版本：v2.21 (2007-8-3) 作者：deerchao 來源:unibetter大學(xué)生社區(qū) 轉(zhuǎn)載請注明來源
目錄
- 本文目標(biāo)
- 如何使用本教程
- 正則表達(dá)式到底是什么？
- 入門
- 測試正則表達(dá)式
- 元字符
- 字符轉(zhuǎn)義
- 重復(fù)
- 字符類
- 反義
- 替換
- 分組
- 后向引用
- 零寬斷言
- 負(fù)向零寬斷言
- 注釋
- 貪婪與懶惰
- 處理選項(xiàng)
- 平衡組/遞歸匹配
- 還有些什么東西沒提到
- 聯(lián)系作者
- 一些我認(rèn)為你可能已經(jīng)知道的術(shù)語的參考
- 網(wǎng)上的資源及本文參考文獻(xiàn)
- 更新說明
本文目標(biāo)
30分鐘內(nèi)讓你明白正則表達(dá)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(wǎng)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(dá)式的經(jīng)驗(yàn)，請不要試圖在30秒內(nèi)入門。當(dāng)然，如果你是超人，那自然得另當(dāng)別論。
別被下面那些復(fù)雜的表達(dá)式嚇倒，只要跟著我一步一步來，你會(huì)發(fā)現(xiàn)正則表達(dá)式其實(shí)并沒有你想像
中的那么困難。當(dāng)然，如果你看完了這篇教程之后，發(fā)現(xiàn)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(rèn)為，沒接觸過正則表達(dá)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(xí)，多使用，才能熟練掌握正則表達(dá)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(dá)式語法參考手冊。就作者本人的經(jīng)歷來說，這個(gè)目標(biāo)還是完成得不錯(cuò)的——你看，我自己也沒能把所有的東西記下來，不是嗎？
文本格式約定：專業(yè)術(shù)語 元字符/語法格式 正則表達(dá)式 正則表達(dá)式中的一部分(用于分析) 用于在其中搜索的字符串 對正則表達(dá)式或其中一部分的說明清除格式
正則表達(dá)式到底是什么？
在編寫處理字符串的程序或網(wǎng)頁時(shí)，經(jīng)常會(huì)有查找符合某些復(fù)雜規(guī)則的字符串的需要。正則表達(dá)式就是用于描述這些規(guī)則的工具。換句話說，正則表達(dá)式就是記錄文本規(guī)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(gè)目錄下的所有的Word文檔的話，你會(huì)搜索*.doc。在這里，*會(huì)被解釋成任意的字符串。和通配符類似，正則表達(dá)式也是用來進(jìn)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(dāng)然，代價(jià)就是更復(fù)雜——比如你可以編寫一個(gè)正則表達(dá)式，用來查找所有以0開頭，后面跟著2-3個(gè)數(shù)字，然后是一個(gè)連字號(hào)“-”，最后是7或8位數(shù)字的字符串(像010-12345678或0376-7654321)。
正則表達(dá)式是用于進(jìn)行文本匹配的工具，所以本文里多次提到了在字符串里搜索/查找，這種說法的意思是在給定的字符串中，尋找與給定的正則表達(dá)式相匹配的部分。有可能字符串里有不止一個(gè)部分滿足給定的正則表達(dá)式，這時(shí)每一個(gè)這樣的部分被稱為一個(gè)匹配。匹配在本文里可能會(huì)有三種意思：一種是形容詞性的，比如說一個(gè)字符串匹配一個(gè)表達(dá)式；一種是動(dòng)詞性的，比如說在字符串里匹配正則表達(dá)式；還有一種是名詞性的，就是剛剛說到的“字符串中滿足給定的正則表達(dá)式的一部分”。
入門
學(xué)習(xí)正則表達(dá)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(jìn)行修改，實(shí)驗(yàn)。下面給出了不少簡單的例子，并對它們作了詳細(xì)的說明。
假設(shè)你在一篇英文小說里查找hi，你可以使用正則表達(dá)式hi。
這是最簡單的正則表達(dá)式了，它可以精確匹配這樣的字符串：由兩個(gè)字符組成，前一個(gè)字符是h,后一個(gè)是i。通常，處理正則表達(dá)式的工具會(huì)提供一個(gè)忽略大小寫的選項(xiàng)，如果選中了這個(gè)選項(xiàng)，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(gè)連續(xù)的字符，比如him,history,high等等。用hi來查找的話，這里邊的hi也會(huì)被找出來。如果要精確地查找hi這個(gè)單詞的話，我們應(yīng)該使用"bhi"b。
"b是正則表達(dá)式規(guī)定的一個(gè)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(jié)尾，也就是單詞的分界處。雖然通常英文的單詞是由空格或標(biāo)點(diǎn)符號(hào)或換行來分隔的，但是"b并不匹配這些單詞分隔符中的任何一個(gè)，它只匹配一個(gè)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(gè)字符和后一個(gè)字符不全是(一個(gè)是,一個(gè)不是或不存在)"w）
假如你要找的是hi后面不遠(yuǎn)處跟著一個(gè)Lucy，你應(yīng)該用"bhi"b.*"bLucy"b。
這里，.是另一個(gè)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(shù)量——它指定*前邊的內(nèi)容可以連續(xù)重復(fù)出現(xiàn)任意次以使整個(gè)表達(dá)式得到匹配。因此，.*連在一起就意味著任意數(shù)量的不包含換行的字符。現(xiàn)在"bhi"b.*"bLucy"b的意思就很明顯了：先是一個(gè)單詞hi,然后是任意個(gè)任意字符(但不能是換行)，最后是Lucy這個(gè)單詞。
如果同時(shí)使用其它的一些元字符，我們就能構(gòu)造出功能更強(qiáng)大的正則表達(dá)式。比如下面這個(gè)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(gè)數(shù)字，然后是一個(gè)連字號(hào)“-”，最后是8個(gè)數(shù)字(也就是中國的電話號(hào)碼。當(dāng)然，這個(gè)例子只能匹配區(qū)號(hào)為3位的情形)。
這里的"d是一個(gè)新的元字符，匹配任意的數(shù)字(0，或1，或2，或……)。-不是元字符，只匹配它本身——連字號(hào)。
為了避免那么多煩人的重復(fù)，我們也可以這樣寫這個(gè)表達(dá)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(xù)重復(fù)匹配2次(8次)。
測試正則表達(dá)式
如果你不覺得正則表達(dá)式很難讀寫的話，要么你是一個(gè)天才，要么，你不是地球人。正則表達(dá)式的語法很令人頭疼，即使對經(jīng)常使用它的人來說也是如此。由于難于讀寫，容易出錯(cuò)，所以很有必要?jiǎng)?chuàng)建一種工具來測試正則表達(dá)式。
由于在不同的環(huán)境下正則表達(dá)式的一些細(xì)節(jié)是不相同的，本教程介紹的是Microsoft .Net 2.0下正則表達(dá)式的行為，所以，我向你介紹一個(gè).Net下的工具Regex Tester。首先你確保已經(jīng)安裝了.Net Framework 2.0，然后下載Regex Tester。這是個(gè)綠色軟件，下載完后打開壓縮包,直接運(yùn)行RegexTester.exe就可以了。
下面是Regex Tester運(yùn)行時(shí)的截圖：
現(xiàn)在你已經(jīng)知道幾個(gè)很有用的元字符了，如"b,.,*，還有"d.當(dāng)然還有更多的元字符可用，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(shù)字或下劃線或漢字等。
下面來試試更多的例子：
"ba"w*"b匹配以字母a開頭的單詞——先是某個(gè)單詞開始處("b)，然后是字母a,然后是任意數(shù)量的字母或數(shù)字("w*)，最后是單詞結(jié)束處("b)（好吧，現(xiàn)在我們說說正則表達(dá)式里的單詞是什么意思吧：就是幾個(gè)連續(xù)的"w。不錯(cuò)，這與學(xué)習(xí)英文時(shí)要背的成千上萬個(gè)同名的東西的確關(guān)系不大）。
"d+匹配1個(gè)或更多連續(xù)的數(shù)字。這里的+是和*類似的元字符，不同的是*匹配重復(fù)任意次(可能是0次)，而+則匹配重復(fù)1次或更多次。
"b"w{6}"b 匹配剛好6個(gè)字母/數(shù)字的單詞。
表1.常用的元字符
| 代碼 |
說明 |
| . |
匹配除換行符以外的任意字符 |
| "w |
匹配字母或數(shù)字或下劃線或漢字 |
| "s |
匹配任意的空白符 |
| "d |
匹配數(shù)字 |
| "b |
匹配單詞的開始或結(jié)束 |
| ^ |
匹配字符串的開始 |
| $ |
匹配字符串的結(jié)束 |
元字符^（和數(shù)字6在同一個(gè)鍵位上的符號(hào)）以及$和"b有點(diǎn)類似，都匹配一個(gè)位置。^匹配你要用來查找的字符串的開頭，$匹配結(jié)尾。這兩個(gè)代碼在驗(yàn)證輸入的內(nèi)容時(shí)非常有用，比如一個(gè)網(wǎng)站如果要求你填寫的QQ號(hào)必須為5位到12位數(shù)字時(shí)，可以使用：^"d{5,12}$。
這里的{5,12}和前面介紹過的{2}是類似的，只不過{2}匹配只能不多不少重復(fù)2次，{5,12}則是重復(fù)的次數(shù)不能少于5次，不能多于12次，否則都不匹配。
因?yàn)槭褂昧?font color="#008000">^和$，所以輸入的整個(gè)字符串都要用來和"d{5,12}來匹配，也就是說整個(gè)輸入必須是5到12個(gè)數(shù)字，因此如果輸入的QQ號(hào)能匹配這個(gè)正則表達(dá)式的話，那就符合要求了。
和忽略大小寫的選項(xiàng)類似，有些正則表達(dá)式處理工具還有一個(gè)處理多行的選項(xiàng)。如果選中了這個(gè)選項(xiàng)，^和$的意義就變成了匹配行的開始處和結(jié)束處。
字符轉(zhuǎn)義
如果你想查找元字符本身的話，比如你查找.,或者*,就出現(xiàn)了問題：你沒法指定它們，因?yàn)樗鼈儠?huì)被解釋成其它的意思。這時(shí)你就必須使用"來取消這些字符的特殊意義。因此，你應(yīng)該使用".和"*。當(dāng)然，要查找"本身，你也得用"".
例如：www".unibetter".com匹配www.unibetter.com，c:""Windows匹配c:"Windows。
重復(fù)
你已經(jīng)看過了前面的*,+,{2},{5,12}這幾個(gè)匹配重復(fù)的方式了。下面是正則表達(dá)式中所有的限定符(指定數(shù)量的代碼，例如*,{5,12}等)：
表2.常用的限定符
| 代碼/語法 |
說明 |
| * |
重復(fù)零次或更多次 |
| + |
重復(fù)一次或更多次 |
| ? |
重復(fù)零次或一次 |
| {n} |
重復(fù)n次 |
| {n,} |
重復(fù)n次或更多次 |
| {n,m} |
重復(fù)n到m次 |
下面是一些使用重復(fù)的例子：
Windows"d+匹配Windows后面跟1個(gè)或更多數(shù)字
13"d{9}匹配13后面跟9個(gè)數(shù)字(中國的手機(jī)號(hào))
^"w+匹配一行的第一個(gè)單詞(或整個(gè)字符串的第一個(gè)單詞，具體匹配哪個(gè)意思得看選項(xiàng)設(shè)置)
字符類
要想查找數(shù)字，字母或數(shù)字，空白是很簡單的，因?yàn)橐呀?jīng)有了對應(yīng)這些字符集合的元字符，但是如果你想匹配沒有預(yù)定義元字符的字符集合(比如元音字母a,e,i,o,u),應(yīng)該怎么辦？
很簡單，你只需要在中括號(hào)里列出它們就行了，像[aeiou]就匹配任何一個(gè)英文元音字母，[.?!]匹配標(biāo)點(diǎn)符號(hào)(.或?或!)(英文語句通常只以這三個(gè)標(biāo)點(diǎn)結(jié)束)。
我們也可以輕松地指定一個(gè)字符范圍，像[0-9]代表的含意與"d就是完全一致的：一位數(shù)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(gè)更復(fù)雜的表達(dá)式："(?0"d{2}[) -]?"d{8}。
這個(gè)表達(dá)式可以匹配幾種格式的電話號(hào)碼，像(010)88886666，或022-22334455，或02912345678等。我們對它進(jìn)行一些分析吧：首先是一個(gè)轉(zhuǎn)義字符"(,它能出現(xiàn)0次或1次(?),然后是一個(gè)0，后面跟著2個(gè)數(shù)字("d{2})，然后是)或-或空格中的一個(gè)，它出現(xiàn)1次或不出現(xiàn)(?)，最后是8個(gè)數(shù)字("d{8})。不幸的是，它也能匹配010)12345678或(022-87654321這樣的“不正確”的格式。要解決這個(gè)問題，請?jiān)诒窘坛痰南旅娌檎掖鸢浮?/p>
反義
有時(shí)需要查找不屬于某個(gè)能簡單定義的字符類的字符。比如想查找除了數(shù)字以外，其它任意字符都行的情況，這時(shí)需要用到反義：
表3.常用的反義代碼
| 代碼/語法 |
說明 |
| "W |
匹配任意不是字母，數(shù)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(shù)字的字符 |
| "B |
匹配不是單詞開頭或結(jié)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(gè)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(hào)括起來的以a開頭的字符串。
替換
好了，現(xiàn)在終于到了解決3位或4位區(qū)號(hào)問題的時(shí)間了。正則表達(dá)式里的替換指的是有幾種規(guī)則，如果滿足其中任意一種規(guī)則都應(yīng)該當(dāng)成匹配，具體方法是用|把不同的規(guī)則分隔開。聽不明白？沒關(guān)系，看例子：
0"d{2}-"d{8}|0"d{3}-"d{7}這個(gè)表達(dá)式能匹配兩種以連字號(hào)分隔的電話號(hào)碼：一種是三位區(qū)號(hào)，8位本地號(hào)(如010-12345678)，一種是4位區(qū)號(hào)，7位本地號(hào)(0376-2233445)。
"(0"d{2}")[- ]?"d{8}|0"d{2}[- ]?"d{8}這個(gè)表達(dá)式匹配3位區(qū)號(hào)的電話號(hào)碼，其中區(qū)號(hào)可以用小括號(hào)括起來，也可以不用，區(qū)號(hào)與本地號(hào)間可以用連字號(hào)或空格間隔，也可以沒有間隔。你可以試試用替換|把這個(gè)表達(dá)式擴(kuò)展成也支持4位區(qū)號(hào)的。
"d{5}-"d{4}|"d{5}這個(gè)表達(dá)式用于匹配美國的郵政編碼。美國郵編的規(guī)則是5位數(shù)字，或者用連字號(hào)間隔的9位數(shù)字。之所以要給出這個(gè)例子是因?yàn)樗苷f明一個(gè)問題：使用替換時(shí)，順序是很重要的。如果你把它改成"d{5}|"d{5}-"d{4}的話，那么就只會(huì)匹配5位的郵編(以及9位郵編的前5位)。原因是匹配替換時(shí)，將會(huì)從左到右地測試每個(gè)分枝條件，如果滿足了某個(gè)分枝的話，就不會(huì)去管其它的替換條件了。
Windows98|Windows2000|WindosXP這個(gè)例子是為了告訴你替換不僅僅能用于兩種規(guī)則，也能用于更多種規(guī)則。
分組
我們已經(jīng)提到了怎么重復(fù)單個(gè)字符（直接在字符后面加上限定符就行了）；但如果想要重復(fù)多個(gè)字符又該怎么辦？你可以用小括號(hào)來指定子表達(dá)式(也叫做分組)，然后你就可以指定這個(gè)子表達(dá)式的重復(fù)次數(shù)了，你也可以對子表達(dá)式進(jìn)行其它一些操作(后面會(huì)有介紹)。
("d{1,3}".){3}"d{1,3}是一個(gè)簡單的IP地址匹配表達(dá)式。要理解這個(gè)表達(dá)式，請按下列順序分析它："d{1,3}匹配1到3位的數(shù)字，("d{1,3}".){3}匹配三位數(shù)字加上一個(gè)英文句號(hào)(這個(gè)整體也就是這個(gè)分組)重復(fù)3次，最后再加上一個(gè)一到三位的數(shù)字("d{1,3})。
不幸的是，它也將匹配256.300.888.999這種不可能存在
的IP地址(IP地址中每個(gè)數(shù)字都不能大于255。題外話，好像反恐24小時(shí)第三季的編劇不知道這一點(diǎn)，汗...)。如果能使用算術(shù)比較的話，或許能簡單
地解決這個(gè)問題，但是正則表達(dá)式中并不提供關(guān)于數(shù)學(xué)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(gè)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(gè)表達(dá)式的關(guān)鍵是理解2[0-4]"d|25[0-5]|[01]?"d"d?，這里我就不細(xì)說了，你自己應(yīng)該能分析得出來它的意義。
后向引用
使用小括號(hào)指定一個(gè)子表達(dá)式后，匹配這個(gè)子表達(dá)式的文本(也就是此分組捕獲的內(nèi)容)可以在表達(dá)式或其它程序中作進(jìn)一步的處理。默認(rèn)情況下，每個(gè)分組會(huì)自動(dòng)擁有一個(gè)組號(hào)，規(guī)則是：從左向右，以分組的左括號(hào)為標(biāo)志，第一個(gè)出現(xiàn)的分組的組號(hào)為1，第二個(gè)為2，以此類推。
后向引用用于重復(fù)搜索前面某個(gè)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(fù)的單詞，像go go, kitty kitty。首先是一個(gè)單詞，也就是單詞開始處和結(jié)束處之間的多于一個(gè)的字母或數(shù)字("b("w+)"b)，然后是1個(gè)或幾個(gè)空白符("s+)，最后是前面匹配的那個(gè)單詞("1)。
你也可以自己指定子表達(dá)式的組名。要指定一個(gè)子表達(dá)式的組名，請使用這樣的語法：(?<Word>"w+)(或者把尖括號(hào)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(gè)分組捕獲的內(nèi)容，你可以使用"k<Word>,所以上一個(gè)例子也可以寫成這樣："b(?<Word>"w+)"b"s+"k<Word>"b。
使用小括號(hào)的時(shí)候，還有很多特定用途的語法。下面列出了最常用的一些：
表4.分組語法
| 捕獲 |
| (exp) |
匹配exp,并捕獲文本到自動(dòng)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(hào) |
| 零寬斷言 |
| (?=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 |
| 注釋 |
| (?#comment) |
這種類型的組不對正則表達(dá)式的處理產(chǎn)生任何影響，用于提供注釋讓人閱讀 |
我們已經(jīng)討論了前兩種語法。第三個(gè)(?:exp)不會(huì)改變正則表達(dá)式的處理方式，只是這樣的組匹配的內(nèi)容不會(huì)像前兩種那樣被捕獲到某個(gè)組里面。
零寬斷言
接下來的四個(gè)用于查找在某些內(nèi)容(但并不包括這些內(nèi)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(gè)位置，這個(gè)位置應(yīng)該滿足一定的條件(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：
(?=exp)也叫零寬度正預(yù)測先行斷言，它斷言自身出現(xiàn)的位置的后面能匹配表達(dá)式exp。比如"b"w+(?=ing"b)，匹配以ing結(jié)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(shí)，它會(huì)匹配sing和danc。
(?<=exp)也叫零寬度正回顧后發(fā)斷言，它斷言自身出現(xiàn)的位置的前面能匹配表達(dá)式exp。比如(?<="bre)"w+"b會(huì)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(shí)，它匹配ading。
假如你想要給一個(gè)很長的數(shù)字中每三位間加一個(gè)逗號(hào)(當(dāng)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(hào)的部分：((?<="d)"d{3})*"b，用它對1234567890進(jìn)行查找時(shí)結(jié)果是234567890。
下面這個(gè)例子同時(shí)使用了這兩種斷言：(?<="s)"d+(?="s)匹配以空白符間隔的數(shù)字(再次強(qiáng)調(diào)，不包括這些空白符)。
負(fù)向零寬斷言
前面我們提到過怎么查找不是某個(gè)字符或不在某個(gè)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(gè)字符沒有出現(xiàn)，但并不想去匹配它時(shí)怎么辦？例如，如果我們想查找這樣的單詞--它里面出現(xiàn)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(huì)發(fā)現(xiàn)，如果q出現(xiàn)在單詞的結(jié)尾的話，像Iraq,Benq，這個(gè)表達(dá)式就會(huì)出錯(cuò)。這是因?yàn)?font color="#008000">[^u]總要匹配一個(gè)字符，所以如果q是單詞的最后一個(gè)字符的話，后面的[^u]將會(huì)匹配q后面的單詞分隔符(可能是空格，或者是句號(hào)或其它的什么)，后面的"w*"b將會(huì)匹配下一個(gè)單詞，于是"b"w*q[^u]"w*"b就能匹配整個(gè)Iraq fighting。負(fù)向零寬斷言能解決這樣的問題，因?yàn)樗黄ヅ湟粋€(gè)位置，并不消費(fèi)任何字符。現(xiàn)在，我們可以這樣來解決這個(gè)問題："b"w*q(?!u)"w*"b。
零寬度負(fù)預(yù)測先行斷言(?!exp)，斷言此位置的后面不能匹配表達(dá)式exp。例如："d{3}(?!"d)匹配三位數(shù)字，而且這三位數(shù)字的后面不能是數(shù)字；"b((?!abc)"w)+"b匹配不包含連續(xù)字符串a(chǎn)bc的單詞。
同理，我們可以用(?<!exp),零寬度正回顧后發(fā)斷言來斷言此位置的前面不能匹配表達(dá)式exp：(?<![a-z])"d{7}匹配前面不是小寫字母的七位數(shù)字。
一個(gè)更復(fù)雜的例子：(?<=<("w+)>).*(?=<"/"1>)匹配不包含屬性的簡單HTML標(biāo)簽內(nèi)里的內(nèi)容。(<?("w+)>)指定了這樣的前綴：被尖括號(hào)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(gè)后綴(?=<"/"1>)。注意后綴里的"/，它用到了前面提過的字符轉(zhuǎn)義；"1則是一個(gè)反向引用，引用的正是捕獲的第一組，前面的("w+)匹配的內(nèi)容，這樣如果前綴實(shí)際上是<b>的話，后綴就是</b>了。整個(gè)表達(dá)式匹配的是<b>和</b>之間的內(nèi)容(再次提醒，不包括前綴和后綴本身)。
小括號(hào)的另一種用途是能過語法(?#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(xiàng)，這樣在編寫表達(dá)式時(shí)能任意的添加空格，Tab，換行，而實(shí)際使用時(shí)這些都將被忽略。啟用這個(gè)選項(xiàng)后，在#后面到這一行結(jié)束的所有文本都將被當(dāng)成注釋忽略掉。
例如，我們可以前面的一個(gè)表達(dá)式寫成這樣：
(?<= # 斷言要匹配的文本的前綴
<("w+)> # 查找尖括號(hào)括起來的字母或數(shù)字(即HTML/XML標(biāo)簽)
) # 前綴結(jié)束
.* # 匹配任意文本
(?= # 斷言要匹配的文本的后綴
<"/"1> # 查找尖括號(hào)括起來的內(nèi)容：前面是一個(gè)"/"，后面是先前捕獲的標(biāo)簽
) # 后綴結(jié)束
貪婪與懶惰
當(dāng)正則表達(dá)式中包含能接受重復(fù)的限定符時(shí)，通常的行為是（在使整個(gè)表達(dá)式能得到匹配的前提下）匹配盡可能多的字符。考慮這個(gè)表達(dá)式：a.*b，它將會(huì)匹配最長的以a開始，以b結(jié)束的字符串。如果用它來搜索aabab的話，它會(huì)匹配整個(gè)字符串aabab。這被稱為貪婪匹配。
有時(shí)，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(zhuǎn)化為懶惰匹配模式，只要在它后面加上一個(gè)問號(hào)?。這樣.*?就意味著匹配任意數(shù)量的重復(fù)，但是在能使整個(gè)匹配成功的前提下使用最少的重復(fù)。現(xiàn)在看看懶惰版的例子吧：
a.*?b匹配最短的，以a開始，以b結(jié)束的字符串。如果把它應(yīng)用于aabab的話，它會(huì)匹配aab和ab（為什么第一個(gè)匹配是aab而不是ab？簡單地說，因?yàn)檎齽t表達(dá)式有另一條規(guī)則，比懶惰／貪婪規(guī)則的優(yōu)先級更高：最先開始的匹配最有最大的優(yōu)先權(quán)——The Match That Begins Earliest Wins）。
表5.懶惰限定符
| *? |
重復(fù)任意次，但盡可能少重復(fù) |
| +? |
重復(fù)1次或更多次，但盡可能少重復(fù) |
| ?? |
重復(fù)0次或1次，但盡可能少重復(fù) |
| {n,m}? |
重復(fù)n到m次，但盡可能少重復(fù) |
| {n,}? |
重復(fù)n次以上，但盡可能少重復(fù) |
處理選項(xiàng)
上面介紹了幾個(gè)選項(xiàng)如忽略大小寫，處理多行等，這些選項(xiàng)能用來改變處理正則表達(dá)式的方式。下面是.Net中常用的正則表達(dá)式選項(xiàng)：
表6.常用的處理選項(xiàng)
| 名稱 |
說明 |
| IgnoreCase(忽略大小寫) |
匹配時(shí)不區(qū)分大小寫。 |
| Multiline(多行模式) |
更改^和$的含義，使它們分別在任意一行的行首和行尾匹配，而不僅僅在整個(gè)字符串的開頭和結(jié)尾匹配。(在此模式下,$的精確含意是:匹配"n之前的位置以及字符串結(jié)束前的位置.) |
| Singleline(單行模式) |
更改.的含義，使它與每一個(gè)字符匹配（包括換行符"n）。 |
| IgnorePatternWhitespace(忽略空白) |
忽略表達(dá)式中的非轉(zhuǎn)義空白并啟用由#標(biāo)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(jìn)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(dá)式的行為與它在JavaScript里的行為一致。 |
一個(gè)經(jīng)常被問到的問題是：是不是只能同時(shí)使用多行模式和單行模式中的一種？答案是：不是。這兩個(gè)選項(xiàng)之間沒有任何關(guān)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
注意：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(shí)我們需要匹配像( 100 * ( 50 + 15 ) )這樣的可嵌套的層次性結(jié)構(gòu)，這時(shí)簡單地使用"(.+")則只會(huì)匹配到最左邊的左括號(hào)和最右邊的右括號(hào)之間的內(nèi)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(hào)和右括號(hào)出現(xiàn)的次數(shù)不相等，比如( 5 / ( 3 + 2 ) ) )，那我們的匹配結(jié)果里兩者的個(gè)數(shù)也不會(huì)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(hào)之間的內(nèi)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(hào)代替圓括號(hào)吧。現(xiàn)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(hào)內(nèi)的內(nèi)容捕獲出來？
這里需要用到以下的語法構(gòu)造：
- (?'group') 把捕獲的內(nèi)容命名為group,并壓入堆棧
- (?'-group') 從堆棧上彈出最后壓入堆棧的名為group的捕獲內(nèi)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(nèi)容的話，繼續(xù)匹配yes部分的表達(dá)式，否則繼續(xù)匹配no部分
- (?!) 零寬負(fù)向先行斷言，由于沒有后綴表達(dá)式，試圖匹配總是失敗
如果你不是一個(gè)程序員（或者你是一個(gè)對堆棧的概念不熟的程序員），你就這樣理解上面的三種語法吧：第一個(gè)就是在黑板上寫一個(gè)
"group"，第二個(gè)就是從黑板上擦掉一個(gè)"group"，第三個(gè)就是看黑板上寫的還有沒有"group"，如果有就繼續(xù)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(hào)，就在黑板上寫一個(gè)"group"，每碰到一個(gè)右括號(hào)，就擦掉一個(gè)，到了最后就看看黑板上還有沒有－－如果有那就證明左括號(hào)比右括號(hào)多，那匹配就應(yīng)該失敗。
< #最外層的左括號(hào)
[^<>]* #最外層的左括號(hào)后面的不是括號(hào)的內(nèi)容
(
(
(?'Open'<) #碰到了左括號(hào)，在黑板上寫一個(gè)"Open"
[^<>]* #匹配左括號(hào)后面的不是括號(hào)的內(nèi)容
)+
(
(?'-Open'>) #碰到了右括號(hào)，擦掉一個(gè)"Open"
[^<>]* #匹配右括號(hào)后面不是括號(hào)的內(nèi)容
)+
)*
(?(Open)(?!)) #在遇到最外層的右括號(hào)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(hào)
平衡組的一個(gè)最常見的應(yīng)用就是匹配HTML,下面這個(gè)例子可以匹配嵌套的<div>標(biāo)簽：<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>.
還有些什么東西沒提到
我已經(jīng)描述了構(gòu)造正則表達(dá)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(wǎng)上找到更詳細(xì)的參
考資料來學(xué)習(xí)它們--當(dāng)你需要用到它們的時(shí)候。如果你安裝了MSDN Library,你也可以在里面找到關(guān)于.net下正則表達(dá)式詳細(xì)的文檔。
表7.尚未詳細(xì)討論的語法
| "a |
報(bào)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(jìn)制代碼為nn的字符 |
| "xnn |
ASCII代碼中十六進(jìn)制代碼為nn的字符 |
| "unnnn |
Unicode代碼中十六進(jìn)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(xiàng)的影響) |
| "Z |
字符串結(jié)尾或行尾(不受處理多行選項(xiàng)的影響) |
| "z |
字符串結(jié)尾(類似$，但不受處理多行選項(xiàng)的影響) |
| "G |
當(dāng)前搜索的開頭 |
| "p{name} |
Unicode中命名為name的字符類，例如"p{IsGreek} |
| (?>exp) |
貪婪子表達(dá)式 |
| (?<x>-<y>exp) |
平衡組 |
| (?im-nsx:exp) |
在子表達(dá)式exp中改變處理選項(xiàng) |
| (?im-nsx) |
為表達(dá)式后面的部分改變處理選項(xiàng) |
| (?(exp)yes|no) |
把exp當(dāng)作零寬正向先行斷言，如果在這個(gè)位置能匹配，使用yes作為此組的表達(dá)式；否則使用no |
| (?(exp)yes) |
同上，只是使用空表達(dá)式作為no |
| (?(name)yes|no) |
如果命名為name的組捕獲到了內(nèi)容，使用yes作為表達(dá)式；否則使用no |
| (?(name)yes) |
同上，只是使用空表達(dá)式作為no |
好吧,我承認(rèn),我騙了你,讀到這里你肯定花了不止30分鐘.相信我,這是我的錯(cuò),而不是因?yàn)槟闾?我之所以說"30分鐘",是為了讓你有信心,有耐心繼續(xù)下去.既然你看到了這里,那證明我的陰謀成功了.上這種當(dāng)?shù)淖涛哆€不錯(cuò)吧?
要投訴我,或者覺得我其實(shí)可以做得更好,或者有任何其它問題,歡迎來我的博客進(jìn)行討論.
一些我認(rèn)為你可能已經(jīng)知道的術(shù)語的參考
- 字符
- 程序處理文字時(shí)最基本的單位，可能是字母，數(shù)字，標(biāo)點(diǎn)符號(hào)，空格，換行符，漢字等等。
- 字符串
- 0個(gè)或更多個(gè)字符的序列。
- 文本
- 文字，字符串。
- 匹配
- 符合規(guī)則，檢驗(yàn)是否符合規(guī)則，符合規(guī)則的部分。
- 斷言
- 聲明一個(gè)應(yīng)該為真的事實(shí)。只有當(dāng)斷言為真時(shí)才會(huì)對正則表達(dá)式繼續(xù)進(jìn)行匹配。
網(wǎng)上的資源及本文參考文獻(xiàn)
更新說明
- 2006-3-27 第一版
- 2006-10-12 第二版
- 修正了幾個(gè)細(xì)節(jié)上的錯(cuò)誤和不準(zhǔn)確的地方
- 增加了對處理中文時(shí)的一些說明
- 更改了幾個(gè)術(shù)語的翻譯（采用了MSDN的翻譯方式）
- 增加了平衡組的介紹
- 放棄了對The Regulator的介紹，改用Regex Tester
- 2007-3-12 V2.1
- 修正了幾個(gè)小的錯(cuò)誤
- 增加了對處理選項(xiàng)(RegexOptions)的介紹
- 2007-5-28 V2.2
- 重新組織了對零寬斷言的介紹
- 刪除了幾個(gè)不太合適的示例，添加了幾個(gè)實(shí)用的示例
- 其它一些微小的更改
- 2007-8-3 V2.21
- 修改了幾處文字錯(cuò)誤
- 修改/添加了對$,"b的精確說明
- 承認(rèn)了作者是個(gè)騙子
- 給RegexTester添加了Singleline選項(xiàng)的相關(guān)功能