正则表达式学习笔记

正则表达式是强大而灵活的文本处理工具，它们可以让我们以编程的方式指定那些可以在输入字符串中发现的复杂的文本模式。它提供了一种紧凑的、动态的语言，能够以完全通用的方式来解决各种字符串的处理（例如，匹配、选择、编辑及验证）问题。
1、创建正则表达式
首先从用正则表达式可能存在的构造集中选取一个有用的子集，以此开始学习正则表达式。用于创建正则表达式的构造列表可以在java.util.regex包Pattern类中找到。

 

2、下面是一些创建字符类的典型方式以及一些预定义的类。

    1）\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)。
    2）\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。
    3）\b\w{6}\b 匹配刚好6个字母/数字的单词。
3．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：你没法指定它们，因为它们会被解释成其它的意思。这时你就必须使用\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：www\.sina\.com匹配[url]www.sina.com[/url] ，c:\\Windows匹配c:\Windows。
4．重复
    常用的限定符
    代码/语法         说明
    *             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
    13\d{9}　匹配13后面跟9个数字(中国的手机号)
    ^\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)
5．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，你只需要在中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!)(英文语句通常只以这三个标点结束)。
   
    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}。
   
    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})。不幸的是，它也能匹配010)12345678或(022-87654321这样的“不正确”的格式。
   
6．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：
    常用的反义代码
    代码/语法     说明
    \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。
7．替换
    好了，现在终于到了解决3位或4位区号问题的时间了。正则表达式里的替换指的是有几种规则，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。 你可以试试用替换|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：使用替换时，顺序是很重要的。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)。原因是匹配替换时，将会从左到右地测试每个分枝条件，如果满足了某个分枝的话，就不会去管其它的替换条件了。
   
    Windows98|Windows2000|WindosXP这个例子是为了告诉你替换不仅仅能用于两种规则，也能用于更多种规则。
8．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})。
   
    不幸的是，它也将匹配256.300.888.999这种不可能存在的IP地址(IP地址中每个数字都不能大于255。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。
   
9．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。
   
    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, kitty kitty。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)，然后是1个或几个空白符(\s+)，最后是前 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：
   
    分组语法         捕获
    (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
    零宽断言
    (?=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
    注释
    (?#comment)         这种类型的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
    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。

12．注释
    小括号的另一种用途是能过语法(?#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，我们可以将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
       
13．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。考虑这个表达式：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和ab（为什么第一个匹配是aab而不是ab？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：最先开始的匹配最有最大的优先权——The Match That Begins Earliest Wins）。
   
    懒惰限定符
     *?         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
   
14．平衡组/递归匹配
注意：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
(?'-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（或者你是一个对堆栈的概念不熟的程序员），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，就在黑板上写一个"group"，每碰到一个右括号，就擦掉一个，到了最后就看看黑板上还有没有－－如果有那就证明左括号比右括号多，那匹配就应该失败。

<                         #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>.

   
    尚未详细讨论的语法
     \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