正则表达式基础

正则表达式定义

     正则表达式,Regular Expression,也常被简写为regex,regexp或RE.

     通常用一个正则表达式描述一个特征,然后去验证其他字符串是否符合这个特征.

     正则表达式也常被称作一个模式(pattern).

     

     PS:正则表达式精确的语法可能会因程序语言或工具的不同而有所差异.

     PPS:本文是学习之记录,如有不妥还望指正.

         

 

普通字符和特殊字符

     字符分为普通字符和特殊字符.

     特殊字符也被称为元字符.

    

     普通字符匹配与自身完全相同的一个字符,如字母,数字等.

     什么样的字符叫普通字符呢?除了特殊的,就是普通的,所以本文后面提到的都是特殊的.

     通常有一些表可以查询:

     http://msdn.microsoft.com/zh-cn/library/az24scfc.aspx

     http://msdn.microsoft.com/zh-cn/library/ae5bf541(v=vs.100).aspx

 

     如何表示特殊符号本身?

     特殊字符前面加反斜杠(\)时表示自身.比如特殊字符^,$等,前面加上\,就表示这个符号本身.

     (可能正反斜杠不太容易记忆,所以可以记为右手斜杠).

     \就是转义字符,普通加转义变成特殊的,如\d;特殊加转义变成普通的,如\$.

 

常用元字符

     \d匹配一位数字.(因为它是digit的首字母).

     \w匹配字母或数字或下划线或汉字等.(联想tip:可能是”字”word的首字母).

     \s匹配任意的空白符,包括空格,Tab,换行.(可能因为是space的首字母).

     \b代表单词分界处(比如空格,标点符号和换行等),\b不匹配这些符号,只匹配一个位置.(这个想不出为什么了,难道是begin?blank?).

     .匹配除了换行之外的任意字符.

 

     上面几个常用元字符的大写字母形式则是其反义,比如\D匹配任意非数字的字符,其他\W,\S,\B的意思可以类推.

 

     一些不便被表示的符号(非打印字符)用转义字符表示,如:

     \r,\n代表回车和换行符.

     \t代表制表符.

     

字符集 (中括号[]的使用)

     字符集合用方括号组织.

     []中可以罗列元素,如[aeiou]匹配任何一个原因字母.[]中可以包含任意多个字符,可以匹配其中任意一个,但是只能是一个.

     [^]是反向字符集,如[^xyz]匹配除了xyz之外的任意一个字符.

     正反向的字符集都可以划定范围.比如[0-9][0-9a-z][^A-F0-3]等等.

     但是永远要记得:不管方括号[]里面有多少内容,它永远都只匹配一个字符作为匹配内容.

     要匹配多个字符,需要用数量限定符.

 

分组 (小括号()的使用)

     中括号介绍完了之后就是小括号了.

     小括号是用来分组的, ()符号:

     1.在被修饰匹配次数的时候,括号中的表达式可以作为整体被修饰;

     2.取匹配结果的时候,括号中的表达式匹配到的内容可以被单独得到.

     总而言之,小括号标记了子表达式的开始和结尾,可以保存子表达式以备将来之用.

     

     小括号的另一种用途是通过语法(?#comment)来包含注释.

 

 

指定数量的限定符 (大括号{}用在这里)

     *代表前面的内容出现0次到多次.

     +代表前面的内容出现1次到多次.

     ?代表前面的内容出现0次或1次.

     {n}代表前面的内容重复n次(不能多也不能少).

     {n,}代表前面的内容重复n次或更多次.

     {n,m}代表前面的内容重复n到m次.

     

     正则表达式默认是贪婪匹配,即匹配尽可能多的字符,比如a.*b它会匹配以a开始,以b结束的最长的字符串.

     但是有时候我们需要懒惰匹配(非贪婪匹配),也即匹配尽可能少得字符,要实现这个效果,只要在数量限定符的后面跟上一个问号?.

　　这样a.*?b会匹配以a开始,以b结束的最短的字符串.

 

 

匹配

    一般的正则匹配:当被检测的字符串包含的某个部分符合正则表达式的描述时,称为匹配成功;符合匹配的部分即是匹配到的内容. 

     但是如果加上^和$限定匹配字符串的开头和结尾,则必须是整个字符串匹配,匹配才能成功.

     比如\d是表示数字,\d{5,12}只能保证字符串里包含5到12连续位数字,而^\d{5,12}&则保证整个字符串就是5到12位数字.

     ^,$和\b都是用来进行边界匹配的,它们本身并不匹配任何字符.

 

分支条件

     用|可以把不同的规则分隔开.左右两边表达式是或的关系,即匹配左边或者右边,可以在多个项之间进行选择.

     匹配分支条件时会采取短路原则,即如果前面某个分支已经满足,则不会再测试后面的分支条件.

 

 

后向引用

     前面介绍的小括号的使用,用来分组,以备后续使用,这里就要介绍怎么使用.

     表达式在匹配的时候,会将小括号包含的表达式所匹配到的字符串记录下来,在获取匹配结果的时候,小括号表达式匹配的字符串可以单独获取.

     小括号匹配到的字符串,不仅是在匹配结束后才能使用,在匹配过程中也可以使用.

     这样就可以匹配重复出现的单词等.

 

     表达式后面的部分,可以引用前面”括号内的子匹配已经匹配到的字符串”,引用方法是反斜杠\加上一个数字.

     \1引用第一对括号内匹配到的字符串, \2引用第二对. 比较特殊的是分组0对应整个正则表达式.

     如果有嵌套的括号,则外层的括号先排序号(即按照左括号的顺序排序).

 

     也可以自己指定子表达式的组名,语法是:(?<name>exp),其中<>换成单引号也行.

     引用自己指定名字的子表达式:\k<name>

     组号分配时扫描两遍,第一遍给未命名的组分配,第二遍给命名了的组分配组号.

     使用(?:exp)将不捕获匹配的文本,也不给此组分配编号.

     

 

零宽断言和负向零宽断言

     断言指定了一个条件(可能是正向条件或者负向条件),然后零宽表示所占宽度为零,即自身并不被包含在匹配结果里,就好像\b,^,$等.

     两个正向条件的, 即零宽断言:

     (?=exp)零宽度正预测先行断言,它断言自身出现的位置后面能匹配表达式exp.

          比如\b\w+(?=ing\b),匹配以ing结尾的单词的前面部分.

     (?<=exp)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.

     两个负向条件的, 即负向零宽断言:

     (?!exp)零宽度负预测先行断言,断言此位置的后面不能匹配表达式exp.

          比如\d{3}(?!\d)匹配三位数字,而且这三位数字的后面不能是数字.

     (?<!exp)零宽度负后顾后发断言,断言此位置的前面不能匹配表达式exp.

          比如(?<![a-z]\d{7})匹配前面不是小写字母的七位数字.

     

     

     

 

参考资料

     正则表达式30分钟入门教程:

     http://deerchao.net/tutorials/regex/regex.htm

     wikipedia:

     http://zh.wikipedia.org/wiki/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F

     揭开正则表达式的神秘面纱:

     http://www.regexlab.com/zh/regref.htm

     msdn正则表达式语法:

     http://msdn.microsoft.com/zh-cn/library/az24scfc.aspx

     http://msdn.microsoft.com/zh-cn/library/ae5bf541(v=vs.100).aspx

 

 

     正则表达式测试网站:

     多种语言的正则表达式在线测试:

     http://www.regexplanet.com/

     JavaScript正则测试:

     http://regexpal.com/

     regex101:

     https://www.regex101.com/

     正则表达式状态机生成器:

     https://www.debuggex.com/