正則表達式基礎知識

 

 

原文地址：http://blog.csdn.net/lxcnn/article/details/4268033

1概述

正則表達式(Regular Expression)是一種匹配模式，描述的是一串文本的特徵。

正如天然語言中「高大」、「堅固」等詞語抽象出來描述事物特徵同樣，正則表達式就是字符的高度抽象，用來描述字符串的特徵。

正則表達式（如下簡稱正則，Regex）一般不獨立存在，各類編程語言和工具做爲宿主語言提供對正則的支持，並根據自身語言的特色，進行必定的剪裁或擴展。

正則入門很容易，有限的語法規則很容易掌握，可是目前正則的普及率並不高，主要是由於正則的流派衆多，各類宿主語言提供的文檔都過多的關注於自身的一些細節，而這些細節一般是初學者並不須要關注的。

固然，若是想要深刻的瞭解正則表達式，這些細節又是必須被關注的，這是後話，讓咱們先從正則的基礎開始，進入正則表達式的世界。

2正則表達式基礎

2.1基本概念

2.1.1  字符串組成

對於字符串「a5」，是由兩個字符「a」、「5」以及三個位置組成的，這一點對於正則表達式的匹配原理理解很重要。

2.1.2  佔有字符和零寬度

正則表達式匹配過程當中，若是子表達式匹配到的是字符內容，而非位置，並被保存到最終的匹配結果中，那麼就認爲這個子表達式是佔有字符的；若是子表達式匹配的僅僅是位置，或者匹配的內容並不保存到最終的匹配結果中，那麼就認爲這個子表達式是零寬度的。

佔有字符仍是零寬度，是針對匹配的內容是否保存到最終的匹配結果中而言的。

佔有字符是互斥的，零寬度是非互斥的。也就是一個字符，同一時間只能由一個子表達式匹配，而一個位置，卻能夠同時由多個零寬度的子表達式匹配。

2.1.3  正則表達式構成

正則表達式由兩種字符構成。一種是在正則表達式中具體特殊意義的「元字符」，另外一種是普通的「文本字符」。

元字符能夠是一個字符，如「^」，也能夠是一個字符序列，如「\w」。

2.2元字符（Meta Character）

2.2.1  […] 字符組(Character Classes)

字符組能夠匹配[ ]中包含的任意一個字符。雖然能夠是任意一個，但只能是一個。

字符組支持由連字符「-」來表示一個範圍。當「-」先後構成範圍時，要求前面字符的碼位小於後面字符的碼位。

[^…] 排除型字符組。排除型字符組表示任意一個未列出的字符，一樣只能是一個。排除型字符組一樣支持由連字符「-」來表示一個範圍。

 

表達式	說明
[abc]	表示「a」或「b」或「c」
[0-9]	表示0~9中任意一個數字，等價於[0123456789]
[\u4e00-\u9fa5]	表示任意一個漢字
[^a1<]	表示除「a」、「1」、「<」外的其它任意一個字符
[^a-z]	表示除小寫字母外的任意一個字符

 

舉例：

「[0-9][0-9]」在匹配「Windows 2003」時，匹配成功，匹配的結果爲「20」。

「[^inW]」在匹配「Windows 2003」時，匹配成功，匹配的結果爲「d」。

2.2.2  常見字符範圍縮寫

對於一些經常使用的字符範圍，如數字等，因爲很是經常使用，即便使用[0-9]這樣的字符組仍顯得麻煩，因此定義了一些元字符，來表示常見的字符範圍。

 

表達式	說明
\d	任意一個數字，至關於[0-9]，即0~9 中的任意一個
\w	任意一個字母或數字或下劃線，至關於[a-zA-Z0-9_]
\s	任意空白字符，至關於[ \r\n\f\t\v]
\D	任意一個非數字字符，\d取反，至關於[^0-9]
\W	\w取反，至關於[^a-zA-Z0-9_]
\S	任意非空白字符，\s取反，至關於[^ \r\n\f\t\v]

 

舉例：

「\w\s\d」在匹配「Windows 2003」時，匹配成功，匹配的結果爲「s 2」。

2.2.3  . 小數點

小數點能夠匹配除「\n」之外的任意一個字符。若是要匹配包括「\n」在內的全部字符，通常用[\s\S]，或者是用「.」加(?s)匹配模式來實現。

 

表達式	說明
.	匹配除了換行符 \n 之外的任意一個字符

 

2.2.4  其它元字符

 

表達式	說明
^	匹配字符串開始的位置，不匹配任何字符
$	匹配字符串結束的位置，不匹配任何字符
\b	匹配單詞邊界，不匹配任何字符

 

舉例：

「^a」在匹配「cba」時，匹配失敗，由於表達式要求開始位置後面是字符「a」，而「cba」顯然是不知足的。

「\d$」在匹配「123」時，匹配成功，匹配結果爲「3」，這個表達式要求匹配結尾處的數字，若是結尾處不是數字，如「123abc」，則是匹配失敗的。

2.2.5  轉義字符

一些不可見字符，或是在正則中具備特殊意義的元字符，如想匹配字符自己，須要用「\」對其進行轉義。

 

 

表達式	說明
\r，\n	回車和換行
\\	匹配「\」自己
\^，$，\.	分別匹配「^」、「$」和「.」

 

如下字符在匹配其自己時，一般須要進行轉義。在實際應用中，根據具體狀況，須要轉義的字符可能不止以下所列字符

　.  $  ^  {  [  (  |  )  *  +  ?  \

2.2.6  量詞（Quantifier）

量詞表示一個子表達式能夠匹配的次數。量詞能夠用來修飾一個字符、字符組，或是用()括起來的子表達式。一些經常使用的量詞被定義成獨立的元字符。

 

表達式	說明	舉例
{m}	表達式匹配m次	「\d{3}」至關於「\d\d\d 」 「(abc){2}」至關於「abcabc」
{m,n}	表達式匹配最少m次，最多n次	「\d{2,3}」能夠匹配「12」或「321」等2到3位的數字
{m,}	表達式至少匹配m次	「[a-z]{8,}」表示至少8位以上的字母
?	表達式匹配0次或1次，至關於{0,1}	「ab?」能夠匹配「a」或「ab」
*	表達式匹配0次或任意屢次，至關於{0,}	「<[^>]*>」中「[^>]*」表示0個或任意多個不是「>」的字符
+	表達式匹配1次或意屢次，至少1次，至關於{1,}	「\d\s+\d」表示兩個數字中間，至少有一個以上的空白字符

 

注意：在不是動態生成的正則表達式中，不要出現「{1}」這樣的量詞，如「\w{1}」在結果上等價於「\w」，可是會下降匹配效率和可讀性，屬於多此一舉的作法。

2.2.7  分支結構（Alternation）

當一個字符串的某一子串具備多種可能時，採用分支結構來匹配，「|」表示多個子表達式之間「或」的關係，「|」是以()限定範圍的，若是在「|」的左右兩側沒有()來限定範圍，那麼它的做用範圍即爲「|」左右兩側總體。

 

表達式	說明
|	多個子表達式之間取「或」的關係

 

舉例：

「^aa|b$」在匹配「cccb」時，是能夠匹配成功的，匹配的結果是「b」，由於這個表達式表示匹配「^aa」或「b」，而「b」，而「b」在匹配「cccb 」時是能夠匹配成功的。

「^(aa|b)$」在區配「cccb」時，是匹配失敗的，由於這個表達式表示在「開始」和「結束」位置之間只能是「aa」或「b」，而「cccb」顯然是不知足的。

3正則表達式進階

3.1捕獲組（Capture Group）

捕獲組就是把正則表達式中子表達式匹配的內容，保存到內存中以數字編號或手動命名的組裏，以供後面引用。

 

表達式	說明
(Expression)	普通捕獲組，將子表達式Expression匹配的內容保存到以數字編號的組裏
(?<name> Expression)	命名捕獲組，將子表達式Expression匹配的內容保存到以name命名的組裏

 

普通捕獲組（在不產生歧義的狀況下，簡稱捕獲組）是以數字進行編號的，編號規則是以「(」從左到右出現的順序，從1開始進行編號。一般狀況下，編號爲0的組表示整個表達式匹配的內容。

命名捕獲組能夠經過捕獲組名，而不是序號對捕獲內容進行引用，提供了更便捷的引用方式，不用關注捕獲組的序號，也不用擔憂表達式部分變動會致使引用錯誤的捕獲組。

3.2非捕獲組

一些表達式中，不得不使用( )，但又不須要保存( )中子表達式匹配的內容，這時能夠用非捕獲組來抵消使用( )帶來的反作用。

 

表達式	說明
(?:Expression)	進行子表達式Expression的匹配，並將匹配內容保存到最終的整個表達式的區配結果中，但Expression匹配的內容不單獨保存到一個組內

 

3.3反向引用

捕獲組匹配的內容，能夠在正則表達式的外部程序中進行引用，也能夠在表達式中進行引用，表達式中引用的方式就是反向引用。

反向引用一般用來查找重複的子串，或是限定某一子串成對出現。

 

表達式	說明
\1，\2	對序號爲1和2的捕獲組的反向引用
\k<name>	對命名爲name的捕獲組的反向引用

 

舉例：

「(a|b)\1」在匹配「abaa」時，匹配成功，匹配到的結果是「aa」。「(a|b)」在嘗試匹配時，雖然既能夠匹配「a」，也能夠匹配「b」，可是在進行反向引用時，對應()中匹配的內容已是固定的了。

3.4     環視（Look Around）

環視只進行子表達式的匹配，匹配內容不計入最終的匹配結果，是零寬度的。

環視按照方向劃分有順序和逆序兩種，按照是否匹配有確定和否認兩種，組合起來就有四種環視。環視至關於對所在位置加了一個附加條件。

 

 

表達式	說明
(?<=Expression)	逆序確定環視，表示所在位置左側可以匹配Expression
(?<!Expression)	逆序否認環視，表示所在位置左側不能匹配Expression
(?=Expression)	順序確定環視，表示所在位置右側可以匹配Expression
(?!Expression)	順序否認環視，表示所在位置右側不能匹配Expression

 

舉例：

「(?<=Windows )\d+」在匹配「Windows 2003」時，匹配成功，匹配結果爲「2003」。咱們知道「\d+」表示匹配一個以上的數字，而「(?<=Windows )」至關於一個附加條件，表示所在位置左側必須爲「Windows 」，它所匹配的內容並不計入匹配結果。一樣的正則在匹配「Office 2003」時，匹配失敗，由於這裏任意一串數字子串的左側都不是「Windows 」。

「(?!1)\d+」在匹配「123」時，匹配成功，匹配的結果爲「23」。「\d+」匹配一個以上數字，可是附加條件「(?!1)」要求所在位置右側不能是「1」，因此匹配成功的位置是「2」前面的位置。

3.5忽略優先和匹配優先

或者叫作正則表達式匹配的貪婪與非貪婪模式。

標準量詞修飾的子表達式，在可匹配可不匹配的狀況下，總會先嚐試進行匹配，稱這種方式爲匹配優先，或者貪婪模式。此前介紹的一些量詞，「{m}」、「{m,n}」、「{m,}」、「?」、「*」和「+」都是匹配優先的。

一些NFA正則引擎支持忽略優先量詞，也就是在標準量詞後加一個「?」，此時，在可匹配可不匹配的狀況下，總會先忽略匹配，只有在由忽略優先量詞修飾的子表達式，必須進行匹配才能使整個表達式匹配成功時，纔會進行匹配，稱這種方式爲忽略優先，或者非貪婪模式。忽略優先量詞包括「{m}?」、「{m,n}?」、「{m,}?」、「??」、「*?」和「+?」。

舉例：

源字符串：<div>aaa</div><div>bbb</div>

正則表達式1：<div>.*</div>      匹配結果：<div>aaa</div><div>bbb</div>

正則表達式2：<div>.*?</div>     匹配結果：<div>aaa</div>