正則表達式入門

入門

學習正則表達式的最好方法是從例子開始，理解例子以後再本身對例子進行修改，實驗。下面給出了很多簡單的例子，並對它們做了詳細的說明。

假設你在一篇英文小說裏查找hi，你可使用正則表達式hi。

這幾乎是最簡單的正則表達式了，它能夠精確匹配這樣的字符串：由兩個字符組成，前一個字符是h,後一個是i。一般，處理正則表達式的工具會提供一個忽略大小寫的選項，若是選中了這個選項，它能夠匹配hi,HI,Hi,hI這四種狀況中的任意一種。

不幸的是，不少單詞裏包含hi這兩個連續的字符，好比him,history,high等等。用hi來查找的話，這裏邊的hi也會被找出來。若是要精確地查找hi這個單詞的話，咱們應該使用\bhi\b。

\b是正則表達式規定的一個特殊代碼（好吧，某些人叫它元字符，metacharacter），表明着單詞的開頭或結尾，也就是單詞的分界處。雖然一般英文的單詞是由空格，標點符號或者換行來分隔的，可是\b並不匹配這些單詞分隔字符中的任何一個，它只匹配一個位置。

假如你要找的是hi後面不遠處跟着一個Lucy，你應該用\bhi\b.*\bLucy\b。

這裏，.是另外一個元字符，匹配除了換行符之外的任意字符。*一樣是元字符，不過它表明的不是字符，也不是位置，而是數量——它指定*前邊的內容能夠連續重複使用任意次以使整個表達式獲得匹配。所以，.*連在一塊兒就意味着任意數量的不包含換行的字符。如今\bhi\b.*\bLucy\b的意思就很明顯了：先是一個單詞hi,而後是任意個任意字符(但不能是換行)，最後是Lucy這個單詞。

若是同時使用其它元字符，咱們就能構造出功能更強大的正則表達式。好比下面這個例子：

0\d\d-\d\d\d\d\d\d\d\d匹配這樣的字符串：以0開頭，而後是兩個數字，而後是一個連字號「-」，最後是8個數字(也就是中國的電話號碼。固然，這個例子只能匹配區號爲3位的情形)。

這裏的\d是個新的元字符，匹配一位數字(0，或1，或2，或……)。-不是元字符，只匹配它自己——連字符(或者減號，或者中橫線，或者隨你怎麼稱呼它)。

爲了不那麼多煩人的重複，咱們也能夠這樣寫這個表達式：0\d{2}-\d{8}。這裏\d後面的{2}({8})的意思是前面\d必須連續重複匹配2次(8次)。

測試正則表達式

若是你不以爲正則表達式很難讀寫的話，要麼你是一個天才，要麼，你不是地球人。正則表達式的語法很使人頭疼，即便對常用它的人來講也是如此。因爲難於讀寫，容易出錯，因此找一種工具對正則表達式進行測試是頗有必要的。

不一樣的環境下正則表達式的一些細節是不相同的，本教程介紹的是微軟 .Net Framework 4.5 下正則表達式的行爲，因此，我向你推薦我編寫的.Net下的工具 Regester。請參考該頁面的說明來安裝和運行該軟件。

下面是Regester運行時的截圖：

元字符

如今你已經知道幾個頗有用的元字符了，如\b,.,*，還有\d.正則表達式裏還有更多的元字符，好比\s匹配任意的空白符，包括空格，製表符(Tab)，換行符，中文全角空格等。\w匹配字母或數字或下劃線或漢字等。

下面來看看更多的例子：

\ba\w*\b匹配以字母a開頭的單詞——先是某個單詞開始處(\b)，而後是字母a,而後是任意數量的字母或數字(\w*)，最後是單詞結束處(\b)。

\d+匹配1個或更多連續的數字。這裏的+是和*相似的元字符，不一樣的是*匹配重複任意次(多是0次)，而+則匹配重複1次或更屢次。

\b\w{6}\b 匹配恰好6個字符的單詞。

表1.經常使用的元字符

代碼	說明
.	匹配除換行符之外的任意字符
\w	匹配字母或數字或下劃線或漢字
\s	匹配任意的空白符
\d	匹配數字
\b	匹配單詞的開始或結束
^	匹配字符串的開始
$	匹配字符串的結束

元字符^（和數字6在同一個鍵位上的符號）和$都匹配一個位置，這和\b有點相似。^匹配你要用來查找的字符串的開頭，$匹配結尾。這兩個代碼在驗證輸入的內容時很是有用，好比一個網站若是要求你填寫的QQ號必須爲5位到12位數字時，可使用：^\d{5,12}$。

這裏的{5,12}和前面介紹過的{2}是相似的，只不過{2}匹配只能很少很多重複2次，{5,12}則是重複的次數不能少於5次，不能多於12次，不然都不匹配。

由於使用了^和$，因此輸入的整個字符串都要用來和\d{5,12}來匹配，也就是說整個輸入必須是5到12個數字，所以若是輸入的QQ號能匹配這個正則表達式的話，那就符合要求了。

和忽略大小寫的選項相似，有些正則表達式處理工具還有一個處理多行的選項。若是選中了這個選項，^和$的意義就變成了匹配行的開始處和結束處。

字符轉義

若是你想查找元字符自己的話，好比你查找.,或者*,就出現了問題：你沒辦法指定它們，由於它們會被解釋成別的意思。這時你就得使用\來取消這些字符的特殊意義。所以，你應該使用\.和\*。固然，要查找\自己，你也得用\\.

例如：deerchao\.net匹配deerchao.net，C:\\Windows匹配C:\Windows。

重複

你已經看過了前面的*,+,{2},{5,12}這幾個匹配重複的方式了。下面是正則表達式中全部的限定符(指定數量的代碼，例如*,{5,12}等)：

表2.經常使用的限定符

代碼/語法	說明
*	重複零次或更屢次
+	重複一次或更屢次
?	重複零次或一次
{n}	重複n次
{n,}	重複n次或更屢次
{n,m}	重複n到m次

下面是一些使用重複的例子：

Windows\d+匹配Windows後面跟1個或更多數字

^\w+匹配一行的第一個單詞(或整個字符串的第一個單詞，具體匹配哪一個意思得看選項設置)

字符類

要想查找數字，字母或數字，空白是很簡單的，由於已經有了對應這些字符集合的元字符，可是若是你想匹配沒有預約義元字符的字符集合(好比元音字母a,e,i,o,u),應該怎麼辦？

很簡單，你只須要在方括號裏列出它們就好了，像[aeiou]就匹配任何一個英文元音字母，[.?!]匹配標點符號(.或?或!)。

咱們也能夠輕鬆地指定一個字符範圍，像[0-9]表明的含意與\d就是徹底一致的：一位數字；同理[a-z0-9A-Z_]也徹底等同於\w（若是隻考慮英文的話）。

下面是一個更復雜的表達式：\(?0\d{2}[) -]?\d{8}。

這個表達式能夠匹配幾種格式的電話號碼，像(010)88886666，或022-22334455，或02912345678等。咱們對它進行一些分析吧：首先是一個轉義字符\(,它能出現0次或1次(?),而後是一個0，後面跟着2個數字(\d{2})，而後是)或-或空格中的一個，它出現1次或不出現(?)，最後是8個數字(\d{8})。

分枝條件

不幸的是，剛纔那個表達式也能匹配010)12345678或(022-87654321這樣的「不正確」的格式。要解決這個問題，咱們須要用到分枝條件。正則表達式裏的分枝條件指的是有幾種規則，若是知足其中任意一種規則都應該當成匹配，具體方法是用|把不一樣的規則分隔開。聽不明白？不要緊，看例子：

0\d{2}-\d{8}|0\d{3}-\d{7}這個表達式能匹配兩種以連字號分隔的電話號碼：一種是三位區號，8位本地號(如010-12345678)，一種是4位區號，7位本地號(0376-2233445)。

\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}這個表達式匹配3位區號的電話號碼，其中區號能夠用小括號括起來，也能夠不用，區號與本地號間能夠用連字號或空格間隔，也能夠沒有間隔。你能夠試試用分枝條件把這個表達式擴展成也支持4位區號的。

\d{5}-\d{4}|\d{5}這個表達式用於匹配美國的郵政編碼。美國郵編的規則是5位數字，或者用連字號間隔的9位數字。之因此要給出這個例子是由於它能說明一個問題：使用分枝條件時，要注意各個條件的順序。若是你把它改爲\d{5}|\d{5}-\d{4}的話，那麼就只會匹配5位的郵編(以及9位郵編的前5位)。緣由是匹配分枝條件時，將會從左到右地測試每一個條件，若是知足了某個分枝的話，就不會去再管其它的條件了。

分組

咱們已經提到了怎麼重複單個字符（直接在字符後面加上限定符就好了）；但若是想要重複多個字符又該怎麼辦？你能夠用小括號來指定子表達式(也叫作分組)，而後你就能夠指定這個子表達式的重複次數了，你也能夠對子表達式進行其它一些操做(後面會有介紹)。

(\d{1,3}\.){3}\d{1,3}是一個簡單的IP地址匹配表達式。要理解這個表達式，請按下列順序分析它：\d{1,3}匹配1到3位的數字，(\d{1,3}\.){3}匹配三位數字加上一個英文句號(這個總體也就是這個分組)重複3次，最後再加上一個一到三位的數字(\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。若是能使用算術比較的話，或許能簡單地解決這個問題，可是正則表達式中並不提供關於數學的任何功能，因此只能使用冗長的分組，選擇，字符類來描述一個正確的IP地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

理解這個表達式的關鍵是理解2[0-4]\d|25[0-5]|[01]?\d\d?，這裏我就不細說了，你本身應該能分析得出來它的意義。

反義

有時須要查找不屬於某個能簡單定義的字符類的字符。好比想查找除了數字之外，其它任意字符都行的狀況，這時須要用到反義：

表3.經常使用的反義代碼

代碼/語法	說明
\W	匹配任意不是字母，數字，下劃線，漢字的字符
\S	匹配任意不是空白符的字符
\D	匹配任意非數字的字符
\B	匹配不是單詞開頭或結束的位置
[^x]	匹配除了x之外的任意字符
[^aeiou]	匹配除了aeiou這幾個字母之外的任意字符

例子：\S+匹配不包含空白符的字符串。

<a[^>]+>匹配用尖括號括起來的以a開頭的字符串。

後向引用

使用小括號指定一個子表達式後，匹配這個子表達式的文本(也就是此分組捕獲的內容)能夠在表達式或其它程序中做進一步的處理。默認狀況下，每一個分組會自動擁有一個組號，規則是：從左向右，以分組的左括號爲標誌，第一個出現的分組的組號爲1，第二個爲2，以此類推。

後向引用用於重複搜索前面某個分組匹配的文本。例如，\1表明分組1匹配的文本。難以理解？請看示例：

\b(\w+)\b\s+\1\b能夠用來匹配重複的單詞，像go go, 或者kitty kitty。這個表達式首先是一個單詞，也就是單詞開始處和結束處之間的多於一個的字母或數字(\b(\w+)\b)，這個單詞會被捕獲到編號爲1的分組中，而後是1個或幾個空白符(\s+)，最後是分組1中捕獲的內容（也就是前面匹配的那個單詞）(\1)。

你也能夠本身指定子表達式的組名。要指定一個子表達式的組名，請使用這樣的語法：(?<Word>\w+)(或者把尖括號換成'也行：(?'Word'\w+)),這樣就把\w+的組名指定爲Word了。要反向引用這個分組捕獲的內容，你可使用\k<Word>,因此上一個例子也能夠寫成這樣：\b(?<Word>\w+)\b\s+\k<Word>\b。

使用小括號的時候，還有不少特定用途的語法。下面列出了最經常使用的一些：

表4.經常使用分組語法

分類	代碼/語法	說明
捕獲	(exp)	匹配exp,並捕獲文本到自動命名的組裏
	(?<name>exp)	匹配exp,並捕獲文本到名稱爲name的組裏，也能夠寫成(?'name'exp)
	(?:exp)	匹配exp,不捕獲匹配的文本，也不給此分組分配組號
零寬斷言	(?=exp)	匹配exp前面的位置
	(?<=exp)	匹配exp後面的位置
	(?!exp)	匹配後面跟的不是exp的位置
	(?<!exp)	匹配前面不是exp的位置
註釋	(?#comment)	這種類型的分組不對正則表達式的處理產生任何影響，用於提供註釋讓人閱讀

咱們已經討論了前兩種語法。第三個(?:exp)不會改變正則表達式的處理方式，只是這樣的組匹配的內容不會像前兩種那樣被捕獲到某個組裏面，也不會擁有組號。「我爲何會想要這樣作？」——好問題，你以爲爲何呢？

零寬斷言

接下來的四個用於查找在某些內容(但並不包括這些內容)以前或以後的東西，也就是說它們像\b,^,$那樣用於指定一個位置，這個位置應該知足必定的條件(即斷言)，所以它們也被稱爲零寬斷言。最好仍是拿例子來講明吧：

(?=exp)也叫零寬度正預測先行斷言，它斷言自身出現的位置的後面能匹配表達式exp。好比\b\w+(?=ing\b)，匹配以ing結尾的單詞的前面部分(除了ing之外的部分)，如查找I'm singing while you're dancing.時，它會匹配sing和danc。

(?<=exp)也叫零寬度正回顧後發斷言，它斷言自身出現的位置的前面能匹配表達式exp。好比(?<=\bre)\w+\b會匹配以re開頭的單詞的後半部分(除了re之外的部分)，例如在查找reading a book時，它匹配ading。

假如你想要給一個很長的數字中每三位間加一個逗號(固然是從右邊加起了)，你能夠這樣查找須要在前面和裏面添加逗號的部分：((?<=\d)\d{3})+\b，用它對1234567890進行查找時結果是234567890。

下面這個例子同時使用了這兩種斷言：(?<=\s)\d+(?=\s)匹配以空白符間隔的數字(再次強調，不包括這些空白符)。

負向零寬斷言

前面咱們提到過怎麼查找不是某個字符或不在某個字符類裏的字符的方法(反義)。可是若是咱們只是想要確保某個字符沒有出現，但並不想去匹配它時怎麼辦？例如，若是咱們想查找這樣的單詞--它裏面出現了字母q,可是q後面跟的不是字母u,咱們能夠嘗試這樣：

\b\w*q[^u]\w*\b匹配包含後面不是字母u的字母q的單詞。可是若是多作測試(或者你思惟足夠敏銳，直接就觀察出來了)，你會發現，若是q出如今單詞的結尾的話，像Iraq,Benq，這個表達式就會出錯。這是由於[^u]總要匹配一個字符，因此若是q是單詞的最後一個字符的話，後面的[^u]將會匹配q後面的單詞分隔符(多是空格，或者是句號或其它的什麼)，後面的\w*\b將會匹配下一個單詞，因而\b\w*q[^u]\w*\b就能匹配整個Iraq fighting。負向零寬斷言能解決這樣的問題，由於它只匹配一個位置，並不消費任何字符。如今，咱們能夠這樣來解決這個問題：\b\w*q(?!u)\w*\b。

零寬度負預測先行斷言(?!exp)，斷言此位置的後面不能匹配表達式exp。例如：\d{3}(?!\d)匹配三位數字，並且這三位數字的後面不能是數字；\b((?!abc)\w)+\b匹配不包含連續字符串abc的單詞。

同理，咱們能夠用(?<!exp),零寬度負回顧後發斷言來斷言此位置的前面不能匹配表達式exp：(?<![a-z])\d{7}匹配前面不是小寫字母的七位數字。

一個更復雜的例子：(?<=<(\w+)>).*(?=<\/\1>)匹配不包含屬性的簡單HTML標籤內裏的內容。(?<=<(\w+)>)指定了這樣的前綴：被尖括號括起來的單詞(好比多是<b>)，而後是.*(任意的字符串),最後是一個後綴(?=<\/\1>)。注意後綴裏的\/，它用到了前面提過的字符轉義；\1則是一個反向引用，引用的正是捕獲的第一組，前面的(\w+)匹配的內容，這樣若是前綴其實是<b>的話，後綴就是</b>了。整個表達式匹配的是<b>和</b>之間的內容(再次提醒，不包括前綴和後綴自己)。

註釋

小括號的另外一種用途是經過語法(?#comment)來包含註釋。例如：2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。

要包含註釋的話，最好是啓用「忽略模式裏的空白符」選項，這樣在編寫表達式時能任意的添加空格，Tab，換行，而實際使用時這些都將被忽略。啓用這個選項後，在#後面到這一行結束的全部文本都將被當成註釋忽略掉。例如，咱們能夠前面的一個表達式寫成這樣：

      (?<=    # 斷言要匹配的文本的前綴
      <(\w+)> # 查找尖括號括起來的字母或數字(即HTML/XML標籤)
      )       # 前綴結束
      .*      # 匹配任意文本
      (?=     # 斷言要匹配的文本的後綴
      <\/\1>  # 查找尖括號括起來的內容：前面是一個"/"，後面是先前捕獲的標籤
      )       # 後綴結束

貪婪與懶惰

當正則表達式中包含能接受重複的限定符時，一般的行爲是（在使整個表達式能獲得匹配的前提下）匹配儘量多的字符。以這個表達式爲例：a.*b，它將會匹配最長的以a開始，以b結束的字符串。若是用它來搜索aabab的話，它會匹配整個字符串aabab。這被稱爲貪婪匹配。

有時，咱們更須要懶惰匹配，也就是匹配儘量少的字符。前面給出的限定符均可以被轉化爲懶惰匹配模式，只要在它後面加上一個問號?。這樣.*?就意味着匹配任意數量的重複，可是在能使整個匹配成功的前提下使用最少的重複。如今看看懶惰版的例子吧：

a.*?b匹配最短的，以a開始，以b結束的字符串。若是把它應用於aabab的話，它會匹配aab（第一到第三個字符）和ab（第四到第五個字符）。

表5.懶惰限定符

代碼/語法	說明
*?	重複任意次，但儘量少重複
+?	重複1次或更屢次，但儘量少重複
??	重複0次或1次，但儘量少重複
{n,m}?	重複n到m次，但儘量少重複
{n,}?	重複n次以上，但儘量少重複

處理選項

上面介紹了幾個選項如忽略大小寫，處理多行等，這些選項能用來改變處理正則表達式的方式。下面是.Net中經常使用的正則表達式選項：

表6.經常使用的處理選項

名稱	說明
IgnoreCase(忽略大小寫)	匹配時不區分大小寫。
Multiline(多行模式)	更改^和$的含義，使它們分別在任意一行的行首和行尾匹配，而不只僅在整個字符串的開頭和結尾匹配。(在此模式下,$的精確含意是:匹配\n以前的位置以及字符串結束前的位置.)
Singleline(單行模式)	更改.的含義，使它與每個字符匹配（包括換行符\n）。
IgnorePatternWhitespace(忽略空白)	忽略表達式中的非轉義空白並啓用由#標記的註釋。
ExplicitCapture(顯式捕獲)	僅捕獲已被顯式命名的組。

一個常常被問到的問題是：是否是隻能同時使用多行模式和單行模式中的一種？答案是：不是。這兩個選項之間沒有任何關係，除了它們的名字比較類似（以致於讓人感到疑惑）之外。

平衡組/遞歸匹配

有時咱們須要匹配像( 100 * ( 50 + 15 ) )這樣的可嵌套的層次性結構，這時簡單地使用\(.+\)則只會匹配到最左邊的左括號和最右邊的右括號之間的內容(這裏咱們討論的是貪婪模式，懶惰模式也有下面的問題)。假如原來的字符串裏的左括號和右括號出現的次數不相等，好比( 5 / ( 3 + 2 ) ) )，那咱們的匹配結果裏二者的個數也不會相等。有沒有辦法在這樣的字符串裏匹配到最長的，配對的括號之間的內容呢？

爲了不(和\(把你的大腦完全搞糊塗，咱們仍是用尖括號代替圓括號吧。如今咱們的問題變成了如何把xx <aa <bbb> <bbb> aa> yy這樣的字符串裏，最長的配對的尖括號內的內容捕獲出來？

這裏須要用到如下的語法構造：

• (?'group') 把捕獲的內容命名爲group,並壓入堆棧(Stack)
• (?'-group') 從堆棧上彈出最後壓入堆棧的名爲group的捕獲內容，若是堆棧原本爲空，則本分組的匹配失敗
• (?(group)yes|no) 若是堆棧上存在以名爲group的捕獲內容的話，繼續匹配yes部分的表達式，不然繼續匹配no部分
• (?!) 零寬負向先行斷言，因爲沒有後綴表達式，試圖匹配老是失敗

咱們須要作的是每碰到了左括號，就在壓入一個"Open",每碰到一個右括號，就彈出一個，到了最後就看看堆棧是否爲空－－若是不爲空那就證實左括號比右括號多，那匹配就應該失敗。正則表達式引擎會進行回溯(放棄最前面或最後面的一些字符)，儘可能使整個表達式獲得匹配。

<                         #最外層的左括號
    [^<>]*                #最外層的左括號後面的不是括號的內容
    (
        (
            (?'Open'<)    #碰到了左括號，在黑板上寫一個"Open"
            [^<>]*       #匹配左括號後面的不是括號的內容
        )+
        (
            (?'-Open'>)   #碰到了右括號，擦掉一個"Open"
            [^<>]*        #匹配右括號後面不是括號的內容
        )+
    )*
    (?(Open)(?!))         #在遇到最外層的右括號前面，判斷黑板上還有沒有沒擦掉的"Open"；若是還有，則匹配失敗

>                         #最外層的右括號

平衡組的一個最多見的應用就是匹配HTML,下面這個例子能夠匹配嵌套的<div>標籤：<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>.

還有些什麼東西沒提到

上邊已經描述了構造正則表達式的大量元素，可是還有不少沒有提到的東西。下面是一些未提到的元素的列表，包含語法和簡單的說明。你能夠在網上找到更詳細的參考資料來學習它們--當你須要用到它們的時候。若是你安裝了MSDN Library,你也能夠在裏面找到.net下正則表達式詳細的文檔。這裏的介紹很簡略，若是你須要更詳細的信息，而又沒有在電腦上安裝MSDN Library,能夠查看關於正則表達式語言元素的MSDN在線文檔。

 

表7.還沒有詳細討論的語法

代碼/語法	說明
\a	報警字符(打印它的效果是電腦嘀一聲)
\b	一般是單詞分界位置，但若是在字符類裏使用表明退格
\t	製表符，Tab
\r	回車
\v	豎向製表符
\f	換頁符
\n	換行符
\e	Escape
\0nn	ASCII代碼中八進制代碼爲nn的字符
\xnn	ASCII代碼中十六進制代碼爲nn的字符
\unnnn	Unicode代碼中十六進制代碼爲nnnn的字符
\cN	ASCII控制字符。好比\cC表明Ctrl+C
\A	字符串開頭(相似^，但不受處理多行選項的影響)
\Z	字符串結尾或行尾(不受處理多行選項的影響)
\z	字符串結尾(相似$，但不受處理多行選項的影響)
\G	當前搜索的開頭
\p{name}	Unicode中命名爲name的字符類，例如\p{IsGreek}
(?>exp)	貪婪子表達式
(?<x>-<y>exp)	平衡組
(?im-nsx:exp)	在子表達式exp中改變處理選項
(?im-nsx)	爲表達式後面的部分改變處理選項
(?(exp)yes|no)	把exp看成零寬正向先行斷言，若是在這個位置能匹配，使用yes做爲此組的表達式；不然使用no
(?(exp)yes)	同上，只是使用空表達式做爲no
(?(name)yes|no)	若是命名爲name的組捕獲到了內容，使用yes做爲表達式；不然使用no
(?(name)yes)	同上，只是使用空表達式做爲no

網上的資源及本文參考文獻

• 精通正則表達式(第3版)
• 微軟的正則表達式教程
• System.Text.RegularExpressions.Regex類(MSDN)
• 專業的正則表達式教學網站(英文)
• 關於.Net下的平衡組的詳細討論（英文）