Java正则表达式详解(转)

 

如果你曾经用过Perl或任何其他内建正则表达式支持的语言，你一定知道用正则表达式处理文本和匹配模式是多么简单。如果你不熟悉这个术语，那么“正则表达式”（Regular Expression）就是一个字符构成的串，它定义了一个用来搜索匹配字符串的模式。

许多语言，包括Perl、PHP、Python、JavaScript和JScript，都支持用正则表达式处理文本，一些文本编辑器用正则表达式实现高级“搜索-替换”功能。那么Java又怎样呢？本文写作时，一个包含了用正则表达式进行文本处理的Java规范需求（Specification Request）已经得到认可，你可以期待在JDK的下一版本中看到它。

然而，如果现在就需要使用正则表达式，又该怎么办呢？你可以从Apache.org下载源代码开放的Jakarta-ORO库。本文接下来的内容先简要地介绍正则表达式的入门知识，然后以Jakarta-ORO API为例介绍如何使用正则表达式。

一、正则表达式基础知识

我们先从简单的开始。假设你要搜索一个包含字符“cat”的字符串，搜索用的正则表达式就是“cat”。如果搜索对大小写不敏感，单词“catalog”、“Catherine”、“sophisticated”都可以匹配。也就是说：

1.1 句点符号

假设你在玩英文拼字游戏，想要找出三个字母的单词，而且这些单词必须以“t”字母开头，以“n”字母结束。另外，假设有一本英文字典，你可以用正则表达式搜索它的全部内容。要构造出这个正则表达式，你可以使用一个通配符——句点符号“.”。这样，完整的表达式就是“t.n”，它匹配“tan”、“ten”、“tin”和“ton”，还匹配“t#n”、“tpn”甚至“t n”，还有其他许多无意义的组合。这是因为句点符号匹配所有字符，包括空格、Tab字符甚至换行符：

1.2 方括号符号

为了解决句点符号匹配范围过于广泛这一问题，你可以在方括号（“[]”）里面指定看来有意义的字符。此时，只有方括号里面指定的字符才参与匹配。也就是说，正则表达式“t[aeio]n”只匹配“tan”、“Ten”、“tin”和“ton”。但“Toon”不匹配，因为在方括号之内你只能匹配单个字符：

1.3 “或”符号

如果除了上面匹配的所有单词之外，你还想要匹配“toon”，那么，你可以使用“|”操作符。“|”操作符的基本意义就是“或”运算。要匹配“toon”，使用“t(a|e|i|o|oo)n”正则表达式。这里不能使用方扩号，因为方括号只允许匹配单个字符；这里必须使用圆括号“()”。圆括号还可以用来分组，具体请参见后面介绍。

1.4 表示匹配次数的符号

表一显示了表示匹配次数的符号，这些符号用来确定紧靠该符号左边的符号出现的次数：

假设我们要在文本文件中搜索美国的社会安全号码。这个号码的格式是999-99-9999。用来匹配它的正则表达式如图一所示。在正则表达式中，连字符（“-”）有着特殊的意义，它表示一个范围，比如从0到9。因此，匹配社会安全号码中的连字符号时，它的前面要加上一个转义字符“\”。

图一：匹配所有123-12-1234形式的社会安全号码

假设进行搜索的时候，你希望连字符号可以出现，也可以不出现——即，999-99-9999和999999999都属于正确的格式。这时，你可以在连字符号后面加上“？”数量限定符号，如图二所示：

图二：匹配所有123-12-1234和123121234形式的社会安全号码

下面我们再来看另外一个例子。美国汽车牌照的一种格式是四个数字加上二个字母。它的正则表达式前面是数字部分“[0-9]{4}”，再加上字母部分“[A-Z]{2}”。图三显示了完整的正则表达式。

图三：匹配典型的美国汽车牌照号码，如8836KV

1.5 “否”符号

“^”符号称为“否”符号。如果用在方括号内，“^”表示不想要匹配的字符。例如，图四的正则表达式匹配所有单词，但以“X”字母开头的单词除外。

图四：匹配所有单词，但“X”开头的除外

1.6 圆括号和空白符号

假设要从格式为“June 26, 1951”的生日日期中提取出月份部分，用来匹配该日期的正则表达式可以如图五所示：

图五：匹配所有Moth DD,YYYY格式的日期

新出现的“\s”符号是空白符号，匹配所有的空白字符，包括Tab字符。如果字符串正确匹配，接下来如何提取出月份部分呢？只需在月份周围加上一个圆括号创建一个组，然后用ORO API（本文后面详细讨论）提取出它的值。修改后的正则表达式如图六所示：

图六：匹配所有Month DD,YYYY格式的日期，定义月份值为第一个组

1.7 其它符号

为简便起见，你可以使用一些为常见正则表达式创建的快捷符号。如表二所示：

表二：常用符号

例如，在前面社会安全号码的例子中，所有出现“[0-9]”的地方我们都可以使用“\d”。修改后的正则表达式如图七所示：

图七：匹配所有123-12-1234格式的社会安全号码

二、Jakarta-ORO库

有许多源代码开放的正则表达式库可供Java程序员使用，而且它们中的许多支持Perl 5兼容的正则表达式语法。我在这里选用的是Jakarta-ORO正则表达式库，它是最全面的正则表达式API之一，而且它与Perl 5正则表达式完全兼容。另外，它也是优化得最好的API之一。

Jakarta-ORO库以前叫做OROMatcher，Daniel Savarese大方地把它赠送给了Jakarta Project。你可以按照本文最后参考资源的说明下载它。

我首先将简要介绍使用Jakarta-ORO库时你必须创建和访问的对象，然后介绍如何使用Jakarta-ORO API。

▲ PatternCompiler对象

首先，创建一个Perl5Compiler类的实例，并把它赋值给PatternCompiler接口对象。Perl5Compiler是PatternCompiler接口的一个实现，允许你把正则表达式编译成用来匹配的Pattern对象。

▲ Pattern对象

要把正则表达式编译成Pattern对象，调用compiler对象的compile()方法，并在调用参数中指定正则表达式。例如，你可以按照下面这种方式编译正则表达式“t[aeio]n”：

默认情况下，编译器创建一个大小写敏感的模式（pattern）。因此，上面代码编译得到的模式只匹配“tin”、“tan”、 “ten”和“ton”，但不匹配“Tin”和“taN”。要创建一个大小写不敏感的模式，你应该在调用编译器的时候指定一个额外的参数：

创建好Pattern对象之后，你就可以通过PatternMatcher类用该Pattern对象进行模式匹配。

▲ PatternMatcher对象

PatternMatcher对象根据Pattern对象和字符串进行匹配检查。你要实例化一个Perl5Matcher类并把结果赋值给PatternMatcher接口。Perl5Matcher类是PatternMatcher接口的一个实现，它根据Perl 5正则表达式语法进行模式匹配：

使用PatternMatcher对象，你可以用多个方法进行匹配操作，这些方法的第一个参数都是需要根据正则表达式进行匹配的字符串：

· boolean matches(String input, Pattern pattern)：当输入字符串和正则表达式要精确匹配时使用。换句话说，正则表达式必须完整地描述输入字符串。

· boolean matchesPrefix(String input, Pattern pattern)：当正则表达式匹配输入字符串起始部分时使用。

· boolean contains(String input, Pattern pattern)：当正则表达式要匹配输入字符串的一部分时使用（即，它必须是一个子串）。

另外，在上面三个方法调用中，你还可以用PatternMatcherInput对象作为参数替代String对象；这时，你可以从字符串中最后一次匹配的位置开始继续进行匹配。当字符串可能有多个子串匹配给定的正则表达式时，用PatternMatcherInput对象作为参数就很有用了。用PatternMatcherInput对象作为参数替代String时，上述三个方法的语法如下：

· boolean matches(PatternMatcherInput input, Pattern pattern)

· boolean matchesPrefix(PatternMatcherInput input, Pattern pattern)

· boolean contains(PatternMatcherInput input, Pattern pattern)

三、应用实例

下面我们来看看Jakarta-ORO库的一些应用实例。

3.1 日志文件处理

任务：分析一个Web服务器日志文件，确定每一个用户花在网站上的时间。在典型的BEA WebLogic日志文件中，日志记录的格式如下：

分析这个日志记录，可以发现，要从这个日志文件提取的内容有两项：IP地址和页面访问时间。你可以用分组符号（圆括号）从日志记录提取出IP地址和时间标记。

首先我们来看看IP地址。IP地址有4个字节构成，每一个字节的值在0到255之间，各个字节通过一个句点分隔。因此，IP地址中的每一个字节有至少一个、最多三个数字。图八显示了为IP地址编写的正则表达式：

图八：匹配IP地址

IP地址中的句点字符必须进行转义处理（前面加上“\”），因为IP地址中的句点具有它本来的含义，而不是采用正则表达式语法中的特殊含义。句点在正则表达式中的特殊含义本文前面已经介绍。

日志记录的时间部分由一对方括号包围。你可以按照如下思路提取出方括号里面的所有内容：首先搜索起始方括号字符（“[”），提取出所有不超过结束方括号字符（“]”）的内容，向前寻找直至找到结束方括号字符。图九显示了这部分的正则表达式。

图九：匹配至少一个字符，直至找到“]”

现在，把上述两个正则表达式加上分组符号（圆括号）后合并成单个表达式，这样就可以从日志记录提取出IP地址和时间。注意，为了匹配“- -”（但不提取它），正则表达式中间加入了“\s-\s-\s”。完整的正则表达式如图十所示。

图十：匹配IP地址和时间标记

现在正则表达式已经编写完毕，接下来可以编写使用正则表达式库的Java代码了。

为使用Jakarta-ORO库，首先创建正则表达式字符串和待分析的日志记录字符串：

这里使用的正则表达式与图十的正则表达式差不多完全相同，但有一点例外：在Java中，你必须对每一个向前的斜杠（“\”）进行转义处理。图十不是Java的表示形式，所以我们要在每个“\”前面加上一个“\”以免出现编译错误。遗憾的是，转义处理过程很容易出现错误，所以应该小心谨慎。你可以首先输入未经转义处理的正则表达式，然后从左到右依次把每一个“\”替换成“\\”。如果要复检，你可以试着把它输出到屏幕上。

初始化字符串之后，实例化PatternCompiler对象，用PatternCompiler编译正则表达式创建一个Pattern对象：

现在，创建PatternMatcher对象，调用PatternMatcher接口的contain()方法检查匹配情况：

接下来，利用PatternMatcher接口返回的MatchResult对象，输出匹配的组。由于logEntry字符串包含匹配的内容，你可以看到类如下面的输出：

3.2 HTML处理实例一

下面一个任务是分析HTML页面内FONT标记的所有属性。HTML页面内典型的FONT标记如下所示：

程序将按照如下形式，输出每一个FONT标记的属性：

在这种情况下，我建议你使用两个正则表达式。第一个如图十一所示，它从字体标记提取出“"face="Arial, Serif" size="+2" color="red"”。

图十一：匹配FONT标记的所有属性

第二个正则表达式如图十二所示，它把各个属性分割成名字-值对。

图十二：匹配单个属性，并把它分割成名字-值对

分割结果为：

现在我们来看看完成这个任务的Java代码。首先创建两个正则表达式字符串，用Perl5Compiler把它们编译成Pattern对象。编译正则表达式的时候，指定Perl5Compiler.CASE_INSENSITIVE_MASK选项，使得匹配操作不区分大小写。

接下来，创建一个执行匹配操作的Perl5Matcher对象。

假设有一个String类型的变量html，它代表了HTML文件中的一行内容。如果html字符串包含FONT标记，匹配器将返回true。此时，你可以用匹配器对象返回的MatchResult对象获得第一个组，它包含了FONT的所有属性：

接下来创建一个PatternMatcherInput对象。这个对象允许你从最后一次匹配的位置开始继续进行匹配操作，因此，它很适合于提取FONT标记内属性的名字-值对。创建PatternMatcherInput对象，以参数形式传入待匹配的字符串。然后，用匹配器实例提取出每一个FONT的属性。这通过指定PatternMatcherInput对象（而不是字符串对象）为参数，反复地调用PatternMatcher对象的contains()方法完成。PatternMatcherInput对象之中的每一次迭代将把它内部的指针向前移动，下一次检测将从前一次匹配位置的后面开始。

本例的输出结果如下：

3.3 HTML处理实例二

下面我们来看看另一个处理HTML的例子。这一次，我们假定Web服务器从widgets.acme.com移到了newserver.acme.com。现在你要修改一些页面中的链接：

执行这个搜索的正则表达式如图十三所示：

图十三：匹配修改前的链接

如果能够匹配这个正则表达式，你可以用下面的内容替换图十三的链接：

注意#字符的后面加上了$1。Perl正则表达式语法用$1、$2等表示已经匹配且提取出来的组。图十三的表达式把所有作为一个组匹配和提取出来的内容附加到链接的后面。

现在，返回Java。就象前面我们所做的那样，你必须创建测试字符串，创建把正则表达式编译到Pattern对象所必需的对象，以及创建一个PatternMatcher对象：

接下来，用com.oroinc.text.regex包Util类的substitute()静态方法进行替换，输出结果字符串：

Util.substitute()方法的语法如下：

这个调用的前两个参数是以前创建的PatternMatcher和Pattern对象。第三个参数是一个Substiution对象，它决定了替换操作如何进行。本例使用的是Perl5Substitution对象，它能够进行Perl5风格的替换。第四个参数是想要进行替换操作的字符串，最后一个参数允许指定是否替换模式的所有匹配子串（Util.SUBSTITUTE_ALL），或只替换指定的次数。

【结束语】在这篇文章中，我为你介绍了正则表达式的强大功能。只要正确运用，正则表达式能够在字符串提取和文本修改中起到很大的作用。另外，我还介绍了如何在Java程序中通过Jakarta-ORO库利用正则表达式。至于最终采用老式的字符串处理方式（使用StringTokenizer，charAt，和substring），还是采用正则表达式，这就有待你自己决定了。

//********************************************************************************************
<!--NOINDEX_START--> 

show toc

<!--NOINDEX_STOP-->

欢迎来到 MSDN > Web/服务

ASP.NET 中的正则表达式

发布日期： 8/17/2004 | 更新日期： 8/17/2004

速成课程

Steven A. Smith

适用范围：
Microsoft® .NET Framework
Microsoft® ASP.NET
正则表达式 API

摘要：正则表达式是一种处理文本的有用工具。无论是验证用户输入、搜索字符串内的模式、还是以各种有效方式重新设置文本格式，正则表达式都非常有用。

下载本文的源代码。

本页内容

	引言
	正则表达式使用历史简介
	简单表达式
	限定符
	元字符
	字符类
	预定义的集合元字符
	表达式示例
	ASP.NET 中的验证
	正则表达式 API
	免费工具
	高级主题
	结论
	资源
	作者简介

引言

Microsoft®.NET Framework 对正则表达式的支持是一流的，甚至在 Microsoft® ASP.NET 中也有依赖正则表达式语言的控件。本文介绍了深入学习正则表达式的基础知识和推荐内容。

本文主要面向对正则表达式知之甚少或没有使用经验，但却熟悉 ASP.NET、可借助 .NET 编程的初学者。此外，希望本文连同 regular expression cheat sheet 成为有正则表达式使用经验的开发者的手头参考资料或进修资料。本文讨论内容如下：

1.	正则表达式使用历史简介
2.	简单表达式
3.	限定符
4.	元字符
5.	字符类
6.	预定义的集合元字符
7.	表达式示例详细内容
8.	ASP.NET 中的验证
9.	正则表达式 API
10.	免费工具
11.	高级主题概述
12.	小结和其他资源

通常，如果对本文或对正则表达式有疑问，请访问 http://www.aspadvice.com/，通过 regex mailing list 提出问题。编写此文时其中已有 350 多个订户参与。

返回页首

正则表达式使用历史简介

正则表达式设计于五十年代，存在至今。正则表达式最初用于描述“正则集”，它们是一些神经生理学家研究的模式。正则表达式最早由数学家 Stephen Kleene 提出，最终由 Ken Thompson 在两种非常流行的文本实用程序 qed 和 grep 中使用。Jeffrey Friedl 在其著作“Mastering Regular Expressions (2^nd edition)”中对此作了进一步阐述。建议那些希望更多了解正则表达式理论和历史的人看看这本书。

在最近的五十年中，正则表达式逐渐从模糊深奥的数学概念发展为在各类工具和软件包中应用的主要功能。尽管数十年来很多 UNIX 工具都支持正则表达式，但仅仅是近十年来，它才在大部分 Windows 开发者工具包中得到体现。在 Microsoft® Visual Basic® 6 或 Microsoft® VBScript 中，即使情况理想，正则表达式仍难以使用。但随着.NET Framework 的推行，正则表达式的支持发展到极点，所有 Microsoft 开发者和所有 .NET 语言都可以使用正则表达式。

那么，正则表达式究竟是什么呢？正则表达式是一种语言，它可以明确描述文本字符串中的模式。除了简单描述这些模式之外，正则表达式引擎通常可用于遍历匹配，并使用模式作为分隔符来将字符串解析为子字符串，或以智能方式替换文本或重新设置文本格式。正则表达式为解决与文本处理有关的许多常见任务提供了有效而简捷的方式。

在讨论正则表达式时，通常以正则表达式匹配（或不匹配）的文本为基础分析正则表达式。本文（以及 System.Text.RegularExpressions 类）将在正则表达式交互操作中引用 3 个参与对象：正则表达式的“模式”、“输入”字符串和字符串内的所有模式的“匹配”。

返回页首

简单表达式

最简单的正则表达式大家都已熟悉，即文字字符串。特定的字符串可通过文字本身加以描述；像 foo 这样的正则表达式模式可精确匹配输入的字符串 foo。在本例中，也将匹配如下输入：The food was quite tasty，如果希望精确匹配，这可能不是预期结果。

当然，使用正则表达式匹配等于它自身的精确字符串是没有价值的实现，不能体现正则表达式的真正作用。假如不查找 foo，而是查找以字母 f 开头的所有单词，或所有 3 个字母的单词，那该怎么办？目前，这超出了文字字符串的合理范围。我们需要更加深入地研究正则表达式。下面是一个文字表达式示例及一些匹配的输入。

模式	输入（匹配）
foo	foo、food、foot、“There's evil afoot.”

返回页首

限定符

限定符提供了一种简单方法，用于指定在模式中允许特定字符或字符集自身重复出现的次数。有 3 个非显式限定符：

1.	*，描述“出现 0 或多次”。
2.	+，描述“出现 1 或多次”。
3.	?，描述“出现 0 或 1 次”。

限定符始终引用限定符前（左边）的模式，通常是单个字符，除非使用括号创建模式组。下面是一些模式示例及匹配的输入。

模式	输入（匹配）
fo*	foo、foe、food、fooot、“forget it”、funny、 puffy
fo+	foo、foe、food、foot、“forget it”
fo?	foo、foe、food、foot、“forget it”、funny、puffy

除了指定给定模式准确出现 0 或 1 次之外，? 字符还可强制模式或子模式匹配数目最少的字符（如果匹配输入字符串中的多个字符）。

除了非显式限定符（一般叫做限定符，但为区别于下一组，故称非显式限定符）之外，还有显式限定符。在模式出现次数方面，限定符的概念非常模糊。使用显式限定符则可准确指定数字、范围或数字集。显式限定符位于所应用的模式的后边，这一点与正则限定符一样。显式限定符使用花括号 {} 及其中的数字值表示模式出现次数的上下限。例如，x{5} 将准确匹配 5 个 x 字符 (xxxxx)。如果仅指定一个数字，则表示次数上限；如果数字后跟一个逗号，如 x{5,}，表示匹配任何出现次数大于 4 的 x 字符。下面是一些模式示例及匹配的输入。

模式	输入（匹配）
ab{2}c	abbc、aaabbccc
ab{,2}c	ac、abc、abbc、aabbcc
ab{2,3}c	abbc、abbbc、aabbcc、aabbbcc

返回页首

元字符

在正则表达式中，有一种意义特殊的构造，即元字符。目前已知的元字符有很多，如 *、?、+ 和 {} 字符。其他字符在正则表达式语言中都有特殊的含义。这些字符包括：$ ^ . [ ( | ) ] 和 \。

.（句点或点）元字符是最简单但最常用的一个字符。它可匹配任何单字符。如果要指定某些模式可包含任意组合的字符，使用句点非常有用，但一定要在特定长度范围内。此外，我们知道表达式将对包含在较长字符串中的所有模式进行匹配，假如只需要精确匹配模式，又该怎么办？这在验证方案中经常出现，例如，要确保用户输入的邮政编码或电话号码的格式正确。使用 ^ 元字符可指定字符串（或行）的开始，使用 $ 元字符可指定字符串（或行）的结束。通过将这些字符添加到模式的开始和结束处，可强制模式仅匹配精确匹配的输入字符串。如果 ^ 元字符用在方括号 [ ] 指定的字符类的开头，也有特殊的含义。具体内容见下。

\ （反斜杠）元字符既可根据特殊含义“转义”字符，也可指定预定义集合元字符的实例。同样，具体内容见下。为了在正则表达式中包括文字样式的元字符，必须使用反斜杠进行“转义”。例如，如果要匹配以“c:\”开始的字符串，可使用：^c:\\。注意，要使用 ^ 元字符指出字符串必须以此模式作为开始，然后用反斜杠元字符转义文字反斜杠。

|（管道）元字符用于交替指定，特别用于在模式中指定“此或彼”。例如，a|b 将匹配包含“a”或“b”的任何输入内容，这与字符类 [ab] 非常类似。

最后，括号 ( ) 用于给模式分组。它允许使用限定符让一个完整模式出现多次。为了便于阅读，或分开匹配特定的输入部分，可能允许分析或重新设置格式。

下面列出元字符的一些使用示例。

模式	输入（匹配）
.	a、b、c、1、2、3
.*	Abc, 123, 任意字符串, 无字符时也匹配
^c:\\	c:\windows、c:\\\\\、c:\foo.txt、c:\ 后跟任何其他内容
abc$	abc、123abc、以 abc 结束的任意字符串
(abc){2,3}	abcabc、abcabcabc

返回页首

字符类

字符类是正则表达式中的“迷你”语言，在方括号 [ ] 中定义。最简单的字符类只不过是括号中的一个字符表，如 [aeiou]。在表达式中使用字符类时，可在模式的此位置使用其中任何一个字符（但只能使用一个字符，除非使用了限定符）。请注意，不能使用字符类定义单词或模式，只能定义单个字符。

要指定任何数值数字，可以使用字符类 [0123456789]。但是，由于这样使用字符不大方便，所以要通过在括号中使用连字符 - 来定义字符的范围。连字符在字符类中有特殊的含义（不是在正则表达式中，因此，准确地说它不能叫正则表达式元字符），且仅在连字符不是第一个字符时，连字符才在字符类中有特殊含义。要使用连字符指定任何数值数字，可以使用 [0-9]。小写字母也一样，可以使用 [a-z]，大写字母可以使用 [A-Z]。连字符定义的范围取决于使用的字符集。因此，字符在（例如）ASCII 或 Unicode 表中出现的顺序确定了在范围中包括的字符。如果需要在范围中包括连字符，将它指定为第一个字符。例如：[-.?] 将匹配 4 个字符中任何一个字符（注意，最后的字符是个空格）。另请注意，正则表达式元字符在字符类中不做特殊处理，所以这些元字符不需要转义。考虑到字符类是与其他正则表达式语言分开的一种语言，因此字符类有自己的规则和语法。

如果使用字符 ^ 作为字符类的第一个字符来否定此类，也可以匹配字符类成员以外的任何字符。因此，要匹配任何非元音字符，可以使用字符类 [^aAeEiIoOuU]。注意，如果要否定连字符，应将连字符作为字符类的第二个字符，如 [^-]。记住，^ 在字符类中的作用与它在正则表达式模式中的作用完全不同。

下面列出操作中使用的一些字符类。

模式	输入（匹配）
^b[aeiou]t$	Bat、bet、bit、bot、but
^[0-9]{5}$	11111, 12345, 99999
^c:\\	c:\windows、c:\\\\\、c:\foo.txt、c:\ 后跟任何其他内容
abc$	abc、123abc、以 abc 结束的任意字符串
(abc){2,3}	abcabc、abcabcabc
^[^-][0-9]$	0、1、2、... （不匹配 -0、-1、 -2 等）

在 .NET Framework 的下一版中，代码名“Whidbey”作为一种新功能被添加到字符类中，称作字符类差 (character class subtraction)。它的主要作用是，允许从一个字符类中减去另一个字符类，可提供更可读的方式描述某些模式。该规范可通过以下地址访问：http://www.gotdotnet.com/team/clr/bcl/TechArticles/techarticles/Specs/Regex/CharacterClassSubtraction.doc。它的语法类似 [a-z-[aeiou]]，匹配所有的小写辅音字母。

返回页首

预定义的集合元字符

使用目前提供的工具可以完成很多工作。但是，要使用 [0-9] 表示模式中的每个数值数字，或（更糟）使用 [0-9a-zA-Z]表示任何字母数字字符，还有一段相当漫长的过程。为了减轻处理这些常用但冗长模式的痛苦，事先定义了预定义元字符集合。正则表达式的不同实现定义了不同的预定义元字符集合，下面描述的预定义元字符集合在 .NET Framework 中得到 System.Text.RegularExpressions API 的支持。这些预定义元字符的标准语法是，在反斜杠 \ 后跟一个或多个字符。多数预定义元字符只有一个字符，它们的使用很容易，是冗长字符类的理想替代字符。以下是两个示例：\d 匹配所有数值数字，\w 匹配所有单词字符（字母数字加下划线）。例外情况是一些特定字符代码匹配，此时必须指定所匹配字符的地址，如 \u000D 将匹配 Unicode 回车符。下面列出一些最常用的字符类及其等效的元字符。

元字符	等效字符类
\a	匹配铃声（警报）；\u0007
\b	匹配字符类外的字边界，它匹配退格字符，\u0008
\t	匹配制表符，\u0009
\r	匹配回车符，\u000D
\w	匹配垂直制表符，\u000B
\f	匹配换页符，\u000C
\n	匹配新行，\u000A
\e	匹配转义符，\u001B
\040	匹配 3 位 8 进制 ASCII 字符。\040 表示空格（十进制数 32）。
\x20	使用 2 位 16 进制数匹配 ASCII 字符。此例中，\x2- 表示空格。
\cC	匹配 ASCII 控制字符，此例中是 ctrl-C。
\u0020	使用 4 位 16 进制数匹配 Unicode 字符。此例中 \u0020 是空格。
\*	不代表预定义字符类的任意字符都只作为该字符本身对待。因此，\* 等同于 \x2A（是文字 *，不是 * 元字符）。
\p{name}	匹配已命名字符类“name”中的任意字符。支持名称是 Unicode 组和块范围。例如，Ll、Nd、Z、IsGreek、IsBoxDrawing 和 Sc（货币）。
\p{name}	匹配已命名字符类“name”中不包括的文本。
\w	匹配任意单词字符。对于非 Unicode 和 ECMAScript 实现，这等同于 [a-zA-Z_0-9]。在 Unicode 类别中，这等同于 [\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}]。
\W	\w 的否定，等效于 ECMAScript 兼容集合 [^a-zA-Z_0-9] 或 Unicode 字符类别 [^\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}]。
\s	匹配任意空白区域字符。等效于 Unicode 字符类 [\f\n\r\t\v\x85\p{Z}]。如果使用 ECMAScript 选项指定 ECMAScript 兼容方式，\s 等效于 [ \f\n\r\t\v] （请注意前导空格）。
\S	匹配任意非空白区域字符。等效于 Unicode 字符类别 [^\f\n\r\t\v\x85\p{Z}]。如果使用 ECMAScript 选项指定 ECMAScript 兼容方式，\S 等效于 [^ \f\n\r\t\v] （请注意 ^ 后的空格）。
\d	匹配任意十进制数字。在 ECMAScript 方式下，等效于 Unicode 的 [\p{Nd}]、非 Unicode 的 [0-9]。
\D	匹配任意非十进制数字。在 ECMAScript 方式下，等效于 Unicode 的 [\p{Nd}]、非 Unicode 的 [^0-9]。

返回页首

表达式示例

很多人都喜欢通过示例学习，下面即提供一些表达式示例。要获取更多示例，请访问以下地址中的正则表达式联机数据库：http://www.regexlib.com/。

模式	说明
^\d{5}$	5 个数值数字，如美国邮政编码。
^(\d{5})|(\d{5}-\d{4}$	5 个数值数字或 5 个数字-短划线-4 个数字。匹配 5 位数字格式的美国邮政编码，或 5 位数字 + 4 位数字格式的美国邮政编码。
^(\d{5}(-\d{4})?$	与前一个相同，但更有效。使用 ? 可使模式中的 4 位数字成为可选部分，而不是要求分别比较不同的两个模式（通过另一种方式）。
^[+-]?\d+(\.\d+)?$	匹配任意有可选符号的实数。
^[+-]?\d*\.?\d*$	与上一个相同，但也匹配空字符串。
^(20|21|22|23|[01]\d)[0-5]\d$	匹配 24 小时制时间值。
/\*.*\*/	匹配 C 语言风格的注释 /* ... */

返回页首

ASP.NET 中的验证

ASP.NET 提供了一套验证控件，与使用旧的（或愿意的话使用传统的） ASP 处理任务相比，验证控件使在 Web 窗体上验证输入变得非常容易。其中一个非常有效的验证器是 RegularExpressionValidator，如您所料，它允许您提供必须匹配输入的正则表达式来验证输入。设置控件的 ValidationExpression 属性可指定正则表达式的模式。下面显示了验证邮政代码字段的验证程序：

<asp:RegularExpressionValidator runat="server" id="ZipCodeValidator" 
ControlToValidate="ZipCodeTextBox" ErrorMessage="Invalid ZIP code 
format; format should be either 12345 or 12345-6789."  
ValidationExpression="(\d{5}(-\d{4})?" />

使用 RegularExpressionValidator 要注意几个问题：

•	决不要使用验证程序要验证的控件中的空字符串来激活验证器。只有 RequiredFieldValidator 才可以捕获空字符串。
•	您无需指定匹配字符的开始与结尾（^ 和$）- 它们是事先假设的。如果添加了开始与结尾，也没有任何影响，不需要这样做。
•	对于所有验证控件来说，必须在客户端以及服务器端进行验证。如果正则表达式不是 ECMAScript 兼容方式，客户端验证将失败。为了避免这种情况，确保表达式是 ECMAScript 兼容方式，否则只在服务器端进行控件验证。

返回页首

正则表达式 API

除了 ASP.NET 验证控件，在.NET 中使用正则表达式的大多数情况都要使用 System.Text.RegularExpressions 命名空间中发现的类。特别是那些您希望熟悉的主类 Regex、Match 和 MatchCollection。

顺便说一下，正则表达式缩写样式 regex 的发音究竟是 /reg-eks/ 还是 /rej-eks/，还有一些争议。本人倾向于后者，但两种发音都有专家赞同，所以选择哪个发音由您自己决定。

Regex 类有大量的方法和属性，如果您以前没有用过它，可能会感到无所适从。下面汇总了一些最常用的方法：

方法	说明
Escape / Unescape	字符串中的转义元字符，用作表达式中的文字。
IsMatch	如果正则表达式在输入字符串中发现匹配，返回“Ture”。
Match	如果在输入字符串中发现匹配，则返回匹配对象。
Matches	如果在输入字符串中发现包含任何或全部匹配，则返回匹配集合对象。
Replace	用给定的替换字符串替换输入字符串中的匹配。
Split	将输入字符串拆分成用正则表达式匹配分开的数组元素时，返回数组字符串。

除了指定很多方法外，还有一些选项可以指定，通常在 Regex 对象构造函数中。由于这些选项是位屏蔽的一部分，或许可以同时指定这些选项（如，可以同时指定 Multiline 和 Singleline）。

方法	说明
Compiled	当在循环中执行许多匹配操作时使用此选项。这可以节省每一循环的分析表达式步骤。
Multiline	它与输入字符串中的行数没有关系。确切地说，它只修改 ^ 和 $ 的方式，以便匹配行开始 (BOL) 和行结尾 (EOL)，而不是匹配整个输入字符串的开始和结尾。
IgnoreCase	使模式在匹配搜索字符串时忽略大小写。
IgnorePatternWhitespace	允许根据需要在模式中包括任意数量的空白区域，也支持使用 (?# 注释 #) 语法在模式中加入注释。
SingleLine	它与输入字符串中的行数没有关系。更确切地说，它将导致 .（句点）元字符匹配任意字符，而不是除 \n 之外的任意字符（默认情况）。

使用正则表达式常执行的操作包括：验证、匹配和替换。大多数情况下，可以使用 Regex 类的静态方法完成这些操作，不需要实例化 Regex 类本身。要执行验证，全部要做的就是必建或找到正确的表达式，然后使用 Regex 类的 IsMatch() 方法将表达式应用到输入字符串中。例如，下面的函数演示了如何使用正则表达式验证邮政编码：

private void ValidateZipButton_Click(object sender, System.EventArgs e)
{
   String ZipRegex = @"^\d{5}$";
   if(Regex.IsMatch(ZipTextBox.Text, ZipRegex))
   {
      ResultLabel.Text = "ZIP is valid!";
   }
   else
   {
      ResultLabel.Text = "ZIP is invalid!";
   }
}

类似的，可以使用静态 Replace() 方法将匹配替换为特定字符串，如下所示：

String newText = Regex.Replace(inputString, pattern, replacementText);

最后，可以使用如下代码遍历输入字符串的匹配集合：

private void MatchButton_Click(object sender, System.EventArgs e)
{
   MatchCollection matches = Regex.Matches(SearchStringTextBox.Text, 
MatchExpressionTextBox.Text);
   MatchCountLabel.Text = matches.Count.ToString();
   MatchesLabel.Text = "";
   foreach(Match match in matches)
   {
      MatchesLabel.Text += "Found" + match.ToString() + " at 
position " + match.Index + ".<br>";
   }
}

通常，在您需要指定默认方式以外的方式时，需要实例化 Regex 类的实例。特别是在设置选项时。例如，要创建忽略大小写和模式空白区域的 Regex 实例，然后检索与该表达式匹配的集合，则应使用如下代码：

Regex re = new Regex(pattern, 
   RegexOptions.IgnoreCase | RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = re.Matches(inputString);

本文的下载文件中包括这些示例的完整使用版本，与简单 ASP.NET 页中的一样。

返回页首

免费工具

Regulator (http://royo.is-a-geek.com/iserializable/regulator/) - 一种在客户端运行的正则表达式测试工具，通过 Web 服务与 RegexLib 紧密集成，提供对“匹配”、“拆分”和“替换”等的支持。包括性能分析和语法突出显示功能。

RegexDesigner.NET (http://www.sellsbrothers.com/tools/) - 一种功能强大的可视工具，可帮助构造并测试正则表达式。它可生成 C# 和/或 VB.NET 代码和已编译汇编代码，帮助您将表达式集成到应用程序中。

Regular Expression Workbench (v2.0) (http://www.gotdotnet.com/Community/UserSamples/Details.aspx?SampleGuid=C712F2DF-B026-4D58-8961-4EE2729D7322) - Eric Gunnerson 开发的工具，用于创建、测试和研究正则表达式。具有“Examine-o-matic”功能，允许将鼠标悬停在正则表达式的上方，对其含义进行解码。

返回页首

高级主题

正则表达式有两个不得不说的功能，一个是“命名组”，另一个是“四向处理”(lookaround processing)。由于这些功能很少使用，此处只简单阐述一下。

使用命名组，您可单独命名匹配组，然后在表达式中使用程序语言引用这些组。如果结合 Replace 方法重新设置输入字符串的格式（通过重新排列顺序、替换输入字符串中的元素），这个功能特别有效。例如，假设日期使用 MM/DD/YYYY 格式的字符串，而您希望日期格式是 DD-MM-YYYY。此时，可编写一个表达式捕获第一种格式，遍历它的匹配集合，并分析每个字符串，然后使用字符串操作建立替换字符串。这需要大量的代码和大量的处理。如果使用命名组，您可完成同样的任务，具体见下：

String MDYToDMY(String input)
{
   return Regex.Replace(intput, @"\b(?<month>\d{1,2})/(?<day>\d{1,2}/(?<year>\d{4})\b", "${day}-
${month}-${year}");
}

您还可以按编号或按名称引用组。在任何情况下，这种引用通称作“反向引用”。另一个经常使用反向引用的场合在匹配表达式本身，如下这个表达式用于查找重复的字母：[a-z]\1。它将匹配“aa”、“bb”、“cc”，但它不同于 [a-z]{2} 或 [a-z][a-z]，后两者是等效的，后两者允许匹配“ab”或“ac”或任何其他两个字母的组合。反向引用允许表达式记住表达式已经分析并匹配过的输入字符串中的部分字符。

“四向处理”指很多正则表达式引擎所支持的正负 Lookahead 和 Lookbehind 功能。并不是所有的正则表达式引擎都支持验证四向处理。这些构造不使用字符，即使它们可以匹配字符。有些模式可能在不使用四向处理的情况下无法描述。特别是当模式中存在的一部分依赖于另一部分，如果不使用四向处理，则不能描述这样的模式。下面介绍了每个四向处理的语法。

语法	说明
(?=...)	正 Lookahead
(?!...)	负 Lookahead
(?<=...)	正 Lookbehind
(?<!...)	负 Lookbehind

密码验证是必需四向处理的一个示例。假定在密码限制中，密码必须介于 4 到 8 个字符，且必须至少包含一个数字。为此，您可以仅在匹配中测试 \d，然后使用字符串操作来测试长度。但要在正则表达式中实现这一切，必须使用 Lookahead。特别是正 lookahead，如下所示：^(?=.*\d).{4,8}$

返回页首

结论

正则表达式是一种描述文本模式的极有效方法，它使文本模式成为字符串验证和操作的极好资源。.NET Framework 通过 System.Text.RegularExpressions 命名空间（特别是其中的 Regex 类）提供了对正则表达式的强大支持。使用 API 很简单，但编写正确的正则表达式通常比较费力。但幸运的是，正则表达式可以重复使用，您可以通过网络中的各种联机资源，从中找出其他人设计的表达式，或者在创建表达式遇到困难时得到帮助。

返回页首

资源

正则表达式库 http://www.regexlib.com/

正则表达式讨论列表 http://aspadvice.com/login.aspx?ReturnUrl=%2fSignUp%2flist.aspx%3fl%3d68%26c%3d16&l=68&c=16

正则表达式论坛 http://forums.regexadvice.com/

正则表达式 Web 日志 http://blogs.regexadvice.com/

Mastering Regular Expressions (O'Reilly)，作者 Jeffrey Friedl http://www.regex.info/

.NET 正则表达式参考 http://msdn.microsoft.com/library/en-us/cpref/html/frlrfSystemTextRegularExpressions.asp

Jscript 正则表达式语法 http://www.msdn.microsoft.com/library/en-us/script56/html/js56jsgrpRegExpSyntax.asp

正则表达式信息 http://www.regular-expressions.info/

返回页首

作者简介

Steven A. Smith 是 Microsoft 在 ASP.NET 技术方面的最有价值专家 (MVP)，是 ASPAlliance.com 和 DevAdvice.com 的总裁和所有者。此外，他也是 ASPSmith Ltd（一家重点提供 .NET 培训的公司）的所有者和首席教师。他撰写了两本著作：“ASP.NET Developer's Cookbook”和“ASP.NET By Example”，并在 MSDN 和 AspNetPRO 杂志上发表了一些文章。Steve 每年都在各种会议上发表演讲，是 INETA 联络处的成员。Steve 拥有企业管理硕士学位及计算机科学工程理学士学位。

如果要联系 Steve，请发送电子邮件至 [e-mail]。

© 2004 Microsoft Corporation 版权所有。保留所有权利。使用规定。