正則表達式(轉)

目錄

正則表達式介紹
匹配模式

字符子集
行結束符
分組和引用
Unicode支持


正則表達式語法參考html

  1. 字符
  2. 邏輯操做符
  3. 向後引用
  4. 邊界元字符
  5. 重複指示符
  6. 字符子集
  7. 預約義子集(元字符)
  8. 擴展子集(元字符)
  9. 擴展中文子集(元字符)
  10. POSIX字符子集(只適用於ASCII)
  11. Unicode塊和分類


替換表達式
替換表達式
git

  1. 特殊字符
  2. 自定義替換表

匹配模式

匹配模式指得是正則表達式引擎將以何種模式匹配字符串。正則表達式

模式名稱 啓用,禁用 缺省啓用 說明
UNIX_LINES (?d)啓用,(?-d)禁用 啓用Unix行模式。
在此模式下,只有 '\n'被認爲是行結束符。它會影響.^, 和 $ 的行爲。

CASE_INSENSITIVE (?i)啓用,(?-i)禁用 啓用忽略大小寫模式。
缺省時,忽略大小寫模式只會影響 ASCII字符的匹配。 而Unicode範圍的忽略大小寫匹配須要經過 UNICODE_CASE 標誌與本標誌聯合使用。
啓用此模式會影響匹配性能。

COMMENTS (?x)啓用,(?-x)禁用 容許空格和註釋出如今正則表達式中。
在此模式下,空格被忽略,以#開始的單行註釋被忽略。 
MULTILINE (?m)啓用,(?-m)禁用 啓用多行模式。
In multiline mode the expressions ^ and $ match just after or just before, respectively, a line terminator or the end of the input sequence. By default these expressions only match at the beginning and the end of the entire input sequence. 

DOTALL (?s)啓用,(?-s)禁用 讓.能夠匹配行結束符。
在此模式下,元字符.能夠匹配行結束符。缺省不容許如此匹配。


UNICODE_CASE (?u)啓用,(?-u)禁用 Enables Unicode-aware case folding.
When this flag is specified then case-insensitive matching, when enabled by the CASE_INSENSITIVE flag, is done in a manner consistent with the Unicode Standard. By default, case-insensitive matching assumes that only characters in the US-ASCII charset are being matched. 啓用此模式會影響性能。

CANON_EQ (?c)啓用,(?-c)禁用 Enables canonical equivalence.
When this flag is specified then two characters will be considered to match if, and only if, their full canonical decompositions match. The expression "a\u030A", for example, will match the string "?" when this flag is specified. By default, matching does not take canonical equivalence into account. 
啓用此模式會影響性能。



字符子集

字符子集能夠含有別的字符子集,而且能夠經過聯合操做符(缺省)和交集操做符(&&)實現組合。聯合操做符表示某個子集匹配它的子子集所匹配的任意字符。交集操做符代表某個字符子集只匹配它的子子集都匹配的字符。
字符子集所可以有的操做符的優先級以下,從高到低:算法

  1. 轉義符\x
  2. 成組符 [...]
  3. 區間符 a-z
  4. 聯合符 [a-e][i-u]
  5. 交集符 [a-z&&[aeiou]]

注意:在字符子集[]內部的語法根本不一樣於正則表達式其它部分中的語法。例如,在字符子集內部,正則表達式 . 失去了它原有的含義,而是成了一個匹配.的元字符。 

數據庫

行結束符

行結束符是一個或兩個字符序列,用以代表輸入字符序列中一行的結束。下面的字符被認爲是行結束符:express

  • 一個換行符('\n')。
  • 一個回車符加上一個換行符("\r\n")。
  • 一個單獨的回車符('\r')。
  • 表明下一行的字符('\u0085')。
  • 行分隔符('\u2028'),Unicode中被定義。
  • 一個分段符('\u2029),Unicode中被定義。

若是 UNIX_LINES 模式被啓用,則只有換行符被認爲是行結束符。
若是 MULTILINE 模式被啓用,。

ide

分組和引用

字符分組以它們的左括號的出現順序來排序。例如在表達式((A)(B(C))),有四個分組:函數

  1. ((A)(B(C)))
  2. (A)
  3. (B(C))
  4. (C)

第0組永遠表示表達式自己。
分組採用這樣的命名方式,是由於,在一次匹配過程當中,正則表達式會被匹配屢次。之前的匹配子序列有可能在未來被使用;或者在匹配結束時,程序有可能須要從新得到全部匹配的子字符序列。
對於正則表達式中的某個分組而言,永遠只保留最後匹配的字符序列。若是對某個分組匹配嘗試失敗,則會保留上次匹配成功的字符序列。例如,對於正則表達式(a(b)?)+而言,字符序列"aba",將會讓分組2匹配的字符序列爲"b"。
以(?開始的分組,將不會計入分組數目,也不會被後續匹配所引用。

性能

Unicode支持

本正則表達式匹配引擎的實現遵循了《Unicode技術報告:Unicode正則表達式指南》,實現了該指南的第二層所需的功能,可是在細微處有一些簡單語法修改。
Unicode塊(Block)和分類(Category)經過\p和\P通配苻表示。\p{prop}匹配含有prop的輸入序列,而\P{prop}匹配不含有prop的輸入序列。Unicode塊經過前綴In表示,如\p{InMongolian}。Unicode分類經過可選的前綴Is表示,所以\p{L}和\p{IsL}都表明Unicode分類 letters。Unicode塊和分類均可以在正則表達式子集外部和內部使用。
目前支持的Unicode塊和分類是《Unicode標準,第三版》中所指定的塊和分類。 Unicode塊名稱在《Unicode 字符數據庫》的第14章被定義,文件名稱叫Blocks-3.txt,可是名稱中的空格被去掉了。例如"Basic Latin"成了"BasicLatin"。不管是標準化的仍是非標準化的分類,都在該標準的第88頁的第4-5表中被所有定義。

ui

與Perl 5正則表達式語法對比

[TBD]


正則表達式參考

 


字符

正則表達式字符串 匹配的字符串
X 字符X,包括 CJK ExtB 區漢字
\\ 反斜槓\
\0n 八進制0n表明的字符(0<=n<=7)
\0nn 八進制0nn表明的字符(0<=n<=7)
\0mnn 八進制0mnn表明的字符(0<=m<=3,0<=n<=7)
\xhh 十六進制 0xhh所表明的字符
\uhhhh 十六進制 0xhhhh所表明的字符。注意,目前尚不支持CJK ExtB區漢字。
\t 製表符('\u0009')
\n 換行('\u000A')
\r 回車('\u000D')
\a 響鈴符('\u0007')
\e 取消符Escape('\001B')
\cx x所表明的控制字符

 

邏輯操做符

正則表達式字符串 匹配的字符串
XY X後面跟隨Y
X|Y X或者Y
(X) X做爲分組表達式

 

向後引用

正則表達式字符串 匹配的字符串
\n n個匹配的分組

 

邊界元字符

邊界字符 匹配的字符串
^ 行首
$ 行末
\b 字符邊界
\B 非字符邊界
\A 輸入流的開始
\G 上次匹配的結束處
\Z 輸入流的結束,或者是最後一個行結束符,參見行結束符
\z 輸入流的結束

 

重複指示符

正則表達式字符串 匹配的字符串
X? X重複一次,或者不重複
X* X重複0次或屢次
X X重複1次或屢次
X{n} X重複n次,很少也很多。
X{n,} X至少重複n次
X{n,m} X至少重複n次,至多重複m次。

注:X{n,m}、?、*、+方式能夠聯合使用。

字符子集

正則表達式字符串子集 匹配的字符串 組合方式
[abc] 字符a,b或c,包括 CJK ExtB 區漢字 簡單子集
[^abc] 任意非a,b或c的字符。 排除
[a-zA-Z] 從a到z,或者A到Z,包含a,z,A,Z。 區間
[a-d[m-p]] 從a到d,或者m到p,等於[a-dm-p]。 聯合
[a-z&&[def]] d,e或者f。 交集
[a-z&&[^bc]] 從a到z,除了b和c,等於[ad-z] 扣除
[a-z&&[^m-p]] 從a到z,而且不包括從m到p,等於[a-lq-z] 扣除

 

預約義子集(元字符)

邊界字符 匹配的字符串
. 任意字符,可能匹配行結束符。
\d 數字[0-9]
\D 非數字[^0-9]
\s 空白符[ \t\n\x0B\f\r]
\S 非空白符[^\s]
\w 單詞符,包含有字母和數字[a-zA-Z_0-9]
\W 非單詞符,不包含有字母和數字。

 

擴展子集(元字符)

正則表達式字符串 匹配的字符串
   



擴展中文子集(元字符)

名稱 塊名稱(\p{InXXX}) 簡化通配符 標準Unicode塊,或者漢字列表
任意雙字節字符(漢字或全角符號) \p{InQuqnJiao} \E 任意由GBK表示的漢字,不包括GB18030擴展部分,
以及CJK ExtB區的漢字。
任意單字節字符 \p{InFQuanJiao} \~E 任意單字節字符。
任意全角ASCII字符 \p{InQJAscii} \H 標準HalfwidthandFullwidthForms塊
任意收錄在BIG5碼集中的雙字節字符 \p{InBig5} \I Big5可編碼雙字節字符
匹配未收錄在BIG5碼集中的雙字節字符 \p{InFBig5} \~I 非Big5可編碼雙字節字符
匹配任意漢字(不包括符號) \p{InHanziOrCJKExtB} \X 任意漢字,包括GB18030擴展部分。
匹配任意漢字(不包括符號) \p{InHanzi} \M 任意漢字,不包括GB18030擴展部分。
匹配非漢字的雙字節字符 \p{InFHanzi} \~M 任意非漢字的雙字節字符,
包括GB18030擴展部分。
地支字符 \p{InDiZhi} \U 子醜寅卯辰巳午未申酉戌亥
匹配收錄在GB碼集中的雙字節字符 \p{InGB} \g 收錄在GB碼集中的雙字節字符,
不包括GB18030擴展部分。
匹配非收錄在GB碼集中的雙字節字符 \p{InFGB} \~g 未收錄在GB碼集中的雙字節字符,
不包括GB18030擴展部分。
匹配收錄在GBK碼集中的雙字節字符 \p{InGBK} \h 收錄在GBK碼集中的雙字節字符,
不包括GB18030擴展部分。
匹配非收錄在GBK碼集中的雙字節字符 \p{InFGBK} \~h 未收錄在GBK碼集中的雙字節字符,
不包括GB18030擴展部分。
大寫希臘字母 \p{InDaXila} \K ΑΒΓΔΕΖΗΘΙΚΛΜΝ
ΞΟΠΡΣΤΥΦΧΨΩ
日文片假名 \p{InPianJia} \j 標準Katakana塊
日文平假名 \p{InPingJia} \J 標準Hiragana塊
小寫希臘字母 \p{InXiaoXila} \k αβγδεζηθικλμν
ξοπρστυφχψω
數學符號 \p{InMathe} \m ±×÷∶∧∨∑∏∪∩∈∷√⊥∥∠⌒⊙
∫∮≡≌≈∽∝≠≮≯≤≥∞∵∴
中文數字 \p{InCnDigit} \i 〇一二三四五六七八九十百千萬億兆吉京
大寫中文數字 \p{InDaCnDigit} \N 零壹貳叄肆伍陸柒捌玖拾佰仟萬億兆吉京
全角標點符號 \p{InQJBiaoDian} \o 、。·ˉˇ¨〃々—~‖…‘’「」〔〕
〈〉《》「」『』〖〗【】!"'(),
-.:;<=>?[]{|}`﹉﹊﹋﹌﹍﹎﹏﹐﹑﹒﹔﹕﹖﹗﹙﹚
﹛﹜﹝﹞︵︶︹︺︿﹀︽︾﹁﹂﹃﹄
︻︼︷︸︱︳︴
小寫俄文字母 \p{InXiaoEWen} \l абвгдеёжзийклмн
опрстуфхцчшщъыьэюя
大寫俄文字母 \p{InDaEWen} \R АБВГДЕЁЖЗИЙКЛМНО
ПРСТУФХЦЧШЩЪЫЬЭЮЯ
中文序號 \p{InCnSN} \q ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫ
ⅰⅱⅲⅳⅴⅵⅶⅷⅸⅹ
再加上Unicode標準EnclosedAlphanumerics塊
天干字符 \p{InTianGan} \T 甲乙丙丁戊己庚辛壬癸
豎排標點符號 \p{InSPBiaoDian} \V ︵︶︹︺︿﹀︽︾﹁﹂﹃﹄︻︼︷︸︱︳︴
拼音字符 \p{InPinyin} \y āáǎàēéěèīíǐìōóǒòūúǔùǖǘǚǜüêɑńňɡ
GBK -> 0xA8A1- 0xA8C0
只是Unicode標準LatinExtended-A塊的一部分。
註音字符 \p{InZhuyin} \Y 標準Bopomofo塊
製表字符 \p{InZhiBiao} \C 標準BoxDrawing塊。
經檢查發現 textpro 的算法含有部分非標
準Unicode製表符:「∟∣≒≦≧⊿═」。

 

POSIX字符子集(只適用於ASCII)

正則表達式字符串 匹配的字符串
\p{Lower} 小寫字母[a-z]
\p{Upper} 大寫字母[A-Z]
\p{ASCII} 全部的ASCII字符[\x00-\x7F]
\p{Alpha} 大小寫字母[\p{Lower}\p{Upper}]
\p{Digit} 數字[0-9]
\p{Alnum} 字母數字符,包含大小寫字母和數字[\p{Alpha}\p{Digit}]
\p{Punct} 標點符號,!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~之一。
\p{Graph} 可顯示字符[\p{Alnum}\p{Punct}]
\p{Print} 可打印字符[\p{Graph}]
\p{Blank} 空格或者製表符[ \t]
\p{Cntrl} 控制字符[\x00-\x1F\x7F
\p{XDigit} 十六進制數字[0-9a-fA-F]
\p{Space} 空白符[ \t\n\x0B\f\r]

 

Unicode塊和分類

中文名稱(摘自Word XP) 代碼區域
BasicLatin 基本拉丁語 \u0000-\u007F
Latin-1Supplement 拉丁語-1 \u0080-\u00FF
LatinExtended-A 拉丁語擴充-A \u0100-\u017F
LatinExtended-Bound 拉丁語擴充-B \u0180-\u024F
IPAExtensions 國際音標擴充 \u0250-\u02AF
SpacingModifierLetters 進格的修飾字符 \u02B0-\u02FF
CombiningDiacriticalMarks 組合用發音符 \u0300-\u036F
Greek 基本希臘語 \u0370-\u03FF
Cyrillic 西里爾語 \u0400-\u04FF
Armenian   \u0530-\u058F
Hebrew   \u0590-\u05FF
Arabic   \u0600-\u06FF
Syriac   \u0700-\u074F
Thaana   \u0780-\u07BF
Devanagari   \u0900-\u097F
Bengali   \u0980-\u09FF
Gurmukhi   \u0A00-\u0A7F
Gujarati   \u0A80-\u0AFF
Oriya   \u0B00-\u0B7F
Tamil   \u0B80-\u0BFF
Telugu   \u0C00-\u0C7F
Kannada   \u0C80-\u0CFF
Malayalam   \u0D00-\u0D7F
Sinhala   \u0D800-\uDFF
Thai   \u0E00-\u0E7F
Lao   \u0E80-\u0EFF
Tibetan 藏語 \u0F00-\u0FFF
Myanmar   \u1000-\u109F
Georgian   \u10A0-\u10FF
HangulJamo   \u1100-\u11FF
Ethiopic   \u1200-\u137F
Cherokee   \u13A0-\u13FF
UnifiedCanadianAboriginalSyllabics   \u1400-\u167F
Ogham   \u1680-\u169F
Runic   \u16A0-\u16FF
Khmer   \u1780-\u17FF
Mongolian 蒙古語 \u1800-\u18AF
LatinExtendedAdditional   \u1E00-\u1EFF
GreekExtended   \u1F00-\u1FFF
GeneralPunctuation 廣義標點 \u2000-\u206F
SuperscriptsandSubscripts   \u2070-\u209F
CurrencySymbols 貨幣符號 \u20A0-\u20CF
CombiningMarksforSymbols   \u20D0-\u20FF
LetterlikeSymbols 相似字母的符號 \u2100-\u214F
NumberForms 數字形式 \u2150-\u218F
Arrows 箭頭 \u2190-\u21FF
MathematicalOperators 數學運算符 \u2200-\u22FF
MiscellaneousTechnical 零雜技術用符號 \u2300-\u23FF
ControlPictures   \u2400-\u243F
OpticalCharacterRecognition   \u2440-\u245F
EnclosedAlphanumerics 帶括號的字母數字 \u2460-\u24FF
BoxDrawing 製表符 \u2500-\u257F
BlockElements 方塊圖形 \u2580-\u259F
GeometricShapes 幾何圖形 \u25A0-\u25FF
MiscellaneousSymbols 零雜丁貝符(示意符等) \u2600-\u26FF
Dingbats   \u2700-\u27BF
BraillePatterns   \u2800-\u28FF
CJKRadicalsSupplement   \u2E80-\u2EFF
KangxiRadicals   \u2F00-\u2FDF
IdeographicDescriptionCharacters   \u2FF0-\u2FFF
CJKSymbolsandPunctuation CJK符號和標點 \u3000-\u303F
Hiragana 平假名 \u3040-\u309F
Katakana 片假名 \u30A0-\u30FF
Bopomofo 註音 \u3100-\u312F
HangulCompatibilityJamo   \u3130-\u318F
Kanbun   \u3190-\u319F
BopomofoExtended 擴展註音 \u31A0-\u31BF
EnclosedCJKLettersandMonths 帶括號的CJK字母及月份 \u3200-\u32FF
CJKCompatibility CJK兼容字符 \u3300-\u33FF 
CJKUnifiedIdeographsExtensionA CJK統一漢字擴展-A \u3400-\u4dBF
CJKUnifiedIdeographs CJK統一漢字 \u4E00-\u9fAF
YiSyllables   \uA000-\uA48F
YiRadicals   \uA490-\uA4CF
HangulSyllables   \uAC00-\uD7A3
HighSurrogates   \uD800-\uDB7F
HighPrivateUseSurrogates   \uDB80-\uDBFF
LowSurrogates   \uDC00-\uDFFF
PrivateUse 專用區 \uE000-\uF8FF
CJKCompatibilityIdeographs CJK兼容漢字 \uF900-\uFAFF
AlphabeticPresentationForms   \uFB00-\uFB4F
ArabicPresentationForms-A   \uFB50-\uFDFF
CombiningHalfMarks   \uFE20-\uFE2F
CJKCompatibilityForms CJK兼容形式 \uFE30-\uFE4F
SmallFormVariants 小寫變體 \uFE50-\uFE6F
ArabicPresentationForms-Bound   \uFE70-\ufeFF
Specials   \uFFF0-\uFFFF
HalfwidthandFullwidthForms 半形及全形字符 \uFF00-\uFFEF



分類 全稱 說明
Cn   UNASSIGNED
Lu   UPPERCASE_LETTER
Ll   LOWERCASE_LETTER
Lt   TITLECASE_LETTER
Lm   MODIFIER_LETTER
Lo   OTHER_LETTER
Mn   NON_SPACING_MARK
Me   ENCLOSING_MARK
Mc   COMBINING_SPACING_MARK
Nd   DECIMAL_DIGIT_NUMBER
Nl   LETTER_NUMBER
No   OTHER_NUMBER
Zs   SPACE_SEPARATOR
Zl   LINE_SEPARATOR
Zp   PARAGRAPH_SEPARATOR
Cc   CNTRL
Cf   FORMAT
Co   PRIVATE_USE
Cs   SURROGATE
Pd   DASH_PUNCTUATION
Ps   START_PUNCTUATION
Pe   END_PUNCTUATION
Pc   CONNECTOR_PUNCTUATION
Po   OTHER_PUNCTUATION
Sm   MATH_SYMBOL
Sc   CURRENCY_SYMBOL
Sk   MODIFIER_SYMBOL
So   OTHER_SYMBOL
L   LETTER
M   MARK
N   NUMBER
Z   SEPARATOR
C   CONTROL
P   PUNCTUATION
S   SYMBOL
LD   LETTER_OR_DIGIT
L1   Latin-1
all   ALL
ASCII   ASCII
Alnum   字母數字(0-9,a-z,A-Z)
Alpha   字母(a-z,A-Z)
Blank   空格和製表符(' '|\t)
Cntrl   控制字符,不可打印
Digit   數字(0-9)
Graph   可打印且可視字母(例如空格' '是可打印的但不是可視字母,而 `a' 二者都是。)
Lower   小寫字母
Print   可打印字母(非控制字符)
Punct   標符號(字母、數字、控制、空白符之外的字母),如:!@#$%}{<>,./?[]等等。
Space   空白符(' ',\t,0x09,0x0A,0x0B,0x0C,0x0D,0x20)
Upper   大寫字母
XDigit   十六進制數字(0-9,a-f, A-F)

 





替換表達式

特殊字符

特殊字符介紹 描述
\n 換行
\b 向前刪除一個字符。當這個字符位於替換串之首時,將刪除匹配串以前的一個字符。若匹配串位於行首,將使匹配串所在行與前一行相合並。
\d 向後刪除一個字符。當這個字符位於替換串之末時,將刪除匹配串以後的一個字符。若匹配串位於行末,將使匹配串所在行與下一行相合並。
\e 插入一個ESC字符
\t 插入一個TAB字符
\n n表明查找正則表達式中的子表達式(組)。\1表明第一個子表達式,\2表明第二個子表達式,依次類推。\0表明整個匹配到的字符串。
\v 大寫下一個字母
\U 所有大寫之後的字母,直到碰到其它指示符爲止。
\l 小寫下一個字母
\L 所有小寫之後的字母,直到碰到其它指示符爲止。
\E 取消全部的字母大小寫指示符。


俄語字符串    

[а-яА-Я]

自定義替換表在查找/替換中使用自定義替換表 有的時候,上述簡單的自定義替換功能是不夠的。例如,用戶可能但願只把出如今括號內的源串替換爲目標串。這種文本處理能夠經過在查找/替換中使用自定義替換表來解決。 在查找/替換功能中使用自定義替換表的替換函數是\Tn,其中n是0-9的數字, 注意n爲0表示第10張替換表。若是略去n,其效果至關於\T1,即便用第一張替換表。例如要把全部放在方括號中的漢字替換爲拼音,能夠查找「\[(\E)\]」,替換爲「\T{\1}」。即把第一個子表達式的匹配內容按自定義替換錶轉換。注意,若是\T函數的參數不在替換表的源串中,\T函數的結果與源串相同,即不作任何變換。 有些狀況下,用戶可能但願只使用替換表的一部份內容。仍是以拼音爲例,前面給出的替換表中包含了拼音的音調,若是在替換時不但願加上這些音調數字,可使用「過濾」功能。所謂過濾,實際上是用一個正則表達式去分析替換表的目標串,並把其中的某個子表達式取出來。 使用「過濾」時,在「設置自定義替換表」對話框中,點「過濾」按鈕,在彈出的對話框中填入一個正則表達式。再以拼音爲例,表達式能夠寫爲「(\p{Alpha}+)(\d)」,其中第一對括號中的是不含音調的拼音,第二對括號是音調。在調用\T函數時,JTextPro會在目標串中查找這個正則表達式。可是如何把其中的子表達式取出來呢?\T函數還有一個可選的下標,取第n個子表達式的值就寫做\T{...}[n]。因此,把放在方括號中的漢字替換爲不帶調的拼音,能夠查找「\[(\E)\]」,替換爲「\T{\1}[1]」 

相關文章
相關標籤/搜索