http://www.unibetter.com/deerchao/zhengzhe-biaodashi-jiaocheng-se.htm
正則表達式30分鐘入門教程
版本:v2.3 (2008-4-13) 作者: deerchao 轉載請注明 來源
目錄
- 本文目標
- 如何使用本教程
- 正則表達式到底是什么東西?
- 入門
- 測試正則表達式
- 元字符
- 字符轉義
- 重復
- 字符類
- 分枝條件
- 反義
- 分組
- 后向引用
- 零寬斷言
- 負向零寬斷言
- 注釋
- 貪婪與懶惰
- 處理選項
- 平衡組/遞歸匹配
- 還有些什么東西沒提到
- 聯系作者
- 最后,來點廣告...
- 網上的資源及本文參考文獻
- 更新說明
本文目標
30分鐘內讓你明白正則表達式是什么,并對它有一些基本的了解,讓你可以在自己的程序或網頁里使用它。
如何使用本教程
最重要的是——請給我 30分鐘 ,如果你沒有使用正則表達式的經驗,請不要試圖在30 秒 內入門——除非你是超人 :)
別被下面那些復雜的表達式嚇倒,只要跟著我一步一步來,你會發現正則表達式其實并 沒有 你想像中的那么困難。當然,如果你看完了這篇教程之后,發現自己明白了很多,卻又幾乎什么都記不得,那也是很正常的——我認為,沒接觸過正則表達式的人在看完這篇教程后,能把提到過的語法記住80%以上的可能性為零。這里只是讓你明白基本的原理,以后你還需要多練習,多使用,才能熟練掌握正則表達式。
除了作為入門教程之外,本文還試圖成為可以在日常工作中使用的正則表達式語法參考手冊。就作者本人的經歷來說,這個目標還是完成得不錯的——你看,我自己也沒能把所有的東西記下來,不是嗎?
清除格式 文本格式約定: 專業術語 元字符/語法格式 正則表達式 正則表達式中的一部分(用于分析) 對其進行匹配的源字符串 對正則表達式或其中一部分的說明
隱藏邊注 本文右邊有一些注釋,主要是用來提供一些相關信息,或者給沒有程序員背景的讀者解釋一些基本概念,通常可以忽略。
正則表達式到底是什么東西?
字符 是計算機軟件處理文字時最基本的單位,可能是字母,數字,標點符號,空格,換行符,漢字等等。 字符串 是0個或更多個字符的序列。 文本 也就是文字,字符串。說某個字符串 匹配 某個正則表達式,通常是指這個字符串里有一部分(或幾部分分別)能滿足表達式給出的條件。
在編寫處理字符串的程序或網頁時,經常會有查找符合某些復雜規則的字符串的需要。 正則表達式 就是用于描述這些規則的工具。換句話說,正則表達式就是記錄文本規則的代碼。
很可能你使用過Windows/Dos下用于文件查找的 通配符(wildcard) ,也就是 * 和 ? 。如果你想查找某個目錄下的所有的Word文檔的話,你會搜索 *.doc 。在這里, * 會被解釋成任意的字符串。和通配符類似,正則表達式也是用來進行文本匹配的工具,只不過比起通配符,它能更精確地描述你的需求——當然,代價就是更復雜——比如你可以編寫一個正則表達式,用來查找 所有以0開頭,后面跟著2-3個數字,然后是一個連字號“-”,最后是7或8位數字的字符串 (像 010-12345678 或 0376-7654321 )。
入門
學習正則表達式的最好方法是從例子開始,理解例子之后再自己對例子進行修改,實驗。下面給出了不少簡單的例子,并對它們作了詳細的說明。
假設你在一篇英文小說里查找 hi ,你可以使用正則表達式 hi 。
這幾乎是最簡單的正則表達式了,它可以精確匹配這樣的字符串: 由兩個字符組成,前一個字符是h,后一個是i 。通常,處理正則表達式的工具會提供一個忽略大小寫的選項,如果選中了這個選項,它可以匹配 hi , HI , Hi , hI 這四種情況中的任意一種。
不幸的是,很多單詞里包含 hi 這兩個連續的字符,比如 him , history , high 等等。用 hi 來查找的話,這里邊的 hi 也會被找出來。如果要 精確地查找hi這個單詞 的話,我們應該使用 /bhi/b 。
/b 是正則表達式規定的一個特殊代碼(好吧,某些人叫它 元字符,metacharacter ),代表著 單詞的開頭或結尾,也就是單詞的分界處 。雖然通常英文的單詞是由空格,標點符號或者換行來分隔的,但是 /b 并不匹配這些單詞分隔字符中的任何一個,它 只匹配一個位置 。
如果需要更精確的說法, /b 匹配這樣的位置:它的前一個字符和后一個字符不全是(一個是,一個不是或不存在) /w 。
假如你要找的是 hi后面不遠處跟著一個Lucy ,你應該用 /bhi/b.*/bLucy/b 。
這里, . 是另一個元字符,匹配 除了換行符以外的任意字符 。 * 同樣是元字符,不過它代表的不是字符,也不是位置,而是數量——它指定* 前邊的內容可以連續重復出現任意次以使整個表達式得到匹配 。因此, .* 連在一起就意味著 任意數量的不包含換行的字符 。現在 /bhi/b.*/bLucy/b 的意思就很明顯了: 先是一個單詞hi,然后是任意個任意字符(但不能是換行),最后是Lucy這個單詞 。
換行符就是'/n',ASCII編碼為10(十六進制0x0A)的字符。
如果同時使用其它元字符,我們就能構造出功能更強大的正則表達式。比如下面這個例子:
0/d/d-/d/d/d/d/d/d/d/d 匹配這樣的字符串: 以0開頭,然后是兩個數字,然后是一個連字號“-”,最后是8個數字 (也就是中國的電話號碼。當然,這個例子只能匹配區號為3位的情形)。
這里的 /d 是個新的元字符,匹配 一位數字(0,或1,或2,或……) 。 - 不是元字符,只匹配它本身——連字符或者減號。
為了避免那么多煩人的重復,我們也可以這樣寫這個表達式: 0/d{2}-/d{8} 。 這里 /d 后面的 {2} ( {8} )的意思是前面 /d 必須連續重復匹配2次(8次) 。
測試正則表達式
其它可用的測試工具:
如果你不覺得正則表達式很難讀寫的話,要么你是一個天才,要么,你不是地球人。正則表達式的語法很令人頭疼,即使對經常使用它的人來說也是如此。由于難于讀寫,容易出錯,所以找一種工具對正則表達式進行測試是很有必要的。
由于在不同的環境下正則表達式的一些細節是不相同的,本教程介紹的是微軟 .Net Framework 2.0下正則表達式的行為,所以,我向你介紹一個.Net下的工具 Regex Tester 。首先你確保已經安裝了 .Net Framework 2.0 ,然后 下載Regex Tester 。這是個綠色軟件,下載完后打開壓縮包,直接運行RegexTester.exe就可以了。
下面是Regex Tester運行時的截圖:
元字符
現在你已經知道幾個很有用的元字符了,如 /b , . , * ,還有 /d .正則表達式里還有更多的元字符,比如 /s 匹配 任意的空白符,包括空格,制表符(Tab),換行符,中文全角空格等 。 /w 匹配 字母或數字或下劃線或漢字等 。
對中文/漢字的特殊處理是由.Net提供的正則表達式引擎支持的,其它環境下的具體情況請查看相關文檔。
下面來看看更多的例子:
/ba/w*/b 匹配 以字母 a 開頭的單詞——先是某個單詞開始處( /b ),然后是字母 a ,然后是任意數量的字母或數字( /w* ),最后是單詞結束處( /b ) 。
好吧,現在我們說說正則表達式里的單詞是什么意思吧:就是多于一個的連續的 /w 。不錯,這與學習英文時要背的成千上萬個同名的東西的確關系不大 :)
/d+ 匹配 1個或更多連續的數字 。這里的 + 是和 * 類似的元字符,不同的是 * 匹配 重復任意次(可能是0次) ,而 + 則匹配 重復1次或更多次 。
/b/w{6}/b 匹配 剛好6個字母/數字的單詞 。
代碼 說明
. | 匹配除換行符以外的任意字符 |
/w | 匹配字母或數字或下劃線或漢字 |
/s | 匹配任意的空白符 |
/d | 匹配數字 |
/b | 匹配單詞的開始或結束 |
^ | 匹配字符串的開始 |
$ | 匹配字符串的結束 |
元字符 ^ (和數字6在同一個鍵位上的符號)和 $ 都匹配一個位置,這和 /b 有點類似。 ^ 匹配你要用來查找的字符串的開頭, $ 匹配結尾。這兩個代碼在驗證輸入的內容時非常有用,比如一個網站如果要求你填寫的QQ號必須為5位到12位數字時,可以使用: ^/d{5,12}$ 。
這里的 {5,12} 和前面介紹過的 {2} 是類似的,只不過 {2} 匹配 只能不多不少重復2次 , {5,12} 則是 重復的次數不能少于5次,不能多于12次 ,否則都不匹配。
因為使用了 ^ 和 $ ,所以輸入的整個字符串都要用來和 /d{5,12} 來匹配,也就是說整個輸入 必須是5到12個數字 ,因此如果輸入的QQ號能匹配這個正則表達式的話,那就符合要求了。
和忽略大小寫的選項類似,有些正則表達式處理工具還有一個處理多行的選項。如果選中了這個選項, ^ 和 $ 的意義就變成了 匹配行的開始處和結束處 。
字符轉義
如果你想查找元字符本身的話,比如你查找 . ,或者 * ,就出現了問題:你沒辦法指定它們,因為它們會被解釋成別的意思。這時你就得使用 / 來取消這些字符的特殊意義。因此,你應該使用 /. 和 /* 。當然,要查找 / 本身,你也得用 // .
例如: unibetter/.com 匹配 unibetter.com , C://Windows 匹配 C:/Windows 。
重復
你已經看過了前面的 * , + , {2} , {5,12} 這幾個匹配重復的方式了。下面是正則表達式中所有的限定符(指定數量的代碼,例如*,{5,12}等):
代碼/語法 說明
* | 重復零次或更多次 |
+ | 重復一次或更多次 |
? | 重復零次或一次 |
{n} | 重復n次 |
{n,} | 重復n次或更多次 |
{n,m} | 重復n到m次 |
下面是一些使用重復的例子:
Windows/d+ 匹配 Windows后面跟1個或更多數字
^/w+ 匹配 一行的第一個單詞(或整個字符串的第一個單詞,具體匹配哪個意思得看選項設置)
字符類
要想查找數字,字母或數字,空白是很簡單的,因為已經有了對應這些字符集合的元字符,但是如果你想匹配沒有預定義元字符的字符集合(比如元音字母a,e,i,o,u),應該怎么辦?
很簡單,你只需要在方括號里列出它們就行了,像 [aeiou] 就匹配 任何一個英文元音字母 , [.?!] 匹配 標點符號(.或?或!) 。
我們也可以輕松地指定一個字符 范圍 ,像 [0-9] 代表的含意與 /d 就是完全一致的: 一位數字 ;同理 [a-z0-9A-Z_] 也完全等同于 /w (如果只考慮英文的話)。
下面是一個更復雜的表達式: /(?0/d{2}[) -]?/d{8} 。
“(”和“)”也是元字符,后面的 分組節 里會提到,所以在這里需要使用 轉義 。
這個表達式可以匹配 幾種格式的電話號碼 ,像 (010)88886666 ,或 022-22334455 ,或 02912345678 等。我們對它進行一些分析吧:首先是一個轉義字符 /( ,它能出現0次或1次( ? ),然后是一個 0 ,后面跟著2個數字( /d{2} ),然后是 ) 或 - 或 空格 中的一個,它出現1次或不出現( ? ),最后是8個數字( /d{8} )。
分枝條件
不幸的是,剛才那個表達式也能匹配 010)12345678 或 (022-87654321 這樣的“不正確”的格式。要解決這個問題,我們需要用到 分枝條件 。正則表達式里的 分枝條件 指的是有幾種規則,如果滿足其中任意一種規則都應該當成匹配,具體方法是用 | 把不同的規則分隔開。聽不明白?沒關系,看例子:
0/d{2}-/d{8}|0/d{3}-/d{7} 這個表達式能 匹配兩種以連字號分隔的電話號碼:一種是三位區號,8位本地號(如010-12345678),一種是4位區號,7位本地號(0376-2233445) 。
/(0/d{2}/)[- ]?/d{8}|0/d{2}[- ]?/d{8} 這個表達式 匹配3位區號的電話號碼,其中區號可以用小括號括起來,也可以不用,區號與本地號間可以用連字號或空格間隔,也可以沒有間隔 。你可以試試用分枝條件把這個表達式擴展成也支持4位區號的。
/d{5}-/d{4}|/d{5} 這個表達式用于匹配美國的郵政編碼。美國郵編的規則是5位數字,或者用連字號間隔的9位數字。之所以要給出這個例子是因為它能說明一個問題: 使用分枝條件時,要注意各個條件的順序 。如果你把它改成 /d{5}|/d{5}-/d{4} 的話,那么就只會匹配5位的郵編(以及9位郵編的前5位)。原因是匹配分枝條件時,將會從左到右地測試每個條件,如果滿足了某個分枝的話,就不會去再管其它的條件了。
分組
我們已經提到了怎么重復單個字符(直接在字符后面加上限定符就行了);但如果想要重復多個字符又該怎么辦?你可以用小括號來指定 子表達式 (也叫做 分組 ),然后你就可以指定這個子表達式的重復次數了,你也可以對子表達式進行其它一些操作(后面會有介紹)。
(/d{1,3}/.){3}/d{1,3} 是一個 簡單的IP地址匹配 表達式。要理解這個表達式,請按下列順序分析它: /d{1,3} 匹配 1到3位的數字 , (/d{1,3}/.){3} 匹配 三位數字加上一個英文句號(這個整體也就是這個 分組 )重復3次 ,最后再加上 一個一到三位的數字 ( /d{1,3} )。
IP地址中每個數字都不能大于255,大家千萬不要被《24》第三季的編劇給忽悠了...
不幸的是,它也將匹配 256.300.888.999 這種不可能存在的IP地址。如果能使用算術比較的話,或許能簡單地解決這個問題,但是正則表達式中并不提供關于數學的任何功能,所以只能使用冗長的分組,選擇,字符類來描述一個正確的IP地址: ((2[0-4]/d|25[0-5]|[01]?/d/d?)/.){3}(2[0-4]/d|25[0-5]|[01]?/d/d?) 。
理解這個表達式的關鍵是理解 2[0-4]/d|25[0-5]|[01]?/d/d? ,這里我就不細說了,你自己應該能分析得出來它的意義。
反義
有時需要查找不屬于某個能簡單定義的字符類的字符。比如想查找除了數字以外,其它任意字符都行的情況,這時需要用到 反義 :
代碼/語法 說明
/W | 匹配任意不是字母,數字,下劃線,漢字的字符 |
/S | 匹配任意不是空白符的字符 |
/D | 匹配任意非數字的字符 |
/B | 匹配不是單詞開頭或結束的位置 |
[^x] | 匹配除了x以外的任意字符 |
[^aeiou] | 匹配除了aeiou這幾個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 用尖括號括起來的以a開頭的字符串 。
后向引用
使用小括號指定一個子表達式后, 匹配這個子表達式的文本 (也就是此分組捕獲的內容)可以在表達式或其它程序中作進一步的處理。默認情況下,每個分組會自動擁有一個 組號 ,規則是:從左向右,以分組的左括號為標志,第一個出現的分組的組號為1,第二個為2,以此類推。
后向引用 用于重復搜索前面某個分組匹配的文本。例如, /1 代表 分組1匹配的文本 。難以理解?請看示例:
/b(/w+)/b/s+/1/b 可以用來匹配 重復的單詞 ,像 go go , 或者 kitty kitty 。這個表達式首先是 一個單詞 ,也就是 單詞開始處和結束處之間的多于一個的字母或數字 ( /b(/w+)/b ),這個單詞會被捕獲到編號為1的分組中,然后是 1個或幾個空白符 ( /s+ ),最后是 分組1中捕獲的內容(也就是前面匹配的那個單詞) ( /1 )。
你也可以自己指定子表達式的 組名 。要指定一個子表達式的組名,請使用這樣的語法: (?<Word>/w+) (或者把尖括號換成 ' 也行: (?'Word'/w+) ),這樣就把 /w+ 的組名指定為 Word 了。要反向引用這個分組 捕獲 的內容,你可以使用 /k<Word> ,所以上一個例子也可以寫成這樣: /b(?<Word>/w+)/b/s+/k<Word>/b 。
使用小括號的時候,還有很多特定用途的語法。下面列出了最常用的一些:
分類 代碼/語法 說明 捕獲 零寬斷言 注釋
(exp) | 匹配exp,并捕獲文本到自動命名的組里 |
(?<name>exp) | 匹配exp,并捕獲文本到名稱為name的組里,也可以寫成(?'name'exp) |
(?:exp) | 匹配exp,不捕獲匹配的文本,也不給此分組分配組號 |
(?=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) | 這種類型的分組不對正則表達式的處理產生任何影響,用于提供注釋讓人閱讀 |
我們已經討論了前兩種語法。第三個 (?:exp) 不會改變正則表達式的處理方式,只是這樣的組匹配的內容 不會像前兩種那樣被捕獲到某個組里面,也不會擁有組號 。
零寬斷言
地球人,是不是覺得這些術語名稱太復雜,太難記了?我也和你一樣。知道有這么一種東西就行了,它叫什么,隨它去吧!“無名,萬物之始...”
接下來的四個用于查找在某些內容(但并不包括這些內容)之前或之后的東西,也就是說它們像 /b , ^ , $ 那樣用于指定一個位置,這個位置應該滿足一定的條件(即斷言),因此它們也被稱為 零寬斷言 。最好還是拿例子來說明吧:
斷言用來聲明一個應該為真的事實。正則表達式中只有當斷言為真時才會繼續進行匹配。
(?=exp) 也叫 零寬度正預測先行斷言 ,它 斷言自身出現的位置的后面能匹配表達式exp 。比如 /b/w+(?=ing/b) ,匹配 以ing結尾的單詞的前面部分(除了ing以外的部分) ,如查找 I'm singing while you're dancing. 時,它會匹配 sing 和 danc 。
(?<=exp) 也叫 零寬度正回顧后發斷言 ,它 斷言自身出現的位置的前面能匹配表達式exp 。比如 (?<=/bre)/w+/b 會匹配 以re開頭的單詞的后半部分(除了re以外的部分) ,例如在查找 reading a book 時,它匹配 ading 。
假如你想要給一個很長的數字中每三位間加一個逗號(當然是從右邊加起了),你可以這樣查找需要在前面和里面添加逗號的部分: ((?<=/d)/d{3})*/b ,用它對 1234567890 進行查找時結果是 234567890 。
下面這個例子同時使用了這兩種斷言: (?<=/s)/d+(?=/s) 匹配 以空白符間隔的數字(再次強調,不包括這些空白符) 。
負向零寬斷言
前面我們提到過怎么查找 不是某個字符或不在某個字符類里 的字符的方法(反義)。但是如果我們只是想要 確保某個字符沒有出現,但并不想去匹配它 時怎么辦?例如,如果我們想查找這樣的單詞--它里面出現了字母q,但是q后面跟的不是字母u,我們可以嘗試這樣:
/b/w*q[^u]/w*/b 匹配 包含 后面不是字母u的字母q 的單詞 。但是如果多做測試(或者你思維足夠敏銳,直接就觀察出來了),你會發現,如果q出現在單詞的結尾的話,像 Iraq , Benq ,這個表達式就會出錯。這是因為 [^u] 總要匹配一個字符,所以如果q是單詞的最后一個字符的話,后面的 [^u] 將會匹配q后面的單詞分隔符(可能是空格,或者是句號或其它的什么),后面的 /w*/b 將會匹配下一個單詞,于是 /b/w*q[^u]/w*/b 就能匹配整個 Iraq fighting 。 負向零寬斷言 能解決這樣的問題,因為它只匹配一個位置,并不 消費 任何字符。現在,我們可以這樣來解決這個問題: /b/w*q(?!u)/w*/b 。
零寬度負預測先行斷言 (?!exp) , 斷言此位置的后面不能匹配表達式exp 。例如: /d{3}(?!/d) 匹配 三位數字,而且這三位數字的后面不能是數字 ; /b((?!abc)/w)+/b 匹配 不包含連續字符串abc的單詞 。
同理,我們可以用 (?<!exp) , 零寬度正回顧后發斷言 來 斷言此位置的前面不能匹配表達式exp : (?<![a-z])/d{7} 匹配 前面不是小寫字母的七位數字 。
請詳細分析表達式 (?<=<(/w+)>).*(?=<///1>) ,這個表達式最能表現零寬斷言的真正用途。
一個更復雜的例子: (?<=<(/w+)>).*(?=<///1>) 匹配 不包含屬性的簡單HTML標簽內里的內容 。 (<?(/w+)>) 指定了這樣的 前綴 : 被尖括號括起來的單詞 (比如可能是<b>),然后是 .* (任意的字符串),最后是一個 后綴 (?=<///1>) 。注意后綴里的 // ,它用到了前面提過的字符轉義; /1 則是一個反向引用,引用的正是 捕獲的第一組 ,前面的 (/w+) 匹配的內容,這樣如果前綴實際上是<b>的話,后綴就是</b>了。整個表達式匹配的是<b>和</b>之間的內容(再次提醒,不包括前綴和后綴本身)。
注釋
小括號的另一種用途是通過語法 (?#comment) 來包含注釋。例如: 2[0-4]/d(?#200-249)|25[0-5](?#250-255)|[01]?/d/d?(?#0-199) 。
要包含注釋的話,最好是啟用“忽略模式里的空白符”選項,這樣在編寫表達式時能任意的添加空格,Tab,換行,而實際使用時這些都將被忽略。啟用這個選項后,在#后面到這一行結束的所有文本都將被當成注釋忽略掉。例如,我們可以前面的一個表達式寫成這樣:
(?<= # 斷言要匹配的文本的前綴 <(/w+)> # 查找尖括號括起來的字母或數字(即HTML/XML標簽) ) # 前綴結束 .* # 匹配任意文本 (?= # 斷言要匹配的文本的后綴 <///1> # 查找尖括號括起來的內容:前面是一個"/",后面是先前捕獲的標簽 ) # 后綴結束
貪婪與懶惰
當正則表達式中包含能接受重復的限定符時,通常的行為是(在使整個表達式能得到匹配的前提下)匹配 盡可能多 的字符。考慮這個表達式: a.*b ,它將會匹配 最長的以a開始,以b結束的字符串 。如果用它來搜索 aabab 的話,它會匹配整個字符串 aabab 。這被稱為 貪婪 匹配。
有時,我們更需要 懶惰 匹配,也就是匹配 盡可能少 的字符。前面給出的限定符都可以被轉化為懶惰匹配模式,只要在它后面加上一個問號 ? 。這樣 .*? 就意味著 匹配任意數量的重復,但是在能使整個匹配成功的前提下使用最少的重復 。現在看看懶惰版的例子吧:
a.*?b 匹配 最短的,以a開始,以b結束的字符串 。如果把它應用于 aabab 的話,它會匹配 aab(第一到第三個字符) 和 ab(第四到第五個字符) 。
為什么第一個匹配是aab(第一到第三個字符)而不是ab(第二到第三個字符)?簡單地說,因為正則表達式有另一條規則,比懶惰/貪婪規則的優先級更高:最先開始的匹配擁有最高的優先權——The match that begins earliest wins。
代碼/語法 說明
*? | 重復任意次,但盡可能少重復 |
+? | 重復1次或更多次,但盡可能少重復 |
?? | 重復0次或1次,但盡可能少重復 |
{n,m}? | 重復n到m次,但盡可能少重復 |
{n,}? | 重復n次以上,但盡可能少重復 |
處理選項
在C#中,你可以使用 Regex(String, RegexOptions)構造函數 來設置正則表達式的處理選項。如:Regex regex = new Regex("/ba/w{6}/b", RegexOptions.IgnoreCase);
上面介紹了幾個選項如忽略大小寫,處理多行等,這些選項能用來改變處理正則表達式的方式。下面是.Net中常用的正則表達式選項:
名稱 說明
IgnoreCase(忽略大小寫) | 匹配時不區分大小寫。 |
Multiline(多行模式) | 更改 ^ 和 $ 的含義,使它們分別在任意一行的行首和行尾匹配,而不僅僅在整個字符串的開頭和結尾匹配。(在此模式下, $ 的精確含意是:匹配/n之前的位置以及字符串結束前的位置.) |
Singleline(單行模式) | 更改 . 的含義,使它與每一個字符匹配(包括換行符/n)。 |
IgnorePatternWhitespace(忽略空白) | 忽略表達式中的非轉義空白并啟用由 # 標記的注釋。 |
RightToLeft(從右向左查找) | 匹配從右向左而不是從左向右進行。 |
ExplicitCapture(顯式捕獲) | 僅捕獲已被顯式命名的組。 |
ECMAScript(JavaScript兼容模式) | 使表達式的行為與它在JavaScript里的行為一致。 |
一個經常被問到的問題是:是不是只能同時使用多行模式和單行模式中的一種?答案是:不是。這兩個選項之間沒有任何關系,除了它們的名字比較相似(以至于讓人感到疑惑)以外。
平衡組/遞歸匹配
這里介紹的平衡組語法是由.Net Framework支持的;其它語言/庫不一定支持這種功能,或者支持此功能但需要使用不同的語法。
有時我們需要匹配像 ( 100 * ( 50 + 15 ) )這樣的可嵌套的層次性結構 ,這時簡單地使用 /(.+/) 則只會匹配到最左邊的左括號和最右邊的右括號之間的內容(這里我們討論的是貪婪模式,懶惰模式也有下面的問題)。假如原來的字符串里的左括號和右括號出現的次數不相等,比如 ( 5 / ( 3 + 2 ) ) ) ,那我們的匹配結果里兩者的個數也不會相等。有沒有辦法在這樣的字符串里匹配到最長的,配對的括號之間的內容呢?
為了避免 ( 和 /( 把你的大腦徹底搞糊涂,我們還是用尖括號代替圓括號吧。現在我們的問題變成了如何把 xx <aa <bbb> <bbb> aa> yy 這樣的字符串里,最長的配對的尖括號內的內容捕獲出來?
這里需要用到以下的語法構造:
- (?'group') 把捕獲的內容命名為group,并壓入 堆棧(Stack)
- (?'-group') 從堆棧上彈出最后壓入堆棧的名為group的捕獲內容,如果堆棧本來為空,則本分組的匹配失敗
- (?(group)yes|no) 如果堆棧上存在以名為group的捕獲內容的話,繼續匹配yes部分的表達式,否則繼續匹配no部分
- (?!) 零寬負向先行斷言,由于沒有后綴表達式,試圖匹配總是失敗
如果你不是一個程序員(或者你自稱程序員但是不知道堆棧是什么東西),你就這樣理解上面的三種語法吧:第一個就是在黑板上寫一個"group",第二個就是從黑板上擦掉一個"group",第三個就是看黑板上寫的還有沒有"group",如果有就繼續匹配yes部分,否則就匹配no部分。
我們需要做的是每碰到了左括號,就在壓入一個"Open",每碰到一個右括號,就彈出一個,到了最后就看看堆棧是否為空--如果不為空那就證明左括號比右括號多,那匹配就應該失敗。正則表達式引擎會進行回溯(放棄最前面或最后面的一些字符),盡量使整個表達式得到匹配。
< #最外層的左括號 [^<>]* #最外層的左括號后面的不是括號的內容 ( ( (?'Open'<) #碰到了左括號,在黑板上寫一個"Open" [^<>]* #匹配左括號后面的不是括號的內容 )+ ( (?'-Open'>) #碰到了右括號,擦掉一個"Open" [^<>]* #匹配右括號后面不是括號的內容 )+ )* (?(Open)(?!)) #在遇到最外層的右括號前面,判斷黑板上還有沒有沒擦掉的"Open";如果還有,則匹配失敗 > #最外層的右括號
平衡組的一個最常見的應用就是匹配HTML,下面這個例子可以匹配 嵌套的<div>標簽 : <div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div> .
還有些什么東西沒提到
我已經描述了構造正則表達式的大量元素,還有一些我沒有提到的東西。下面是未提到的元素的列表,包含語法和簡單的說明。你可以在網上找到更詳細的參考資料來學習它們--當你需要用到它們的時候。如果你安裝了MSDN Library,你也可以在里面找到關于.net下正則表達式詳細的文檔。
代碼/語法 說明
/a | 報警字符(打印它的效果是電腦嘀一聲) |
/b | 通常是單詞分界位置,但如果在字符類里使用代表退格 |
/t | 制表符,Tab |
/r | 回車 |
/v | 豎向制表符 |
/f | 換頁符 |
/n | 換行符 |
/e | Escape |
/0nn | ASCII代碼中八進制代碼為nn的字符 |
/xnn | ASCII代碼中十六進制代碼為nn的字符 |
/unnnn | Unicode代碼中十六進制代碼為nnnn的字符 |
/cN | ASCII控制字符。比如/cC代表Ctrl+C |
/A | 字符串開頭(類似^,但不受處理多行選項的影響) |
/Z | 字符串結尾或行尾(不受處理多行選項的影響) |
/z | 字符串結尾(類似$,但不受處理多行選項的影響) |
/G | 當前搜索的開頭 |
/p{name} | Unicode中命名為name的字符類,例如/p{IsGreek} |
(?>exp) | 貪婪子表達式 |
(?<x>-<y>exp) | 平衡組 |
(?im-nsx:exp) | 在子表達式exp中改變處理選項 |
(?im-nsx) | 為表達式后面的部分改變處理選項 |
(?(exp)yes|no) | 把exp當作零寬正向先行斷言,如果在這個位置能匹配,使用yes作為此組的表達式;否則使用no |
(?(exp)yes) | 同上,只是使用空表達式作為no |
(?(name)yes|no) | 如果命名為name的組捕獲到了內容,使用yes作為表達式;否則使用no |
(?(name)yes) | 同上,只是使用空表達式作為no |
聯系作者
好吧,我承認,我騙了你,讀到這里你肯定花了不止30分鐘.相信我,這是我的錯,而不是因為你太笨.我之所以說"30分鐘",是為了讓你有信心,有耐心繼續下去.既然你看到了這里,那證明我的陰謀成功了.被忽悠的感覺很爽吧?
要投訴我,或者覺得我其實可以做得更好,或者有任何其它問題,歡迎來 我的博客 讓我知道.
<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,來點廣告...
網上的資源及本文參考文獻
- 微軟的正則表達式教程
- System.Text.RegularExpressions.Regex類(MSDN)
- 專業的正則表達式教學網站(英文)
- 關于.Net下的平衡組的詳細討論(英文)
- Mastering Regular Expressions (Second Edition)
更新說明
- 2006-3-27 第一版
-
2006-10-12 第二版
- 修正了幾個細節上的錯誤和不準確的地方
- 增加了對處理中文時的一些說明
- 更改了幾個術語的翻譯(采用了MSDN的翻譯方式)
- 增加了平衡組的介紹
- 放棄了對The Regulator的介紹,改用Regex Tester
-
2007-3-12 V2.1
- 修正了幾個小的錯誤
- 增加了對處理選項(RegexOptions)的介紹
-
2007-5-28 V2.2
- 重新組織了對零寬斷言的介紹
- 刪除了幾個不太合適的示例,添加了幾個實用的示例
- 其它一些微小的更改
-
2007-8-3 V2.21
- 修改了幾處文字錯誤
- 修改/添加了對$,/b的精確說明
- 承認了作者是個騙子
- 給RegexTester添加了Singleline選項的相關功能
-
2008-4-13 v2.3
- 調整了部分章節的次序
- 修改了頁面布局,刪除了專門的參考節
- 針對讀者的反饋,調整了部分內容
Validated XHTML 1.0 Strict Validated CSS 2.1 <script type="text/javascript"> //<![CDATA[ google_ad_client = "pub-1134642721173543"; /* FireFox - 正則 unibetter,創建于 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>window.google_render_ad();</script><script language="JavaScript1.1" src="http://googleads.g.doubleclick.net/cpa/ads?&oe=utf-8client=ca-pub-1134642721173543&dt=1231741364811&lmt=1210043684&output=textlink&slotname=1367490761&correlator=1231741364717&url=http%3A%2F%2Fwww.unibetter.com%2Fdeerchao%2Fzhengzhe-biaodashi-jiaocheng-se.htm&region=_google_cpa_region_&eid=6083027&ea=0&ref=http%3A%2F%2Fwww.unibetter.com%2Fdeerchao%2Fzhengzhe-biaodashi-jiaocheng.htm&frm=0&ga_vid=1210900324.1231741365&ga_sid=1231741365&ga_hid=615668978&flash=9.0.124.0&u_h=768&u_w=1024&u_ah=738&u_aw=1024&u_cd=32&u_tz=480&u_his=1&u_java=true&dtd=31"></script> 氣體檢測儀
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號聯系: 360901061
您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對您有幫助就好】元
