- 浏览: 734897 次
- 性别:
- 来自: 嘉兴
文章分类
- 全部博客 (386)
- Struts1.1 (2)
- Database (18)
- Core Java (15)
- Log4j (4)
- SSH (0)
- Dao (1)
- Architecture Design (1)
- References (2)
- Eclipse&MyEclipse (10)
- Hibernate (7)
- Spring (8)
- JavaMail (1)
- Data Structure And Algorithm (48)
- Struts 2 (2)
- SSI (1)
- SSL (2)
- JSTL (1)
- EJB3 (2)
- NET (2)
- XML (2)
- Components (2)
- Ant (3)
- Multi Thread (1)
- Performance Monitoring (1)
- Web Server (17)
- Oracle (1)
- jQuery (8)
- Regular Expression (1)
- Weblogic (1)
- Exception (1)
- Security (2)
- File Manipulation (1)
- JavaScript (12)
- JVM (2)
- HTML&DIV&CSS (4)
- Android (10)
- Beyond GFW (0)
- Business (0)
- SVN (6)
- 虚拟主机 (1)
- Virtual Host (3)
- My mentality (5)
- OS (15)
- ISPMP (3)
- Magento (5)
- Jsoup&HttpClient (7)
- LINUX (9)
- Database Design (0)
- Power Designer (1)
- TaobaoOpenPlatform (2)
- C/C++ (3)
- Maven (11)
- Quartz (1)
- Load Balance (1)
- Zabbix (4)
- Product&Business (1)
- Pay Interface (1)
- Tomcat (2)
- Redis (1)
- 集群 (1)
- Session (1)
- 共享Session (1)
- Jedis (1)
- jenkins (1)
- 持续集成 (1)
- Web前端 (1)
最新评论
-
aqq331325797:
特意注册账号上来说一句。牛逼!
swagger2.2.2 与 spring cloud feign冲突 -
KitGavinx:
跨顶级域名怎么保持sessionid一致?
Tomcat7集群共享Session 基于redis进行统一管理 -
jaychang:
dujianqiao 写道HI ,能否给一个完整的demo 啊 ...
淘宝订单同步方案 - 丢单终结者 -
GGGGeek:
找了一会儿,感觉mybatis应该没有这种操作,直到发现博主的 ...
mybatis collection list string -
dujianqiao:
HI ,能否给一个完整的demo 啊 ?
淘宝订单同步方案 - 丢单终结者
转自:http://deerchao.net/tutorials/regex/regex.htm
目录
- 本文目标
- 如何使用本教程
- 正则表达式到 底是什么东西?
- 入门
- 测试正则表达式
- 元字符
- 字符转义
- 重复
- 字符类
- 分枝条件
- 反义
- 分组
- 后向引用
- 零宽断言
- 负 向零宽断言
- 注释
- 贪婪与懒惰
- 处理选项
- 平衡组/递 归匹配
- 还 有些什么东西没提到
- 联系作者
- 最 后,来点广告……
- 网上的资源及本文参 考文献
- 更新纪录
本文目标
30分钟内让你明白正则表达式是什么,并对它有一些基本的了解,让你可以在自己的程序或网页里使用它。
如何使用本教程
最重要的是——请给我30分钟 , 如果你没有使用正则表达式的经验,请不要试图在30秒 内入门——除非你是超人 :)
别被下面那些复杂的表达式吓倒,只要跟着我一步一步来,你会发现正则表达式其实并没有 你 想像中的那么困难。当然,如果你看完了这篇教程之后,发现自己明白了很多,却又几乎什么都记不得,那也是很正常的——我认为,没接触过正则表达式的人在看 完这篇教程后,能把提到过的语法记住80%以上的可能性为零。这里只是让你明白基本的原理,以后你还需要多练习,多使用,才能熟练掌握正则表达式。
除了作为入门教程之外,本文还试图成为可以在日常工作中使用的正则表达式语法参考手册。就作者本人的经历来说,这个目标还是完成得不错的 ——你看,我自己也没能把所有的东西记下来,不是吗?
清除格式 文本格式约定:专业术语 元字符/语法格式 正则表达式 正则表达式中的一部分(用于分析) 对其进行匹配的源字符串 对正则表达式或其中一部分的说明
隐藏边注 本文右边有一些注释,主要是用来提供 一些相关信息,或者给没有程序员背景的读者解释一些基本概念,通常可以忽略。
正则表达式到底是什么东西?
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? 。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 。在这里,* 会被解释成任意的字符串。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,它能更精 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
学习正则表达式的最好方法是从例子开始,理解例子之后再自己对例子进行修改,实验。下面给出了不少简单的例子,并对它们作了详细的说明。
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(好吧,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 。
如果需要更精确的说法,\b 匹配这样的位置:它的前一个字符 和后一个字符不全是(一个是,一个不是或不存在)\w 。
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 。
换行符就是'\n',ASCII编码为10(十六进制0x0A)的字符。
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) 。
测试正则表达式
其它可用的测试工具:
如果你不觉得正则表达式很难读写的话,要么你是一个天才,要么,你不是地球人。正则表达式的语法很令人头疼,即使对经常使用它的人来说也是 如此。由于难于读写,容易出错,所以找一种工具对正则表达式进行测试是很有必要的。
不同的环境下正则表达式的一些细节是不相同的,本教程介绍的是微软 .Net Framework 2.0下正则表达式的行为,所以,我向你介绍一个.Net下的工具Regex Tester 。首先你确保已经安装了.Net Framework 2.0 ,然后下载Regex Tester 。这是个绿色软件,下载完 后打开压缩包,直接运行RegexTester.exe就可以了。
下面是Regex Tester运行时的截图:
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等 。
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。
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(\w* ), 最后是单词结束处(\b ) 。
好吧,现在我们说说正则表达式里的单词是什么意思吧:就是不少于一个的连续的\w 。不错,这与学习英文时要背的成千上万个同名的东西的确关系不大 :)
\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 。
. | 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 |
正则表达式引擎通常会提供一个“测试指定的字符串是否匹配一个正则表达式”的方法,如JavaScript里的 RegExp.test()方法或.NET里的Regex.IsMatch()方法。这里的匹配是指是字符串里有没有符合表达式规则的部分。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。
元字符^ (和数字6在同一个键位上的符号)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}$ 。
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 。
字符转义
如果你想查找元字符本身的话,比如你查找. ,或者* ,就出现了问题:你没办法指定它们,因为它们会被解释成别的意思。这时你就得使用\ 来取消这些字符的特殊意义。因此,你应该使用\. 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 。
重复
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(指定数量的代码,例如*,{5,12}等):
* | 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,} | 重复n次或更多次 |
{n,m} | 重复n到m次 |
下面是一些使用重复的例子:
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(或整个字 符串的第一个单词,具体匹配哪个意思得看选项设置)
字符类
要想查找数字,字母或数字,空白是很简单的,因为已经有了对应这些字符集合的元字符,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:一位数字 ; 同理[a-z0-9A-Z_] 也完全等同于\w (如 果只考虑英文的话)。
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 。
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。我们对它进行一些分析吧: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1次或不出现(? ),最后是8个数字(\d{8} )。
分枝条件
不幸的是,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。听不明白?没关系,看 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,区号与本地号间可以用连字号或空格间 隔,也可以没有间隔 。你可以试试用分枝条件把这个表达式扩展成也支持4位区号的。
\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。之所以要给出这个例子是因为它能说明一个问题:使用分枝条件时,要注意各个条件的顺序 。 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(以及9位邮 编的前5位)。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。要理解这个表达式,请按下列顺序分析它:\d{1,3} 匹 配1到3位的数字 ,(\d{1,3}\.){3} 匹 配三位数字加上一个英文句号(这个整体也就是这个分组 )重 复3次 ,最后再加上一个一到三位的数字 (\d{1,3} )。
IP地址中每个数字都不能大于255,大家千万不要被《24》第三季的编剧给忽悠了……
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?) 。
理解这个表达式的关键是理解2[0-4]\d|25[0-5]|[01]?\d\d? , 这里我就不细说了,你自己应该能分析得出来它的意义。
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 :
\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 。
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:从左向右,以分组的左括 号为标志,第一个出现的分组的组号为1,第二个为2,以此类推。
呃……其实,组号分配还不像我刚说得那么简单:
- 分组0对应整个正则表达式
- 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
- 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.
后向引用 用于重复搜索前面某个分组匹配的文本。例如,\1 代表分组1匹配的文本 。难以理解?请看示例:
\b(\w+)\b\s+\1\b 可以用来匹配重复的单词 ,像go go , 或者kitty kitty 。这个表达式首先是一个单词 , 也就是单词开始处和结束处之间的多于一个的字母或数字 (\b(\w+)\b ), 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+ ),最后是分组1中捕获的内容(也就是前面匹配的那个单词) (\1 )。
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 。
使用小括号的时候,还有很多特定用途的语法。下面列出了最常用的一些:
(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 |
(?=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 |
(?#comment) | 这种类型的分组不对正则表达式的处理产生任何影响,用于提供注释让人阅 读 |
我们已经讨论了前两种语法。第三个(?: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 。“我为什么会想要这样 做?”——好问题,你觉得为什么呢?
零宽断言
地球人,是不是觉得这些术语名称太复杂,太难记了?我也有同感。知道有这么一种东西就行了,它叫什么,随它去 吧!人若无名,便可专心练剑;物若无名,便可随意取舍……
接下来的四个用于查找在某些内容(但并不包括这些内容)之前或之后的东西,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),因此它们也被称为零宽断言 。最好还是拿例子来说明吧:
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。
(?=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能匹配表达式exp 。比如\b\w+(?=ing\b) , 匹配以ing结尾的单词的前面部分(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 。
(?<=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能匹配表达式exp 。比如(?<=\bre)\w+\b 会匹配以re开头的单词的后半部 分(除了re以外的部分) ,例如在查找reading a book 时,它匹配ading 。
假如你想要给一个很长的数字中每三位间加一个逗号(当然是从右边加起了),你可以这样查找需要在前面和里面添加逗号的部分:((?<=\d)\d{3})+\b ,用它对1234567890 进 行查找时结果是234567890 。
下面这个例子同时使用了这两种断言:(?<=\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) 。
负向零宽断言
前面我们提到过怎么查找不是某个字符或不在某个字符类里 的字符的方法(反义)。但是如果我们只是想要确 保某个字符没有出现,但并不想去匹配它 时怎么办?例如,如果我们想查找这样的单词--它里面出现了字母q,但是q后面跟的不是字母u, 我们可以尝试这样:
\b\w*q[^u]\w*\b 匹配包含后 面不是字母u的字母q 的单词 。但是如果多做测试(或者你思维足够敏锐,直接就观察出来了),你会发现,如果q出现在单词 的结尾的话,像Iraq ,Benq ,这个表达式就会出错。这是因为[^u] 总要匹配一个字符,所以如果q是单词的最后一个字符的话,后面的[^u] 将 会匹配q后面的单词分隔符(可能是空格,或者是句号或其它的什么),后面的\w*\b 将会匹配下一 个单词,于是\b\w*q[^u]\w*\b 就能匹配整个Iraq fighting 。负向零宽断言 能解决这 样的问题,因为它只匹配一个位置,并不消费 任何字符。现在,我们可以这样来解决这个问题:\b\w*q(?!u)\w*\b 。
零宽度负预测先行断言 (?!exp) ,断言此位置的后面不能匹配表达式exp 。例如:\d{3}(?!\d) 匹 配三位数字,而且这三位数字的后面不能是数字 ;\b((?!abc)\w)+\b 匹 配不包含连续字符串abc的单词 。
同理,我们可以用(?<!exp) ,零 宽度负回顾后发断言 来断言此位置的前面不能匹配表达式exp :(?<![a-z])\d{7} 匹配前面不是小写字母的七位数 字 。
请详细分析表达式(?<=<(\w+)>).*(?=<\/\1>) , 这个表达式最能表现零宽断言的真正用途。
一个更复杂的例子:(?<=<(\w+)>).*(?=<\/\1>) 匹 配不包含属性的简单HTML标签内里的内容 。(<?(\w+)>) 指 定了这样的前缀 :被尖括号括起来的单词 (比 如可能是<b>),然后是.* (任意的字符串),最后是一个后缀 (?=<\/\1>) 。注意后缀里的\/ ,它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 ,前面的(\w+) 匹 配的内容,这样如果前缀实际上是<b>的话,后缀就是</b>了。整个表达式匹配的是<b>和</b> 之间的内容(再次提醒,不包括前缀和后缀本身)。
注释
小括号的另一种用途是通过语法(?#comment) 来包含注释。例如:2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199) 。
要包含注释的话,最好是启用“忽略模式里的空白符”选项,这样在编写表达式时能任意的添加空格,Tab,换行,而实际使用时这些都将被忽 略。启用这个选项后,在#后面到这一行结束的所有文本都将被当成注释忽略掉。例如,我们可以前面的一个表达式写成这样:
(?<= # 断言要匹配的文本的前缀 <(\w+)> # 查找尖括号括起来的字母或数字(即HTML/XML标签) ) # 前缀结束 .* # 匹配任意文本 (?= # 断言要匹配的文本的后缀 <\/\1> # 查找尖括号括起来的内容:前面是一个"/",后面是先前捕获的标签 ) # 后缀结束
贪婪与懒惰
当正则表达式中包含能接受重复的限定符时,通常的行为是(在使整个表达式能得到匹配的前提下)匹配尽可能多 的 字符。以这个表达式为例:a.*b ,它将会匹配最长的以 a开始,以b结束的字符串 。如果用它来搜索aabab 的话,它会匹配整个字符串aabab 。这被称为贪婪 匹配。
有时,我们更需要懒惰 匹配,也就是匹配尽可能少 的 字符。前面给出的限定符都可以被转化为懒惰匹配模式,只要在它后面加上一个问号? 。这样.*? 就意味着匹配任意数量的重复,但是在能使整个匹配成功的前提 下使用最少的重复 。现在看看懒惰版的例子吧:
a.*?b 匹配最短的,以a开始,以b结 束的字符串 。如果把它应用于aabab 的话,它会匹配aab(第一到第三个字符) 和ab(第四到第五个字符) 。
为什么第一个匹配是aab(第一到第三个字符)而不是ab(第二到第三个字符)?简单地说,因为正则表达式有另 一条规则,比懒惰/贪婪规则的优先级更高:最先开始的匹配拥有最高的优先权——The match that begins earliest wins。
*? | 重复任意次,但尽可能少重复 |
+? | 重复1次或更多次,但尽可能少重复 |
?? | 重复0次或1次,但尽可能少重复 |
{n,m}? | 重复n到m次,但尽可能少重复 |
{n,}? | 重复n次以上,但尽可能少重复 |
处理选项
在C#中,你可以使用Regex(String, RegexOptions)构造函数 来设置正则表达式的处理选项。 如:Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);
上面介绍了几个选项如忽略大小写,处理多行等,这些选项能用来改变处理正则表达式的方式。下面是.Net中常用的正则表达式选项:
IgnoreCase(忽略大小写) | 匹配时不区分大小写。 |
Multiline(多行模式) | 更改^ 和$ 的 含义,使它们分别在任意一行的行首和行尾匹配,而不仅仅在整个字符串的开头和结尾匹配。(在此模式下,$ 的 精确含意是:匹配\n之前的位置以及字符串结束前的位置.) |
Singleline(单行模式) | 更改. 的含义,使它与每一个字符匹配(包括换行 符\n)。 |
IgnorePatternWhitespace(忽略空白) | 忽略表达式中的非转义空白并启用由# 标记的注释。 |
ExplicitCapture(显式捕获) | 仅捕获已被显式命名的组。 |
一个经常被问到的问题是:是不是只能同时使用多行模式和单行模式中的一种?答案是:不是。这两个选项之间没有任何关系,除了它们的名字比较 相似(以至于让人感到疑惑)以外。
平衡组/递归匹配
这里介绍的平衡组语法是由.Net Framework支持的;其它语言/库不一定支持这种功能,或者支持此功能但需要使用不同的语法。
有时我们需要匹配像( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构 , 这时简单地使用\(.+\) 则只会匹配到最左边的左括号和最右边的右括号之间的内容(这里我们讨论 的是贪婪模式,懒惰模式也有下面的问题)。假如原来的字符串里的左括号和右括号出现的次数不相等,比如( 5 / ( 3 + 2 ) ) ) ,那我们的匹配结果里两者的个数也不会相等。有没有办法在这样的字符串里匹配到最长的,配对的括号之间的 内容呢?
为了避免( 和\( 把你的大脑 彻底搞糊涂,我们还是用尖括号代替圆括号吧。现在我们的问题变成了如何把xx <aa <bbb> <bbb> aa> yy 这样的字符串里,最长的配对的尖括号内的内容捕获出来?
这里需要用到以下的语法构造:
- (?'group') 把捕获的内容命名为group,并压入堆栈(Stack)
- (?'-group') 从堆栈上弹出最后压入堆栈的名为group的捕获内容,如果堆栈本来为空,则本分组的匹配失败
- (?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话,继续匹配yes部分的表达式,否则继续匹配no部分
- (?!) 零宽负向先行断言,由于没有后缀表达式,试图匹配总是失败
如果你不是一个程序员(或者你自称程序员但是不知道堆栈是什么东西),你就这样理解上面的三种语法吧:第一个就 是在黑板上写一个"group",第二个就是从黑板上擦掉一个"group",第三个就是看黑板上写的还有没有"group",如果有就继续匹配yes部 分,否则就匹配no部分。
我们需要做的是每碰到了左括号,就在压入一个"Open",每碰到一个右括号,就弹出一个,到了最后就看看堆栈是否为空--如果不为空那就 证明左括号比右括号多,那匹配就应该失败。正则表达式引擎会进行回溯(放弃最前面或最后面的一些字符),尽量使整个表达式得到匹配。
< #最外层的左括号 [^<>]* #最外层的左括号后面的不是括号的内容 ( ( (?'Open'<) #碰到了左括号,在黑板上写一个"Open" [^<>]* #匹配左括号后面的不是括号的内容 )+ ( (?'-Open'>) #碰到了右括号,擦掉一个"Open" [^<>]* #匹配右括号后面不是括号的内容 )+ )* (?(Open)(?!)) #在遇到最外层的右括号前面,判断黑板上还有没有没擦掉的"Open";如果还有,则匹配失败 > #最外层的右括号
平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配嵌套的<div>标签 :<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div> .
还有些什么东西没提到
上边已经描述了构造正则表达式的大量元素,但是还有很多没有提到的东西。下面是一些未提到的元素的列表,包含语法和简单的说明。你可以在网 上找到更详细的参考资料来学习它们--当你需要用到它们的时候。如果你安装了MSDN Library,你也可以在里面找到.net下正则表达式详细的文档。
这里的介绍很简略,如果你需要更详细的信息,而又没有在电脑上安装MSDN Library,可以查看关于正则表达式语言元素 的MSDN在线文档 。
\a | 报警字符(打印它的效果是电脑嘀一声) |
\b | 通常是单词分界位置,但如果在字符类里使用代表退格 |
\t | 制表符,Tab |
\r | 回车 |
\v | 竖向制表符 |
\f | 换页符 |
\n | 换行符 |
\e | Escape |
\0nn | ASCII代码中八进制代码为nn的字符 |
\xnn | ASCII代码中十六进制代码为nn的字符 |
\unnnn | Unicode代码中十六进制代码为nnnn的字符 |
\cN | ASCII控制字符。比如\cC代表Ctrl+C |
\A | 字符串开头(类似^,但不受处理多行选项的影响) |
\Z | 字符串结尾或行尾(不受处理多行选项的影响) |
\z | 字符串结尾(类似$,但不受处理多行选项的影响) |
\G | 当前搜索的开头 |
\p{name} | Unicode中命名为name的字符类,例如\p{IsGreek} |
(?>exp) | 贪婪子表达式 |
(?<x>-<y>exp) | 平衡组 |
(?im-nsx:exp) | 在子表达式exp中改变处理选项 |
(?im-nsx) | 为表达式后面的部分改变处理选项 |
(?(exp)yes|no) | 把exp当作零宽正向先行断言,如果在这个位置能匹配,使用yes作为 此组的表达式;否则使用no |
(?(exp)yes) | 同上,只是使用空表达式作为no |
(?(name)yes|no) | 如果命名为name的组捕获到了内容,使用yes作为表达式;否则使用 no |
(?(name)yes) | 同上,只是使用空表达式作为no |
联系作者
好吧,我承认,我骗了你,读到这里你肯定花了不止30分钟.相信我,这是我的错,而不是因为你太笨.我之所以说"30分钟",是为了让你有 信心,有耐心继续下去.既然你看到了这里,那证明我的阴谋成功了.被忽悠的感觉很爽吧?
要投诉我,或者觉得我其实可以忽悠得更高明,或者有任何其它问题,欢迎来我 的博客 让我知道.
<script type="text/javascript"> //<![CDATA[ function getCSSRule(ruleName, deleteFlag) { ruleName=ruleName.toLowerCase(); if (document.styleSheets) { for (var i=0; i<document.styleSheets.length; i++) { var styleSheet=document.styleSheets[i]; var ii=0; var cssRule=false; do { if (styleSheet.cssRules) { cssRule = styleSheet.cssRules[ii]; } else { cssRule = styleSheet.rules[ii]; } if (cssRule) { if (cssRule.selectorText.toLowerCase()==ruleName) { if (deleteFlag=='delete') { if (styleSheet.cssRules) { styleSheet.deleteRule(ii); } else { styleSheet.removeRule(ii); } return true; } else { return cssRule; } } } ii++; } while (cssRule) } } return false; } function killCSSRule(ruleName) { return getCSSRule(ruleName,'delete'); } function addCSSRule(ruleName) { if (document.styleSheets) { if (!getCSSRule(ruleName)) { if (document.styleSheets[0].addRule) { document.styleSheets[0].addRule(ruleName, null,0); } else { // Browser is IE? document.styleSheets[0].insertRule(ruleName+' { }', 0); } } } return getCSSRule(ruleName); } //]]> </script>
最后,来点广告……
网上的资源及本文参考文献
- 微 软的正则表达式教程
- System.Text.RegularExpressions.Regex 类(MSDN)
- 专业的正则表达式教学网站 (英文)
- 关 于.Net下的平衡组的详细讨论(英文)
- Mastering Regular Expressions (Second Edition)
更新纪录
- 2006-3-27 第一版
- 2006-10-12 第二版
- 修正了几个细节上的错误和不准确的地方
- 增加了对处理中文时的一些说明
- 更改了几个术语的翻译(采用了MSDN的翻译方式)
- 增加了平衡组的介绍
- 放弃了对The Regulator的介绍,改用Regex Tester
- 2007-3-12 V2.1
- 修正了几个小的错误
- 增加了对处理选项(RegexOptions)的介绍
- 2007-5-28 V2.2
- 重新组织了对零宽断言的介绍
- 删除了几个不太合适的示例,添加了几个实用的示例
- 其它一些微小的更改
- 2007-8-3 V2.21
- 修改了几处文字错误
- 修改/添加了对$,\b的精确说明
- 承认了作者是个骗子
- 给RegexTester添加了Singleline选项的相关功能
- 2008-4-13 v2.3
- 调整了部分章节的次序
- 修改了页面布局,删除了专门的参考节
- 针对读者的反馈,调整了部分内容
- 2009-4-11 v2.31
- 修改了几处文字错误
- 添加了一些注释说明
- 调整了一些措词
Validated XHTML 1.0 Strict Validated CSS 2.1 <script type="text/javascript"> //<![CDATA[ google_ad_client = "pub-1134642721173543"; /* FireFox - 正则 unibetter,创建于 08-2-15 */ google_ad_slot = "1367490761"; google_ad_output = "textlink"; google_ad_format = "ref_text"; google_cpa_choice = ""; // on file //]]> </script><script src="http://pagead2.googlesyndication.com/pagead/show_ads.js" type="text/javascript"></script><script>google_protectAndRun("ads_core.google_render_ad", google_handleError, google_render_ad);</script>
相关推荐
正则表达式30分钟入门教程(第二版),高清PDf格式
正则表达式30分钟入门教程
尽管入门教程能够在较短时间内提供基础知识,但正则表达式的高级用法往往需要更深入的学习和实践。对于一些复杂的正则表达式编写,例如在文本处理中提取特定数据,可能需要编写者具备较强的逻辑分析能力和经验积累。...
正则表达式是一种强大的文本处理工具,用于匹配、查找、替换和分析字符串。...这个30分钟入门教程将带你逐步了解并应用这些概念,同时提供的常用表达式可以作为参考,帮助你在实际项目中快速解决相关问题。
正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。 许多程序设计语言都支持利用正则表达式进行字符串操作。例如,在Perl中就内建了一个功能强大的正则表达式引擎。正则表达式这个概念最初是由Unix中的...
当然,如果你看完了这篇教程之后,发现自己明白了很多,却又几乎什么都记不得,那也是很正常的——我认为,没接触过正则表达式的人在看完这篇教程后,能把提到过的语法记住80%以上的可能性为零。这里只是让你明白...