作者：deerchao 來(lái)源:unibetter大學(xué)生社區(qū) 轉(zhuǎn)載請(qǐng)注明來(lái)源 本文第一版

目錄

1. 本文目標(biāo)
2. 如何使用本教程
3. 什么是正則表達(dá)式？
4. 入門(mén)
5. 測(cè)試正則表達(dá)式
6. 元字符
7. 字符轉(zhuǎn)義
8. 重復(fù)
9. 字符類
10. 反義
11. 替換
12. 分組
13. 后向引用
14. 位置指定
15. 負(fù)向位置指定
16. 注釋
17. 貪婪與懶惰
18. 平衡組
19. 還有些什么東西沒(méi)提到
20. 一些我認(rèn)為你可能已經(jīng)知道的術(shù)語(yǔ)的參考
21. 網(wǎng)上的資源及本文參考文獻(xiàn)
22. 第二版更新說(shuō)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(duì)它有一些基本的了解，讓你可以在自己的程序或網(wǎng)頁(yè)里使用它。

如何使用本教程

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(lái)，你會(huì)發(fā)現(xiàn)正則表達(dá)式其實(shí)并不像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——其實(shí)我認(rèn)為沒(méi)接觸過(guò)正則表達(dá)式的人在看完這篇教程后能把提到過(guò)的語(yǔ)法記住80%以上的可能性為零。這里只 是讓你明白基本道理，以后你還需要多練習(xí)，多查資料，才能熟練掌握正則表達(dá)式。

除了作為入門(mén)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(yǔ)法參考手冊(cè)（就作者本人的經(jīng)歷來(lái)說(shuō)，這個(gè)目標(biāo)還是完成得不錯(cuò)的）。

文本格式約定：專業(yè)術(shù)語(yǔ) 元字符/語(yǔ)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(duì)正則表達(dá)式或其中一部分的說(shuō)明

什么是正則表達(dá)式？

在編寫(xiě)處理字符串的程序或網(wǎng)頁(yè)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(shuō)，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(guò)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(lái)進(jìn)行文本匹配的工具，只不過(guò)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(xiě)一個(gè)正則表達(dá)式來(lái)查找所有以0開(kāi)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(shuō)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(shuō)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(shuō)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(shuō)到的“字符串中滿足給定的正則表達(dá)式的一部分”。

入門(mén)

學(xué)習(xí)正則表達(dá)式的最好方法是從例子開(kāi)始，理解例子之后再自己對(duì)例子進(jìn)行修改，實(shí)驗(yàn)。下面給出了不少簡(jiǎn)單的例子，并對(duì)它們作了詳細(xì)的說(shuō)明。

假設(shè)你在一篇英文小說(shuō)里查找hi，你可以使用正則正則表達(dá)式hi。

這是最簡(jiǎn)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(xiě)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(lái)查找的話，這里邊的hi也會(huì)被找出來(lái)。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(kāi)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(lái)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(shuō)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\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(guò)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)容可以重復(fù)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(kāi)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(guó)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(xiě)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(cè)試正則表達(dá)式

如果你不覺(jué)得正則表達(dá)式很難讀寫(xiě)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(yǔ)法很令人頭疼，即使對(duì)經(jīng)常使用它的人來(lái)說(shuō)也是如此。由于難于讀寫(xiě)，容易出錯(cuò)，所以很有必要?jiǎng)?chuàng)建一種工具來(lái)測(cè)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，下載完后打開(kāi)壓縮包,直接運(yùn)行RegexTester.exe。

下面是Regex Tester運(yùn)行時(shí)的截圖：

元字符

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，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。

下面來(lái)試試更多的例子：

\ba\w*\b匹配以字母a開(kāi)頭的單詞——先是某個(gè)單詞開(kāi)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(shuō)說(shuō)這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(wàn)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。

元字符^（和6在同一個(gè)鍵位上的符號(hào)）以及$和\b有點(diǎn)類似，都匹配一個(gè)位置。^匹配你要用來(lái)查找的字符串的開(kāi)頭，$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(xiě)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(guò)的{2}是類似的，只不過(guò){2}匹配只能不多不少重復(fù)2次，{5,12}則是必須重復(fù)最少5次，最多12次，否則都不匹配。

因?yàn)槭褂昧?span id="lcwmvxj" class=part>^和$，所以輸入的整個(gè)字符串都要用來(lái)和\d{5,12}來(lái)匹配，也就是說(shuō)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(xiě)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(kāi)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(wèn)題：你沒(méi)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(lái)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,2\^8匹配2^8(通常這是2的8次方的書(shū)寫(xiě)方式)。

重復(fù)

你已經(jīng)看過(guò)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)式中所有指定重復(fù)的方式：

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}匹配以13后面跟9個(gè)數(shù)字(中國(guó)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(jiǎn)單的，因?yàn)橐呀?jīng)有了對(duì)應(yīng)這些字符集的元字符，但是如果你想匹配沒(méi)有預(yù)定義元字符的字符集比如元音字母(a,e,i,o,u),怎么辦？

很簡(jiǎn)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)元音字母，[.?!]匹配標(biāo)點(diǎn)符號(hào)(.或?或!)(英文語(yǔ)句通常只以這三個(gè)標(biāo)點(diǎn)結(jié)束)。注意，我們不需要寫(xiě)成[\.\?!]。

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(duì)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({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(wèn)題，請(qǐng)?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(jiǎn)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：

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(lái)的以a開(kāi)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(wèn)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(kāi)。聽(tīng)不明白？沒(méi)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(lái)，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(méi)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(guó)的郵政編碼。美國(guó)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(shuō)明一個(gè)問(wèn)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(cè)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)一個(gè)字符串又該怎么辦？你可以用小括號(hào)來(lái)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(duì)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(jiǎn)單的IP地址匹配表達(dá)式。要理解這個(gè)表達(dá)式，請(qǐng)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)。如果能使用算術(shù)比較的話，或許能簡(jiǎn)單地解決這個(gè)問(wèn)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(zhǎng)的分組，選擇，字符類來(lái)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(shuō)了，你自己應(yīng)該能分析得出來(lái)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(qǐng)看示例：

\b(\w+)\b\s+\1\b可以用來(lái)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(kāi)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)式的組號(hào)或組名。要指定一個(gè)子表達(dá)式的組名，請(qǐng)使用這樣的語(yǔ)法：(?<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(xiě)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(yǔ)法。下面列出了最常用的一些：

我們已經(jīng)討論了前兩種語(yǔ)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。

位置指定

接下來(lái)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(shuō)它們用于指定一個(gè)位置，就像\b,^,$那樣，因此它們也被稱為零寬斷言。最好還是拿例子來(lái)說(shuō)明吧：

(?=exp)也叫零寬先行斷言，它匹配文本中的某些位置，這些位置的后面能匹配給定的后綴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)，如果在查找I'm singing while you're dancing.時(shí)，它會(huì)匹配sing和danc。

(?<=exp)也叫零寬后行斷言，它匹配文本中的某些位置，這些位置的前面能給定的前綴匹配exp。比如(?<=\bre)\w+\b會(huì)匹配以re開(kāi)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(zhǎng)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。請(qǐng)仔細(xì)分析這個(gè)表達(dá)式，它可能不像你第一眼看出來(lái)的那么簡(jiǎn)單。

下面這個(gè)例子同時(shí)使用了前綴和后綴：(?<=\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)向位置指定

前面我們提到過(guò)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(méi)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(cè)試(或者你思維足夠敏銳，直接就觀察出來(lái)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)?span id="srsmcwb" class=part>[^u]總是匹配一個(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)向位置指定能解決這樣的問(wèn)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(lái)解決這個(gè)問(wèn)題：\b\w*q(?!u)\w*\b。

零寬負(fù)向先行斷言(?!exp)，只會(huì)匹配后綴exp不存在的位置。\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。

同理，我們可以用(?<!exp),零寬負(fù)向后行斷言來(lái)查找前綴exp不存在的位置：(?<![a-z])\d{7}匹配前面不是小寫(xiě)字母的七位數(shù)字(實(shí)驗(yàn)時(shí)發(fā)現(xiàn)錯(cuò)誤？注意你的“區(qū)分大小寫(xiě)”先項(xiàng)是否選中)。

一個(gè)更復(fù)雜的例子：(?<=<(\w+)>).*(?=<\/\1>)匹配不包含屬性的簡(jiǎn)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(lái)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(guò)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)。

注釋

小括號(hào)的另一種用途是能過(guò)語(yǔ)法(?#comment)來(lái)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(xiě)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(xiě)成這樣：

      (?<=    # 查找前綴，但不包含它
<(\w+)> # 查找尖括號(hào)括起來(lái)的字母或數(shù)字(標(biāo)簽)
)       # 前綴結(jié)束
.*      # 匹配任意文本
(?=     # 查找后綴，但不包含它
<\/\1>  # 查找尖括號(hào)括起來(lái)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(指定數(shù)量的代碼，例如*,{5,12}等)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(zhǎng)的以a開(kāi)始，以b結(jié)束的字符串。如果用它來(lái)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(wèn)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(kāi)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(jiǎn)單地說(shuō)，最先開(kāi)始的區(qū)配最有最大的優(yōu)先權(quán)——The Match That Begins Earliest Wins）。

平衡組

如果想要匹配可嵌套的層次性結(jié)構(gòu)的話，就得使用平衡組了。舉個(gè)例子吧，如何把“xx <aa <bbb> <bbb> aa> yy”這樣的字符串里，最長(zhǎng)的括號(hào)內(nèi)的內(nèi)容捕獲出來(lái)？

這里需要用到以下的語(yǔ)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(lái)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(méi)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(duì)堆棧的概念不熟的程序員），你就這樣理解上面的三種語(yǔ)法吧：第一個(gè)就是在黑板上寫(xiě)一個(gè)（或再寫(xiě)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(xiě)的還有沒(méi)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(xiě)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(méi)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（為了能看得更清楚一點(diǎn)，我用了(?'group')的語(yǔ)法）：

<                         #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(xiě)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(méi)有沒(méi)擦掉的"Open"；如果還有，則匹配失敗
>                         #最外層的右括號(hào)

還有些什么東西沒(méi)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(méi)有提到的東西。下面是未提到的元素的列表，包含語(yǔ)法和簡(jiǎn)單的說(shuō)明。你可以在網(wǎng)上找到更詳細(xì)的參考資料 來(lái)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。

一些我認(rèn)為你可能已經(jīng)知道的術(shù)語(yǔ)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。

網(wǎng)上的資源及本文參考文獻(xiàn)

• 微軟的正則表達(dá)式教程
• 專業(yè)的正則表達(dá)式教學(xué)網(wǎng)站(英文)
• 關(guān)于.Net下的平衡組的詳細(xì)討論（英文）
• Mastering Regular Expressions (Second Edition)

第二版更新說(shuō)明

• 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(duì)處理中文時(shí)的一些說(shuō)明
• 更改了幾個(gè)術(shù)語(yǔ)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(duì)The Regulator的介紹，改用Regex Tester

Updated on: 2006-10-12

討論，指教，請(qǐng)到這里。