正则表达式30分钟新手入门教程
在编写处置字符串的程序或网页时,经常会有查寻相符某些复杂规则的字符串的需要。正则表达式就是用于描写这些规则的工具。换句话说,正则表达式就是记载文本规则的代码。
很大概你使用过Windows/Dos下用于文件查寻的通配符(wildcard),也就是*和?。假如你想查寻某个名目下的所有的Word文档的话,你会搜索*.doc。在这里,*会被说明成任意的字符串。和通配符相似,正则表达式也是用来停止文本匹配的工具,只不外比起通配符,它能更准确地描写你的需求——当然,代价就是更复杂——比方你可以编写一个正则表达式,用来查寻所有以0开头,后面跟着2-3个数字,然后是一个连字号“-”,最后是7或8位数字的字符串。
入门
学习正则表达式的最好办法是从例子开端,懂得例子之后再本人对例子停止修改,实验。下面给出了不少简便的例子,并对它们作了具体的说明。
假设你在一篇英文小说里查寻hi,你可以使用正则表达式hi。
这几乎是最简便的正则表达式了,它可以准确匹配这样的字符串:由两个字符组成,前一个字符是h,后一个是i。平常,处置正则表达式的工具会供给一个忽略大小写的选项,假如选中了这个选项,它可以匹配hi,HI,Hi,hI这四种状况中的任意一种。
不幸的是,许多单词里包括hi这两个持续的字符,比方him,history,high等等。用hi来查寻的话,这里边的hi也会被寻出来。假如要准确地查寻hi这个单词的话,我们应当使用\bhi\b。
\b是正则表达式规定的一个非凡代码(好吧,某些人叫它元字符,metacharacter),代表着单词的开头或结尾,也就是单词的分界处。虽然平常英文的单词是由空格,标点符号或者换行来分隔的,但是\b并不匹配这些单词分隔字符中的任何一个,它只匹配一个位置。
假设你要寻的是hi后面不远处跟着一个Lucy,你应当用\bhi\b.*\bLucy\b。
这里,.是另一个元字符,匹配除了换行符之外的任意字符。*一样是元字符,不外它代表的不是字符,也不是位置,而是数目——它指定*前边的内容可以持续反复使用任意次以使整个表达式得到匹配。因此,.*连在一起就意味着任意数目的不包括换行的字符。此刻\bhi\b.*\bLucy\b的意思就很明显了:先是一个单词hi,然后是任意个任意字符(但不克不及是换行),最后是Lucy这个单词。
假如同时使用其它元字符,我们就能结构出功效更强大的正则表达式。比方下面这个例子:
0\d\d-\d\d\d\d\d\d\d\d匹配这样的字符串:以0开头,然后是两个数字,然后是一个连字号“-”,最后是8个数字(也就是我国的电话号码。当然,这个例子只能匹配区号为3位的情形)。
这里的\d是个新的元字符,匹配一位数字(0,或1,或2,或……)。-不是元字符,只匹配它本身——连字符(或者减号,或者中横线,或者随你如何称谓它)。
为了不那么多烦人的反复,我们也可以这样写这个表达式:0\d{2}-\d{8}。这里\d后面的{2}({8})的意思是前面\d必需持续反复匹配2次(8次)。
测试正则表达式
假如你不觉得正则表达式很难读写的话,要末你是一个天才,要末,你不是地球人。正则表达式的语法很令人头疼,即便对经常使用它的人来说也是如此。由于难于读写,容易出错,所以寻一种工具对正则表达式停止测试是很有必要的。
不一样的环境下正则表达式的一些细节是不雷同的,本教程介绍的是微软 .Net Framework 4.5 下正则表达式的行动,所以,我向你引荐我编写的.Net下的工具 Regester。请参照 该页面的说明来安置和运转该软件。
下面是Regester运转时的截图:
元字符
此刻你已经知道几个很有用的元字符了,如\b,.,*,还有\d.正则表达式里还有更多的元字符,比方\s匹配任意的空白符,包罗空格,制表符(Tab),换行符,中文全角空格等。\w匹配字母或数字或下划线或汉字等。
下面来看看更多的例子:
\ba\w*\b匹配以字母a开头的单词——先是某个单词开端处(\b),然后是字母a,然后是任意数目的字母或数字(\w*),最后是单词完毕处(\b)。
\d+匹配1个或更多持续的数字。这里的+是和*相似的元字符,不一样的是*匹配反复任意次(大概是0次),而+则匹配反复1次或更屡次。
\b\w{6}\b 匹配恰好6个字符的单词。
元字符^(和数字6在统一个键位上的符号)和$都匹配一个位置,这和\b有点相似。^匹配你要用来查寻的字符串的开头,$匹配结尾。这两个代码在验证输入的内容时非常有用,比方一个网站假如要求你填写的QQ号必需为5位到12位数字时,可以使用:^\d{5,12}$。
这里的{5,12}和前面介绍过的{2}是相似的,只不外{2}匹配只能不多不少反复2次,{5,12}则是反复的次数不克不及少于5次,不克不及多于12次,不然都不匹配。
由于使用了^和$,所以输入的整个字符串都要用来和\d{5,12}来匹配,也就是说整个输入必需是5到12个数字,因此假如输入的QQ号能匹配这个正则表达式的话,那就相符要求了。
和忽略大小写的选项相似,有些正则表达式处置工具还有一个处置多行的选项。假如选中了这个选项,^和$的意义就变成了匹配行的开端处和完毕处。
字符转义
假如你想查寻元字符本身的话,比方你查寻.,或者*,就显现了问题:你没方法指定它们,由于它们会被说明成别的意思。这时你就得使用\来取消这些字符的非凡意义。因此,你应当使用\.和\*。当然,要查寻\本身,你也得用\\.
例如:deerchao\.net匹配deerchao.net,C:\\Windows匹配C:\Windows。
反复
你已经看过了前面的*,+,{2},{5,12}这几个匹配反复的方式了。下面是正则表达式中所有的限制符(指定数目的代码,例如*,{5,12}等):
下面是一些使用反复的例子:
Windows\d+匹配Windows后面跟1个或更多数字
^\w+匹配一行的第一个单词(或整个字符串的第一个单词,详细匹配哪个意思得看选项设定)
字符类
要想查寻数字,字母或数字,空白是很简便的,由于已经有了对应这些字符汇合的元字符,但是假如你想匹配没有预定义元字符的字符汇合(比方元音字母a,e,i,o,u),应当如何办?
很简便,你只需要在方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!)。
我们也可以轻松地指定一个字符范畴,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(假如只思考英文的话)。
我们对它停止一些剖析吧:第一是一个转义字符\(,它能显现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,它显现1次或不显现(?),最后是8个数字(\d{8})。
分枝前提
不幸的是,方才阿谁表达式也能匹配010)12345678或(022-87654321这样的“不准确”的格局。要解决这个问题,我们需要用到分枝前提。正则表达式里的分枝前提指的是有几种规则,假如知足其中任意一种规则都应当当做匹配,详细办法是用|把不一样的规则分隔开。听不清楚?不妨,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位当地号(如010-12345678),一种是4位区号,7位当地号(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,也可以不消,区号与当地号间可以用连字号或空格间隔,也可以没有间隔。你可以试试用分枝前提把这个表达式扩展成也支撑4位区号的。
\d{5}-\d{4}|\d{5}这个表达式用于匹配老美的邮政编码。老美邮编的规则是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由于它能说明一个问题:使用分枝前提时,要留意各个前提的次序。假如你把它改成\d{5}|\d{5}-\d{4}的话,那么就只会匹配5位的邮编(乃至9位邮编的前5位)。缘由是匹配分枝前提时,将会从左到右地测试每个前提,假如知足了某个分枝的话,就不会去再管其它的前提了。
分组
我们已经提到了如何反复单个字符(直接在字符后面加上限制符就行了);但假如想要反复多个字符又该如何办?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反复次数了,你也可以对子表达式停止其它一些操纵(后面会有介绍)。
(\d{1,3}\.){3}\d{1,3}是一个简便的IP地址匹配表达式。要懂得这个表达式,请按以下次序剖析它:\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词句号(这个团体也就是这个分组)反复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这种不成能存在的IP地址。假如能使用算术比力的话,或许能简便地解决这个问题,但是正则表达式中并不供给关于数学的任何功效,所以只能使用冗长的分组,选中,字符类来描写一个准确的IP地址:((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。
懂得这个表达式的关键是懂得2[0-4]\d|25[0-5]|[01]?\d\d?,这里我就不细说了,你本人应当能剖析得出来它的意义。
反义
有时需要查寻不属于某个能简便定义的字符类的字符。比方想查寻除了数字之外,其它任意字符都行的状况,这时需要用到反义:
例子:\S+匹配不包括空白符的字符串。
<a[^>]+>匹配用尖括号括起来的以a开头的字符串。
后向援用
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(也就是此分组捕捉的内容)可以在表达式或其它程序中作进一步的处置。默许状况下,每个分组会主动具有一个组号,规则是:从左向右,以分组的左括号为标记,第一个显现的分组的组号为1,第二个为2,以此类推。
后向援用用于反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。难以懂得?请看示例:
\b(\w+)\b\s+\1\b可以用来匹配反复的单词,像go go, 或者kitty kitty。这个表达式第一是一个单词,也就是单词开端处和完毕处之间的多于一个的字母或数字(\b(\w+)\b),这个单词会被捕捉到编号为1的分组中,然后是1个或几个空白符(\s+),最后是分组1中捕捉的内容(也就是前面匹配的阿谁单词)(\1)。
你也可以本人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。要反向援用这个分组捕捉的内容,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,还有许多特定用处的语法。下面列出了最常用的一些:
零宽断言
接下来的四个用于查寻在某些内容(但并不包罗这些内容)此前或之后的东西,也就是说它们像\b,^,$那样用于指定一个位置,这个位置应当知足必然的前提(即断言),因此它们也被称为零宽断言。最好还是拿例子来说明吧:
(?=exp)也叫零宽度正猜测先行断言,它断言本身显现的位置的后面能匹配表达式exp。比方\b\w+(?=ing\b),匹配以ing结尾的单词的前面部分(除了ing之外的部分),如查寻I'm singing while you're dancing.时,它会匹配sing和danc。
(?<=exp)也叫零宽度正回忆后发断言,它断言本身显现的位置的前面能匹配表达式exp。比方(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re之外的部分),例如在查寻reading a book时,它匹配ading。
假设你想要给一个很长的数字中每三位间加一个逗号(当然是从右侧加起了),你可以这样查寻需要在前面和里面增加逗号的部分:((?<=\d)\d{3})+\b,用它对1234567890停止查寻时结果是234567890。
下面这个例子同时使用了这两种断言:(?<=\s)\d+(?=\s)匹配以空白符间隔的数字(再次强调,不包罗这些空白符)。
负向零宽断言
前面我们提到过如何查寻不是某个字符或不在某个字符类里的字符的办法(反义)。但是假如我们只是想要确保某个字符没有显现,但并不想去匹配它时如何办?例如,假如我们想查寻这样的单词--它里面显现了字母q,但是q后面跟的不是字母u,我们可以尝试这样:
\b\w*q[^u]\w*\b匹配包括后面不是字母u的字母q的单词。但是假如多做测试(或者你思维足够敏捷,直接就视察出来了),你会发明,假如q显现在单词的结尾的话,像Iraq,Benq,这个表达式就会出错。这是由于[^u]总要匹配一个字符,所以假如q是单词的最后一个字符的话,后面的[^u]将会匹配q后面的单词分隔符(大概是空格,或者是句号或其它的什么),后面的\w*\b将会匹配下一个单词,于是\b\w*q[^u]\w*\b就能匹配整个Iraq fighting。负向零宽断言能解决这样的问题,由于它只匹配一个位置,并不消耗任何字符。此刻,我们可以这样来解决这个问题:\b\w*q(?!u)\w*\b。
零宽度负猜测先行断言(?!exp),断言此位置的后面不克不及匹配表达式exp。例如:\d{3}(?!\d)匹配三位数字,并且这三位数字的后面不克不及是数字;\b((?!abc)\w)+\b匹配不包括持续字符串abc的单词。
同理,我们可以用(?<!exp),零宽度负回忆后发断言来断言此位置的前面不克不及匹配表达式exp:(?<![a-z])\d{7}匹配前面不是小写字母的七位数字。
一个更复杂的例子:(?<=<(\w+)>).*(?=<\/\1>)匹配不包括属性的简便HTML标签内里的内容。(?<=<(\w+)>)指定了这样的前缀:被尖括号括起来的单词(比方大概是<b>),然后是.*(任意的字符串),最后是一个后缀(?=<\/\1>)。留意后缀里的\/,它用到了前面提过的字符转义;\1则是一个反向援用,援用的正是捕捉的第一组,前面的(\w+)匹配的内容,这样假如前缀实际上是<b>的话,后缀就是</b>了。整个表达式匹配的是<b>和</b>之间的内容(再次提示,不包罗前缀和后缀本身)。
注释
小括号的另一种用处是通过语法(?#comment)来包括注释。例如:2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。
要包括注释的话,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增加空格,Tab,换行,而实际使用时这些都将被忽略。启用这个选项后,在#后面到这一行完毕的所有文本都将被当做注释忽略掉。例如,我们可之前面的一个表达式写成这样:
(?<= # 断言要匹配的文本的前缀 <(\w+)> # 查寻尖括号括起来的字母或数字(即HTML/XML标签) ) # 前缀完毕 .* # 匹配任意文本 (?= # 断言要匹配的文本的后缀 <\/\1> # 查寻尖括号括起来的内容:前面是一个"/",后面是先前捕捉的标签 ) # 后缀完毕
贪心与懒惰
当正则表达式中包括能接受反复的限制符时,平常的行动是(在使整个表达式能得到匹配的前提下)匹配尽大概多的字符。以这个表达式为例:a.*b,它将会匹配最长的以a开端,以b完毕的字符串。假如用它来搜索aabab的话,它会匹配整个字符串aabab。这被称为贪心匹配。
有时,我们更需要懒惰匹配,也就是匹配尽大概少的字符。前面给出的限制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目的反复,但是在能使整个匹配成功的前提下使用最少的反复。此刻看看懒惰版的例子吧:
a.*?b匹配最短的,以a开端,以b完毕的字符串。假如把它利用于aabab的话,它会匹配aab(第一到第三个字符)和ab(第四到第五个字符)。
处置选项
上面介绍了几个选项如忽略大小写,处置多行等,这些选项能用来改动处置正则表达式的方式。下面是.Net中常用的正则表达式选项:
一个经常被问到的问题是:是不是只能同时使用多行模式和单行模式中的一种?答案是:不是。这两个选项之间没有任何关系,除了它们的名字比力类似(以至于让人感到迷惑)之外。
均衡组/递归匹配
有时我们需要匹配像( 100 * ( 50 + 15 ) )这样的可嵌套的层次性构造,这时简便地使用\(.+\)则只会匹配到最左边的左括号和最右侧的右括号之间的内容(这里我们计议的是贪心模式,懒惰模式也有下面的问题)。假设本来的字符串里的左括号和右括号显现的次数不相等,比方( 5 / ( 3 + 2 ) ) ),那我们的匹配结果里两者的个数也不会相等。有没有方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?
为了不(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。此刻我们的问题变成了怎样把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捉出来?
这里需要用到以下的语法结构:
(?'group') 把捕捉的内容命名为group,并压入堆栈(Stack)
(?'-group') 从堆栈上弹出最后压入堆栈的名为group的捕捉内容,假如堆栈原本为空,则本分组的匹配失败
(?(group)yes|no) 假如堆栈上存在以名为group的捕捉内容的话,连续匹配yes部分的表达式,不然连续匹配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
我们需要做的是每碰到了左括号,就在压入一个"Open",每碰到一个右括号,就弹出一个,到了最后就看看堆栈可否为空--假如不为空那就证明左括号比右括号多,那匹配就应当失败。正则表达式引擎会停止回溯(舍弃最前面或最后面的一些字符),尽量使整个表达式得到匹配。
< #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)(?!)) #在碰到最外层的右括号前面,推断黑板上还有没有没擦掉的"Open";假如还有,则匹配失败 > #最外层的右括号
均衡组的一个最常见的利用就是匹配HTML,下面这个例子可以匹配嵌套的<div>标签:<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>.
上边已经描写了结构正则表达式的大量元素,但是还有许多没有提到的东西。下面是一些未提到的元素的列表,包括语法和简便的说明。你可以在网上寻到更具体的参照 材料来学习它们--当你需要用到它们的时候。假如你安置了MSDN Library,你也可以在里面寻到.net下正则表达式具体的文档。
以上就是正则表达式30分钟新手入门教程的具体内容,更多请关注百分百源码网其它相关文章!