|
|
前言
Regular Expressions(正則表達式，以下用RE稱呼)對小弟來說一直都是神密的地帶，看到一些網絡上的大大，簡單用RE就決解了某些文字的問題，小弟便興起了學一學RE的想法，但小弟天生就比較懶一些，總希望看有沒有些快速學習的方式，于是小弟又請出Google大神，藉由祂的神力，小弟在網絡上找到了Jim Hollenhorst先生的文章，經過了閱讀，小弟覺得真是不錯，所以就做個小心得報告，跟Move-to.Net的朋友分享，希望能為各位大大帶來一丁點在學習RE時的幫助。Jim Hollenhorst大大文章之網址如下，有需要的大大可直接連結。
The 30 Minute Regex Tutorial By Jim Hollenhorst
http://www.codeproject.com/useritems/RegexTutorial.asp
什么是RE?
想必各位大大在做文件查找的時侯都有使用過萬用字符”*”，比如說想查找在Windows目錄下所有的Word文件時，你可能就會用”*.doc”這樣的方式來做查找，因為”*”所代表的是任意的字符。RE所做的就是類似這樣的功能，但其功能更為強大。
寫程序時，常需要比對字符串是否符合特定樣式，RE最主要的功能就是來描述這特定的樣式，因此可以將RE視為特定樣式的描述式，舉個例子來說，”w+”所代表的就是任何字母與數字所組成的非空字符串(non-null string)。在.NET framework中提供了非常強大的類別庫，藉此可以很輕易的使用RE來做文字的查找與取代、對復雜標頭的譯碼及驗證文字等工作。
學習RE最好的方式就是藉由例子親自來做做看。Jim Hollenhorst大大也提供了一個工具程序Expresso(來杯咖啡吧)，來幫助我們學習RE，下載的網址是http://www.codeproject.com/useritems/RegexTutorial/ExpressoSetup2_1C.zip。
接下來，就讓我們來體驗一些例子吧。
一些簡單的例子
假設要查找文章中Elvis后接有alive的文字符串的話，使用RE可能會經過下列的過程，括號是所下RE的意思：
1. elvis (查找elvis)
上述代表所要查找的字符順序為elvis。在.NET中可以設定乎略字符的大小寫，所以”Elvis”、”ELVIS”或者是”eLvIs”都是符合1所下的RE。但因為這只管字符出現的順序為elvis，所以pelvis也是符合1所下的RE。可以用2的RE來改進。
2. belvisb (將elvis視為一整體的字查找，如elvis、Elvis乎略字符大小寫時)
“b”在RE中有特別的意思，在上述的例子中所指的就是字的邊界，所以belvisb用b把elvis的前后邊界界定出來，也就是要elvis這個字。
假設要將同一行里elvis后接有alive的文字符串找出來，此時就會用到另外二個特別意義的字符”.”及”*”。”.”所代表就是除了換行字符的任意字符，而”*”所代表的是重復*之前項目直到找到符合RE的字符串。所以”.*”所指的就是除了換行字符外的任意數目的字符數。所以查找同一行里elvis后接有alive的文字符串找出來，則可下如3之RE。
3. belvisb.*baliveb (查找elvis后面接有alive的文字符串，如elvis is alive)
用簡單之特別字符就可以組成功能強大的RE，但也發現當使用越來越多的特別字符時，RE就會越來越難看得懂了。
再看看另外的例子
組成有效的電話號碼
假使要從網頁上收集顧客格式為xxx-xxxx的7位數字的電話號碼，其中x是數字，RE可能會這樣寫。
4. bddd-dddd (查找七位數字之電話號碼，如123-1234)
每一個d代表一個數字。”-”則是一般的連字符號，為避免太多重復的d，RE可以改寫成如5的方式。
5. bd{3}-d{4} (查找七位數字電話號碼較好的方法，如123-1234)
在d后的{3}，代表重復前一個項目三次，也就是相等于ddd。
RE的學習及測試工具 Expresso
因為RE不易閱讀及使用者容易會下錯RE的特性，Jim大大開發了一個工具軟件Expresso，用來幫助使用者學習及測試RE，除了上面所述的網址之外，也可以上Ultrapico網站(http://www.Ultrapico.com)。安裝完Expresso后，在Expression Library中，Jim大大把文章的例子都建立在其中，可以邊看文章邊測試，也可以試著修改范例所下的RE，馬上可以看到結果，小弟覺得非常好用。各位大大可以試試。
.NET中RE的基礎概念
特殊字符
有些字符有特別的意義，比如之前所看到的”b”、”.”、”*”、”d”等。”s”所代表的是任意空格符，比如說spaces、tabs、newlines等.。”w”代表是任意字母或數字字符。
再看一些例子吧
6. baw*b (查找a開頭的字，如able)
這RE描述要查找一個字的開始邊界(b)，再來是字母”a”，再加任意數目的字母數字(w*)，再接結束這個字的結束邊界(b)。
7. d+ (查找數字字符串)
“+”和”*”非常相似，除了+至少要重復前面的項目一次。也就是說至少有一個數字。
8. bw{6}b (查找六個字母數字的字，如ab123c)
下表為RE常用的特殊字符
. 除了換行字符的任意字符
w 任意字母數字字符
s 任意空格符
d 任意數字字符
b 界定字的邊界
^ 文章的開頭，如”^The'' 用以表示出現于文章開頭的字符串為”The”
$ 文章的結尾，如”End$”用以表示出現在文章的結尾為”End”
特殊字符”^”及”$”是用來查找某些字必需是文章的開頭或結尾，這在驗證輸入是否符合某一樣式時特別用有，比如說要驗證七位數字的電話號碼，可能會輸入如下9的RE。
9. ^d{3}-d{4}$ (驗證七位數字之電話號碼)
這和第5個RE相同，但其前后都無其它的字符，也就是整串字符串只有這七個數字的電話號碼。在.NET中如果設定Multiline這個選項，則”^”和”$”會每行進行比較，只要某行的開頭結尾符合RE即可，而不是整個文章字符串做一次比較。
轉意字符(Escaped characters)
有時可能會需要”^”、”$”單純的字面意義(literal meaning)而不要將它們當成特殊字符，此時””字符就是用來移除特殊字符特別意義的字符，因此”^”、”.”、””所代表的就是”^”、”.”、””的字面意義。
重復前述項目
在前面看過”{3}”及”*”可以用來重復前述字符，之后我們會看到如何用同樣的語法重復整個次描述(subexpressions)。下表是使用重復前述項目的一些方式。
* 重復任意次數
+ 重復至少一次
? 重復零次或一次
{n} 重復n次
{n,m} 重復至少n次，但不超過m次
{n,} 重復至少n次
再來試一些例子吧
10. bw{5,6}b (查找五個或六個字母數字字符的字，如as25d、d58sdf等)
11. bd{3}sd{3}-d{4} (查找十個數字的電話號碼，如800 123-1234)
12. d{3}-d{2}-d{4} (查找社會保險號碼，如 123-45-6789)
13. ^w* (每行或整篇文章的第一個字)
在Espresso可試試有Multiline和沒Multiline的不同。
匹配某范圍的字符
有時需要查找某些特定的字符時怎么辨?這時中括號”[]”就派上了用場。因此[aeiou]所要查找的是”a”、”e”、”i”、”o”、”u”這些元音，[.?!]所要查找的是”.”、”?”、”!”這些符號，在中括號中的特殊字符的特別意義都會被移除，也就是解譯成單純的字面意義。也可以指定某些范圍的字符，如”[a-z0-9]”，所指的就是任意小寫字母或任意數字。
接下來再看一個比較初復雜查找電話號碼的RE例子
14. (?d{3}[( ] s?d{3}[- ]d{4} (查找十位數字之電話號碼，如(080) 333-1234 )
這樣的RE可查找出較多種格式的電話號碼，如(080) 123-4567、511 254 6654等。”(?”代表一個或零個左小括號”(“，而”[( ]”代表查找一個右小括號”)”或空格符，”s?”指一個或零個空格符組。但這樣的RE會將類似”800) 45-3321”這樣的電話找出來，也就是括號沒有對稱平衡的問題，之后會學到擇一(alternatives)來決解這樣的問題。
不包含在某特定字符組里(Negation)
有時需要查找在包含在某特定字符組里的字符，下表說明如何做類似這樣的描述。
W 不是字母數字的任意字符
S 不是空格符的任意字符
D 不是數字字符的任意字符
B 不在字邊界的位置
[^x] 不是x的任意字符
[^aeiou] 不是a、e、i、o、u的任意字符
15. S+ (不包含空格符的字符串)
擇一(Alternatives)
有時會需要查找幾個特定的選擇，此時”|”這個特殊字符就派上用場了，舉例來說，要查找五個數字及九個數字(有”-”號)的郵政編碼。
16. bd{5}-d{4}b|bd{5}b (查找五個數字及九個數字(有”-”號)的郵政編碼)
在使用Alternatives時需要注意的是前后的次序，因為RE在Alternatives中會優先選擇符合最左邊的項目，16中，如果把查找五個數字的項目放在前面，則這RE只會找到五個數字的郵政編碼。了解了擇一，可將14做更好的修正。
17. ((d{3})|d{3})s?d{3}[- ]d{4} (十個數字的電話號碼)
群組(Grouping)
括號可以用來介定一個次描述，經由次描述的介定，可以針對次描述做重復或及他的處理。
18. (d{1,3}.){3}d{1,3} (尋找網絡地址的簡單RE)
此RE的意思第一個部分(d{1,3}.){3}，所指的是，數字最小一位最多三位，并且后面接有”.”符號，此類型的共有三個，之后再接一到三位的數字，也就是如192.72.28.1這樣的數字。
但這樣會有個缺點，因為網絡地址數字最多只到255，但上述的RE只要是一到三位的數字都是符合的，所以這需要讓比較的數字小于256才行，但只單獨使用RE并無法做這樣的比較。在19中使用擇一來將地址的限制在所需要的范圍內，也就是0到255。
19. ((2[0-4]d|25[0-5]|[01]?dd?).){3}(2[0-4]d|25[0-5]|[01]?dd?) (尋找網絡地址)
有沒有發覺RE越來越像外星人說的話了?就以簡單的尋找網絡地址，直接看RE都滿難理解的哩。
Expresso Analyzer View
Expresso提供了一個功能，它可以將所下的RE變成樹狀的說明，一組組的分開說明，提供了一個好的除錯環境。其它的功能，如部分符合(Partial Match只查找反白RE的部分)及除外符合(Exclude Match只不查找反白RE的部分)就留給各位大大試試啰。
當次描述用括號群組起來時，符合次描述的文字可用在之后的程序處理或RE本身。在預設的情型下，所符合的群組是由數字命名，由1開始，由順序是由左至右，這自動群組命名，可在Expresso中的skeleton view或result view中看到。
Backreference是用來查找群組中抓取的符合文字所相同的文字。舉例來說”1”所指符合群組1所抓取的文字。
20. b(w+)bs*1b (尋找重復字，此處說的重復是指同樣的字，中間有空白隔開如dog dog這樣的字)
(w+)會抓取至少一個字符的字母或數字的字，并將它命名為群組1，之后是查找任意空格符，再接和群組1相同的文字。
如果不喜歡群組自動命名的1，也可以自行命名，以上述例子為例，(w+)改寫為(?<Word>w+)，這就是將所抓取的群組命名為Word，Backreference就要改寫成為k<Word>
21. b(?<Word>w+)bs*k<Word>b (使用自行命名群組抓取重復字)
使用括號還有許多特別的語法元素，比較通用的列表如下：
抓取(Captures)
(exp) 符合exp并抓取它進自動命名的群組
(?<name>exp) 符合exp并抓取它進命名的群組name
(?:exp) 符合exp，不抓取它
Lookarounds
(?=exp) 符合字尾為exp的文字
(?<=exp) 符合前綴為exp的文字
(?!exp) 符合后面沒接exp字尾的文字
(?<!exp) 符合前面沒接exp前綴的文字
批注Comment
(?#comment) 批注
Positive Lookaround
接下來要談的是lookahead及lookbehind assertions。它們所查找的是目前符合之前或之后的文字，并不包含目前符合本身。這些就如同”^”及”b”特殊字符，本身并不會對應任何文字(用來界定位置)，也因此稱做是zero-width assertions，看些例子也許會清楚些。
(?=exp)是一個”zero-width positive lookahead assertion”。它指的就是符合字尾為exp的文字，但不包含exp本身。
22. bw+(?=ingb) (字尾為ing的字，比如說filling所符合的就是fill)
(?<=exp)是一個”zero-width positive lookbehind assertion”。它指的就是符合前綴為exp的文字，但不包含exp本身。
23. (?<=bre)w+b (前綴為re的字，比如說repeated所符合的就是peated)
24. (?<=d)d{3}b (在字尾的三位數字，且之前接一位數字)
25. (?<=s)w+(?=s) (由空格符分隔開的字母數字字符串)
Negative Lookaround
之前有提到，如何查找一個非特定或非在特定群組的字符。但如果只是要驗證某字符不存在而不要對應這些字符進來呢?舉個例子來說，假設要查找一個字，它的字母里有q但接下來的字母不是u，可以用下列的RE來做。
26. bw*q[^u]w*b (一個字，其字母里有q但接下來的字母不是u)
這樣的RE會有一個問題，因為[^u]要對應一個字符，所以若q是字的最后一個字母，[^u]這樣的下法就會將空格符對應下去，結果就有可能會符合二個字，比如說”Iraq haha”這樣的文字。使用Negative Lookaround就能解決這樣的問題。
27. bw*q(?!u)w*b (一個字，其字母里有q但接下來的字母不是u)
這是”zero-width negative lookahead assertion”。
28. d{3}(?!d) (三個位的數字，其后不接一個位數字)
同樣的，可以使用(?<!exp)，”zero-width negative lookbehind assertion”，來符合前面沒接exp前綴的文字符串。
29. (?<![a-z ])w{7} (七個字母數字的字符串，其前面沒接字母或空格)
30. (?<=<(w+)>).*(?=</1>) (HTML卷標間的文字)
這使用lookahead及lookbehind assertion來取出HTML間的文字，不包括HTML卷標。
請批注(Comments Please)
括號還有個特殊的用途就是用來包住批注，語法為”(?#comment)”，若設定”Ignore Pattern Whitespace”選項，則RE中的空格符當RE使用時會乎略。此選項設定時，”#”之后的文字會乎略。
31. HTML卷標間的文字，加上批注
(?<= #查找前綴，但不包含它
<(w+)> #HTML標簽
) #結束查找前綴
.* #符合任何文字
(?= #查找字尾，但不包含它
</1> #符合所抓取群組1之字符串，也就是前面小括號的HTML標簽
) #結束查找字尾
尋找最多字符的字及最少字符的字(Greedy and Lazy)
當RE下要查找一個范圍的重復時(如”.*”)，它通常會尋找最多字符的符合字，也就是Greedy matching。舉例來說。
32. a.*b (開始為a結束為b的最多字符的符合字)
若有一字符串是”aabab”，使用上述RE所得到的符合字符串就是”aabab”，因為這是尋找最多字符的字。有時希望是符合最少字符的字也就是lazy matching。只要將重復前述項目的表加上問號(?)就可以把它們全部變成lazy matching。因此”*?”代表的就是重復任意次數，但是使用最少重復的次數來符合。舉個例子來說：
33. a.*?b (開始為a結束為b的最少字符的符合字)
若有一字符串是”aabab”，使用上述RE第一個所得到的符合字符串就是”aab”再來是”ab”，因為這是尋找最少字符的字。
*? 重復任意次數，最少重復次數為原則
+? 重復至少一次，最少重復次數為原則
?? 重復零次或一次，最少重復次數為原則
{n,m}? 重復至少n次，但不超過m次，最少重復次數為原則
{n,}? 重復至少n次，最少重復次數為原則
還有什么沒提到呢?
到目前為止，已經提到了許多建立RE的元素，當然還有許多元素沒有提到，下表整理了一些沒提到的元素，在最左邊的字段的數字是說明在Expresso中的例子。
# 語法 說明
a Bell 字符
b 通常是指字的邊界，在字符組里所代表的就是backspace
t Tab
34 r Carriage return
v Vertical Tab
f From feed
35 n New line
e Escape
36 nnn ASCII八位碼為nnn的字符
37 xnn 十六位碼為nn的字符
38 unnnn Unicode為nnnn的字符
39 cN Control N字符，舉例來說Ctrl-M是cM
40 A 字符串的開始(和^相似，但不需籍由multiline選項)
41 Z 字符串的結尾
z 字符串的結尾
42 G 目前查找的開始
43 p{name} Unicode 字符組名稱為name的字符，比如說p{Lowercase_Letter} 所指的就是小寫字
(?>exp) Greedy次描述，又稱之為non-backtracking次描述。這只符合一次且不采backtracking。
44 (?<x>-<y>exp)
or (?-<y>exp) 平衡群組。雖復雜但好用。它讓已命名的抓取群組可以在堆棧中操作使用。(小弟對這個也是不太懂哩)
45 (?im-nsx:exp) 為次描述exp更改RE選項，比如(?-i:Elvis)就是把Elvis大乎略大小寫的選項關掉
46 (?im-nsx) 為之后的群組更改RE選項。
(?(exp)yes|no) 次描述exp視為zero-width positive lookahead。若此時有符合，則yes次描述為下一個符合標的，若否，則no 次描述為下一個符合標的。
(?(exp)yes) 和上述相同但無no次描述
(?(name)yes|no) 若name群組為有效群組名稱，則yes次描述為下一個符合標的，若否，則no 次描述為下一個符合標的。
47 (?(name)yes) 和上述相同但無no次描述
結論
經過了一連串的例子，及Expresso的幫忙，相信各位大大對RE有個基本的了解，網絡上當然有許多有關于RE的文章，如果各位大大有興趣http://www.codeproject.com 還有許多關于RE的相關文章。若大大對書有興趣的話，Jeffrey Friedl的Mastering Regular Expressions很多大大都有推(小弟還沒拜讀)。希望籍由這樣的心得報告，能讓對RE有興趣的大大能縮短學習曲線，當然這是小弟第一次接觸RE，若文章中有什么錯誤或說明的不好的地方，可要請各位大大體諒，并請各位大大將需要修正的地方mail給小弟，小弟會非常感謝各位大大。 |
posted on 2005-10-09 14:26
snoics 閱讀(301)
評論(0) 編輯 收藏 所屬分類:
它山之石