>” 。

 

单词边界是什么呢？其实正则没有那么聪明，它不会识别“Ilikeyou”为“I like you”，它只是找到数字和字母的起始位置和结束位置而已

 

 

 

“\w” ：单词字符。在java中相当于“[a-zA-Z0-9_]”。 但是java中的“\b”却支持Unicode字符。

 

 

 

下面我们来看看正则中的“数字” - 量词

 

“?” ：表示0个至1个

 

“*” ：表示0个至任意多个

 

“+” ：表示至少一个

 

“{min,max}” ：区间量词。“{2,5}”，表示匹配2到5次。“{2,}”表示至少两次，“{2}”表示只匹配两次。 “{,2}”，正则错误，无意义

 

举个例子：正如上面的反面教程所说，如果想匹配一个正整数，那么应该如何来做

 

首先我们需要明确：我不想匹配0123，只想匹配123这样的数字，0不能开头，第二个要求就是除了数字不能有其他字符了

 

之前我们学过字符组了，“[0-9]”可以表示0至9中任意一个数字，那么根据上面的量词，我们改正则为“[0-9]+”，表示至少有一个数字，至 多没有限制。但是0123这样的数字也会满足要求。那么我们再修改一下，首先第一位不能为0，那么这一位可以写为“[1-9]”，表示匹配1到9的任何一 个数字，之后呢？后面的数字有没有都无所谓了，有，那就是多位数，没有，那就是一位数。所以正则为“[1-9][0-9]*”。

 

 

 

贪婪与懒惰

我们再来看一个量词的例子。比如我想匹配一个单词，正则可以这么写“[a-zA-Z]+”。

RegexBuddy每次匹配颜色交叉，就能知道每次都匹配到的是什么了

 

我们来看第一次的结果，是“there”

 

有个问题就出来了：“\w+”表示至少一个“\w”，那么为什么结果不是“t”、“h”、“e”、“r”、“e”，而是“there”。

 

上面的量词，除了“{times}”这种指定匹配次数的，其余默认均为贪婪匹配。也就是说尽可能多的匹配。

 

相对的就有惰性匹配，那么惰性匹配如何使用？

 

下面修改一下例子：“\w*e”表示以e结尾的单词，现在这里的*还是贪婪匹配。

如果我想匹配到单词中的第一个e，那么如何修改呢？

还是来看there，这回“\w+”只匹配了“th”，并没有匹配到“ther”才停止。

 

惰性匹配就是尽可能少的匹配，使用方法就是在量词后面加上“?”

 

如果量词后面没有“?”等其他量词，那么就是默认的贪婪匹配。

 

 

 

“?”，“*”，“+”：也叫匹配优先量词

 

“*?”，“+?”，“??”：也叫忽略优先量词

 

 

 

其实还有一种量词：

 

“?+”，“*+”，“++”：占有优先量词 。 （支持这种量词的正则引擎很少，java支持）

 

这节不讨论这种类型量词，之后的章节讨论

 

 

 

() ：将括号里面的内容作为一个独立的单元，理解为一组。

 

 

 

反向引用

 

“\”+数字 ：好多语言能记住“()”里面匹配到的内容，比如java。如果我只想使用“()”匹配到的内容，那么可以使用反向引用。

 

比如我想找两个一样的单词，总有不小心写错的时候，可能会出现hate hate这样的时候，那么正则应该如何书写呢？

 

“(hate) \1”

 

这样就能匹配到了

 

 

 

通常我们不只局限于一个单词，那么我们可以写为：“([a-zA-Z]+) \1”,这样也能找到hate hate形式的错误。

 

注意：这里([a-zA-Z]+)表示至少一个英文字母，后面的\1不表示至少一个英文字母，而是表示说与()匹配的结果一致！ “([a-zA-Z]+) \1”不是“([a-zA-Z]+) ([a-zA-Z]+)”的简写

 

比如：目标字符串为likely like，“([a-zA-Z]+) ”会匹配到likely和一个空格，“\1”不会匹配“([a-zA-Z]+)”，因为之前括号的结果不是like，所以这次查找失败，无结果。

 

 

 

反向引用中的数字的确定

 

例如“((\d)(\d))\d”来匹配123这个数字。那么“\1”的结果是遇见的第一个括号，就是最外面的，“\1”结果为12。按着顺序“\2”结果为1，“\3”结果为2

 

 

 

最后再说下“()” ，反向引用 的开始已经说出了括号的另一个作用，那就是保存捕获的内容，这种类型的括号叫做捕获型括号 ，相对应的就有非捕获型括号“(?:)”

 

 

 

“(?:)” ：非捕获型括号。“(?:hate)”会匹配到hate这个字符串，但是如果你企图使用反向引用“(?:hate) \1”，那么就会出现错误。这样的操作是非法的。

 

注意：非捕获型括号不影响捕获计数 ，获取“((?:\d)(\d))”中的“(\d)”捕获的内容为\2，不再是\3

 

好处：

 

1.提高效率，很容易理解，不记住捕获的内容也就不占用内存了

 

2.结构清晰

 

 

 

常用空白字符

 

“\s” ：表示所有空白字符。

 

“\t” ：制表符。

 

“\n” ：换行符。

 

“\r” ：回车。

 

 

 

一些其他常用的缩略表示

 

“\S” ：除“\s”之外的任何字符

 

“ \ w” ：等同于[a-zA-Z0-9_]

 

“ \W ” ：除“\w”之外的任何字符

 

“ \ d” ：等同于[0-9]

 

“ \ D” ：除“d”之外的任何字符

 

有些工具不支持，比如EditPlus v3.10 中的查找就不支持\d等。

 

 

 

环视（零宽断言）

 

环视分为顺序和逆序，肯定和否定，组合一下一共4种。下面就看看环视到底是什么

 

“(?=)” ：顺序肯定环视：（从左至右）查看文本，如果能够匹配，就返回匹配成功信息。

 

“(?<=)” ：逆序肯定环视：（从右至左）查看文本，如果能够匹配，就返回匹配成功信息。

 

“(?!)” ：顺序否定环视：（从左至右）查看文本，如果不能够匹配，就返回匹配成功信息。

 

“(?<!)” ：逆序否定环视：（从右至左）查看文本，如果不能够匹配，就返回匹配成功信息。

 

 

 

下面看几个简单的实例，然后就很容易明白上面的火星语了

 

例：下面有两句话，加入你只想找到book，不想找到books

 

there is a book on the desk.
there are some books on the desk.

 

最简单的办法是：“book\b”，这很容易理解，book后面跟着单词分隔符，book后面如果是s，那么肯定被认为是一个单词，所以这样不会匹配到books。如果用环视，应该如何书写呢

正则中的book很好理解，依次匹配b、o、o、k，然后呢，\w在上面说过等同于[a-zA-Z0-9]，“(?!\w)”是说：我要找这样一个位置，这个位置的后面不能是\w。

 

第一句话中，在匹配了book后，发现紧跟的是一个空格，恩，不是\w中的内容，匹配成功。

 

 

 

注意：环视不会占用字符！环视查找的是字符与字符之间的位置。

 

环视括号并没有捕获字符的功效，所以不能使用反向引用。

 

 

上图画三角号的位置就是这个环视匹配的位置

 

 

如果想匹配books的book怎么办，很简单“book(?=s)”

上面演示了肯定顺序环视和否定顺序环视。下面演示了环视不占用字符。

比较容易理解吧，这个例子没有任何实际意义，仅做演示用

之后会给出一些有意义的例子

 

 

2.正则模式与匹配模式

此部分内容基本来自《精通正则表达式》 v3

1.忽略大小写模式： （java中使用Pattern.CASE_INSENSITIVE）

2.宽松排列与注释模式： 此模式会忽略字符组外部的所有空白字符 ，但是在java.util.regex中，字符组之外的所有空白字符并非都被忽略，而是作为一个“无意义字符（do-nothing metacharacter）” 。正则“\12 3”表“3”在“\12”之后，而非表示“\123”（java中使用Pattern.COMMENTS）

ps：“空白字符”的定义取决于所采用的字符编码的定义，以及此编码对空白字符的支持程度。大多数程序只能识别ASCII的空白字符。

3.点号通配模式（单行模式）： （dot-match-all match mode）通常点号是不能匹配换行符的。 但是在java中情况特殊：在sun的正则表达式包，点号能够匹配未使用此模式时点号不能匹配的所有单字符Unicode行终止符。 （java中使用Pattern.DOTALL ）

符：Unicode行终止符

字符

描述

LF	U+000A
VT	U+000B
FF	U+000C
CR	U+000D
CR/LF	U+000D U+000A
NEL	U+0085
LS	U+2028
PS	U+2029

ASCII 换行符

ASCII 垂直制表符

ASCII 进纸符

ASCII 回车

ASCII 回车/换行

Unicode 换行

Unicode 行分隔符

Unicode 段分隔符

4.增强的锚点模式（多行文本模式）： （Enhanced line-anchor match mode）此模式影响“^”和“$”的匹配。 通常情况下“^”不能匹配字符串内部的换行符，而只能匹配目标字符串的起始位置。在此增强模式下，它能够匹配字符串中内嵌的文本行的开头位置。“$”也是这样，此模式下可以匹配字符串内部的换行符。这里可能不是很好理解，之后的实例会介绍，其中还包括“\A”，“\Z” 和“\z” 的意义（java中使用Pattern.CASE_INSENSITIVE）

5.文字文本模式： 此模式几乎不能识别任何元字符 。比如此模式下正则“[a-z]+” 匹配的就是字符串“[a-z]+”而并不是连续的小写英文字母（java中使用Pattern.CASE_INSENSITIVE）

 

上面的几种模式如果没有理解，可以看之后的教程。

将会在基本实例和高级基础中讨论。