正则表达式基础
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.
^,$和\b都是用来进行边界匹配的,它们本身并不匹配任何字符.
分支条件
用|可以把不同的规则分隔开.左右两边表达式是或的关系,即匹配左边或者右边,可以在多个项之间进行选择.
匹配分支条件时会采取短路原则,即如果前面某个分支已经满足,则不会再测试后面的分支条件.
后向引用
前面介绍的小括号的使用,用来分组,以备后续使用,这里就要介绍怎么使用.
表达式在匹配的时候,会将小括号包含的表达式所匹配到的字符串记录下来,在获取匹配结果的时候,小括号表达式匹配的字符串可以单独获取.
小括号匹配到的字符串,不仅是在匹配结束后才能使用,在匹配过程中也可以使用.
这样就可以匹配重复出现的单词等.
表达式后面的部分,可以引用前面”括号内的子匹配已经匹配到的字符串”,引用方法是反斜杠\加上一个数字.
\1引用第一对括号内匹配到的字符串, \2引用第二对. 比较特殊的是分组0对应整个正则表达式.
如果有嵌套的括号,则外层的括号先排序号(即按照左括号的顺序排序).
也可以自己指定子表达式的组名,语法是:(?exp),其中<>换成单引号也行.
引用自己指定名字的子表达式:\k
组号分配时扫描两遍,第一遍给未命名的组分配,第二遍给命名了的组分配组号.
使用(?:exp)将不捕获匹配的文本,也不给此组分配编号.
零宽断言和负向零宽断言
断言指定了一个条件(可能是正向条件或者负向条件),然后零宽表示所占宽度为零,即自身并不被包含在匹配结果里,就好像\b,^,$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.
(?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(?
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/