揭開正則表達式的神祕面紗



引言

    正則表達式（regular expression）就是用一個「字符串」來描述一個特徵，而後去驗證另外一個「字符串」是否符合這個特徵。好比 表達式「ab+」 描述的特徵是「一個 'a' 和 任意個 'b' 」，那麼 'ab', 'abb', 'abbbbbbbbbb' 都符合這個特徵。

    正則表達式能夠用來：（1）驗證字符串是否符合指定特徵，好比驗證是不是合法的郵件地址。（2）用來查找字符串，從一個長的文本中查找符合指定特徵的字符串，比查找固定字符串更加靈活方便。（3）用來替換，比普通的替換更強大。

   正則表達式學習起來實際上是很簡單的，很少的幾個較爲抽象的概念也很容易理解。之因此不少人感受正則表達式比較複雜，一方面是由於大多數的文檔沒有作到由淺入深地講解，概念上沒有注意前後順序，給讀者的理解帶來困難；另外一方面，各類引擎自帶的文檔通常都要介紹它特有的功能，然而這部分特有的功能並非咱們首先要理解的。

    文章中的每個舉例，均可以點擊進入到測試頁面進行測試。閒話少說，開始。

---

1. 正則表達式規則

1.1 普通字符

    字母、數字、漢字、下劃線、以及後邊章節中沒有特殊定義的標點符號，都是"普通字符"。表達式中的普通字符，在匹配一個字符串的時候，匹配與之相同的一個字符。

    舉例1：表達式 "c"，在匹配字符串 "abcde" 時，匹配結果是：成功；匹配到的內容是："c"；匹配到的位置是：開始於2，結束於3。（注：下標從0開始仍是從1開始，因當前編程語言的不一樣而可能不一樣）

    舉例2：表達式 "bcd"，在匹配字符串 "abcde" 時，匹配結果是：成功；匹配到的內容是："bcd"；匹配到的位置是：開始於1，結束於4。

---

1.2 簡單的轉義字符

    一些不便書寫的字符，採用在前面加 "/" 的方法。這些字符其實咱們都已經熟知了。

表達式	可匹配
/r, /n	表明回車和換行符
/t	製表符
//	表明 "/" 自己

    還有其餘一些在後邊章節中有特殊用處的標點符號，在前面加 "/" 後，就表明該符號自己。好比：^, $ 都有特殊意義，若是要想匹配字符串中 "^" 和 "$" 字符，則表達式就須要寫成 "/^" 和 "/$"。

表達式	可匹配
/^	匹配 ^ 符號自己
/$	匹配 $ 符號自己
/.	匹配小數點（.）自己

    這些轉義字符的匹配方法與 "普通字符" 是相似的。也是匹配與之相同的一個字符。

    舉例1：表達式 "/$d"，在匹配字符串 "abc$de" 時，匹配結果是：成功；匹配到的內容是："$d"；匹配到的位置是：開始於3，結束於5。

---

1.3 可以與 '多種字符' 匹配的表達式

    正則表達式中的一些表示方法，能夠匹配 '多種字符' 其中的任意一個字符。好比，表達式 "/d" 能夠匹配任意一個數字。雖然能夠匹配其中任意字符，可是隻能是一個，不是多個。這就比如玩撲克牌時候，大小王能夠代替任意一張牌，可是隻能代替一張牌。

表達式	可匹配
/d	任意一個數字，0~9 中的任意一個
/w	任意一個字母或數字或下劃線，也就是 A~Z,a~z,0~9,_ 中任意一個
/s	包括空格、製表符、換頁符等空白字符的其中任意一個
.	小數點能夠匹配除了換行符（/n）之外的任意一個字符

    舉例1：表達式 "/d/d"，在匹配 "abc123" 時，匹配的結果是：成功；匹配到的內容是："12"；匹配到的位置是：開始於3，結束於5。

    舉例2：表達式 "a./d"，在匹配 "aaa100" 時，匹配的結果是：成功；匹配到的內容是："aa1"；匹配到的位置是：開始於1，結束於4。

---

1.4 自定義可以匹配 '多種字符' 的表達式

    使用方括號 [ ] 包含一系列字符，可以匹配其中任意一個字符。用 [^ ] 包含一系列字符，則可以匹配其中字符以外的任意一個字符。一樣的道理，雖然能夠匹配其中任意一個，可是隻能是一個，不是多個。

表達式	可匹配
[ab5@]	匹配 "a" 或 "b" 或 "5" 或 "@"
[^abc]	匹配 "a","b","c" 以外的任意一個字符
[f-k]	匹配 "f"~"k" 之間的任意一個字母
[^A-F0-3]	匹配 "A"~"F","0"~"3" 以外的任意一個字符

    舉例1：表達式 "[bcd][bcd]" 匹配 "abc123" 時，匹配的結果是：成功；匹配到的內容是："bc"；匹配到的位置是：開始於1，結束於3。

    舉例2：表達式 "[^abc]" 匹配 "abc123" 時，匹配的結果是：成功；匹配到的內容是："1"；匹配到的位置是：開始於3，結束於4。

---

1.5 修飾匹配次數的特殊符號

    前面章節中講到的表達式，不管是隻能匹配一種字符的表達式，仍是能夠匹配多種字符其中任意一個的表達式，都只能匹配一次。若是使用表達式再加上修飾匹配次數的特殊符號，那麼不用重複書寫表達式就能夠重複匹配。

    使用方法是："次數修飾"放在"被修飾的表達式"後邊。好比："[bcd][bcd]" 能夠寫成 "[bcd]{2}"。

表達式	做用
{n}	表達式重複n次，好比："/w{2}" 至關於 "/w/w"；"a{5}" 至關於 "aaaaa"
{m,n}	表達式至少重複m次，最多重複n次，好比："ba{1,3}"能夠匹配 "ba"或"baa"或"baaa"
{m,}	表達式至少重複m次，好比："/w/d{2,}"能夠匹配 "a12","_456","M12344"...
?	匹配表達式0次或者1次，至關於 {0,1}，好比："a[cd]?"能夠匹配 "a","ac","ad"
+	表達式至少出現1次，至關於 {1,}，好比："a+b"能夠匹配 "ab","aab","aaab"...
*	表達式不出現或出現任意次，至關於 {0,}，好比："/^*b"能夠匹配 "b","^^^b"...

    舉例1：表達式 "/d+/.?/d*" 在匹配 "It costs $12.5" 時，匹配的結果是：成功；匹配到的內容是："12.5"；匹配到的位置是：開始於10，結束於14。

    舉例2：表達式 "go{2,8}gle" 在匹配 "Ads by goooooogle" 時，匹配的結果是：成功；匹配到的內容是："goooooogle"；匹配到的位置是：開始於7，結束於17。

---

1.6 其餘一些表明抽象意義的特殊符號

    一些符號在表達式中表明抽象的特殊意義：

表達式	做用
^	與字符串開始的地方匹配，不匹配任何字符
$	與字符串結束的地方匹配，不匹配任何字符
/b	匹配一個單詞邊界，也就是單詞和空格之間的位置，不匹配任何字符

    進一步的文字說明仍然比較抽象，所以，舉例幫助你們理解。

    舉例1：表達式 "^aaa" 在匹配 "xxx aaa xxx" 時，匹配結果是：失敗。由於 "^" 要求與字符串開始的地方匹配，所以，只有當 "aaa" 位於字符串的開頭的時候，"^aaa" 才能匹配，好比："aaa xxx xxx"。

    舉例2：表達式 "aaa$" 在匹配 "xxx aaa xxx" 時，匹配結果是：失敗。由於 "$" 要求與字符串結束的地方匹配，所以，只有當 "aaa" 位於字符串的結尾的時候，"aaa$" 才能匹配，好比："xxx xxx aaa"。

    舉例3：表達式 "./b." 在匹配 "@@@abc" 時，匹配結果是：成功；匹配到的內容是："@a"；匹配到的位置是：開始於2，結束於4。
    進一步說明："/b" 與 "^" 和 "$" 相似，自己不匹配任何字符，可是它要求它在匹配結果中所處位置的左右兩邊，其中一邊是 "/w" 範圍，另外一邊是 非"/w" 的範圍。

    舉例4：表達式 "/bend/b" 在匹配 "weekend,endfor,end" 時，匹配結果是：成功；匹配到的內容是："end"；匹配到的位置是：開始於15，結束於18。

    一些符號能夠影響表達式內部的子表達式之間的關係：

表達式	做用
|	左右兩邊表達式之間 "或" 關係，匹配左邊或者右邊
( )	(1). 在被修飾匹配次數的時候，括號中的表達式能夠做爲總體被修飾 (2). 取匹配結果的時候，括號中的表達式匹配到的內容能夠被單獨獲得

    舉例5：表達式 "Tom|Jack" 在匹配字符串 "I'm Tom, he is Jack" 時，匹配結果是：成功；匹配到的內容是："Tom"；匹配到的位置是：開始於4，結束於7。匹配下一個時，匹配結果是：成功；匹配到的內容是："Jack"；匹配到的位置時：開始於15，結束於19。

    舉例6：表達式 "(go/s*)+" 在匹配 "Let's go go go!" 時，匹配結果是：成功；匹配到內容是："go go go"；匹配到的位置是：開始於6，結束於14。

    舉例7：表達式 "￥(/d+/.?/d*)" 在匹配 "＄10.9,￥20.5" 時，匹配的結果是：成功；匹配到的內容是："￥20.5"；匹配到的位置是：開始於6，結束於10。單獨獲取括號範圍匹配到的內容是："20.5"。

---

2. 正則表達式中的一些高級規則

2.1 匹配次數中的貪婪與非貪婪

    在使用修飾匹配次數的特殊符號時，有幾種表示方法可使同一個表達式可以匹配不一樣的次數，好比："{m,n}", "{m,}", "?", "*", "+"，具體匹配的次數隨被匹配的字符串而定。這種重複匹配不定次數的表達式在匹配過程當中，老是儘量多的匹配。好比，針對文本 "dxxxdxxxd"，舉例以下：

表達式	匹配結果
(d)(/w+)	"/w+" 將匹配第一個 "d" 以後的全部字符 "xxxdxxxd"
(d)(/w+)(d)	"/w+" 將匹配第一個 "d" 和最後一個 "d" 之間的全部字符 "xxxdxxx"。雖然 "/w+" 也可以匹配上最後一個 "d"，可是爲了使整個表達式匹配成功，"/w+" 能夠 "讓出" 它原本可以匹配的最後一個 "d"

    因而可知，"/w+" 在匹配的時候，老是儘量多的匹配符合它規則的字符。雖然第二個舉例中，它沒有匹配最後一個 "d"，但那也是爲了讓整個表達式可以匹配成功。同理，帶 "*" 和 "{m,n}" 的表達式都是儘量地多匹配，帶 "?" 的表達式在可匹配可不匹配的時候，也是儘量的 "要匹配"。這 種匹配原則就叫做 "貪婪" 模式 。

    非貪婪模式：

    在修飾匹配次數的特殊符號後再加上一個 "?" 號，則可使匹配次數不定的表達式儘量少的匹配，使可匹配可不匹配的表達式，儘量的 "不匹配"。這種匹配原則叫做 "非貪婪" 模式，也叫做 "勉強" 模式。若是少匹配就會致使整個表達式匹配失敗的時候，與貪婪模式相似，非貪婪模式會最小限度的再匹配一些，以使整個表達式匹配成功。舉例以下，針對文本 "dxxxdxxxd" 舉例：

表達式	匹配結果
(d)(/w+?)	"/w+?" 將盡量少的匹配第一個 "d" 以後的字符，結果是："/w+?" 只匹配了一個 "x"
(d)(/w+?)(d)	爲了讓整個表達式匹配成功，"/w+?" 不得不匹配 "xxx" 纔可讓後邊的 "d" 匹配，從而使整個表達式匹配成功。所以，結果是："/w+?" 匹配 "xxx"

    更多的狀況，舉例以下：

    舉例1：表達式 "<td>(.*)</td>" 與字符串 "<td><p>aa</p></td> <td><p>bb</p></td>" 匹配時，匹配的結果是：成功；匹配到的內容是 "<td><p>aa</p></td> <td><p>bb</p></td>" 整個字符串， 表達式中的 "</td>" 將與字符串中最後一個 "</td>" 匹配。 

    舉例2：相比之下，表達式 "<td>(.*?)</td>" 匹配舉例1中一樣的字符串時，將只獲得 "<td><p>aa</p></td>"， 再次匹配下一個時，能夠獲得第二個 "<td><p>bb</p></td>"。

---

2.2 反向引用 /1, /2...

    表達式在匹配時，表達式引擎會將小括號 "( )" 包含的表達式所匹配到的字符串記錄下來。在獲取匹配結果的時候，小括號包含的表達式所匹配到的字符串能夠單獨獲取。這一點，在前面的舉例中，已經屢次展現了。在實際應用場合中，當用某種邊界來查找，而所要獲取的內容又不包含邊界時，必須使用小括號來指定所要的範圍。好比前面的 "<td>(.*?)</td>"。

    其實，"小括號包含的表達式所匹配到的字符串" 不只是在匹配結束後纔可使用，在匹配過程當中也可使用。表達式後邊的部分，能夠引用前面 "括號內的子匹配已經匹配到的字符串"。引用方法是 "/" 加上一個數字。"/1" 引用第1對括號內匹配到的字符串，"/2" 引用第2對括號內匹配到的字符串……以此類推，若是一對括號內包含另外一對括號，則外層的括號先排序號。換句話說，哪一對的左括號 "(" 在前，那這一對就先排序號。

    舉例以下：

    舉例1：表達式 "('|")(.*?)(/1)" 在匹配 " 'Hello', "World" " 時，匹配結果是：成功；匹配到的內容是：" 'Hello' "。再次匹配下一個時，能夠匹配到 " "World" "。

    舉例2：表達式 "(/w)/1{4,}" 在匹配 "aa bbbb abcdefg ccccc 111121111 999999999" 時，匹配結果是：成功；匹配到的內容是 "ccccc"。再次匹配下一個時，將獲得 999999999。這個表達式要求 "/w" 範圍的字符至少重複5次，注意與 "/w{5,}" 之間的區別。

    舉例3：表達式 "<(/w+)/s*(/w+(=('|").*?/4)?/s*)*>.*?<//1>" 在匹配 "<td id='td1' style="bgcolor:white"></td>" 時，匹配結果是成功。若是 "<td>" 與 "</td>" 不配對，則會匹配失敗；若是改爲其餘配對，也能夠匹配成功。

---

2.3 預搜索，不匹配；反向預搜索，不匹配

    前面的章節中，我講到了幾個表明抽象意義的特殊符號："^"，"$"，"/b"。它們都有一個共同點，那就是：它們自己不匹配任何字符，只是對 "字符串的兩頭" 或者 "字符之間的縫隙" 附加了一個條件。理解到這個概念之後，本節將繼續介紹另一種對 "兩頭" 或者 "縫隙" 附加條件的，更加靈活的表示方法。

    正向預搜索："(?=xxxxx)"，"(?!xxxxx)"

    格式："(?=xxxxx)"，在被匹配的字符串中，它對所處的 "縫隙" 或者 "兩頭" 附加的條件是：所在縫隙的右側，必須可以匹配上 xxxxx 這部分的表達式。由於它只是在此做爲這個縫隙上附加的條件，因此它並不影響後邊的表達式去真正匹配這個縫隙以後的字符。這就相似 "/b"，自己不匹配任何字符。"/b" 只是將所在縫隙以前、以後的字符取來進行了一下判斷，不會影響後邊的表達式來真正的匹配。

    舉例1：表達式 "Windows (?=NT|XP)" 在匹配 "Windows 98, Windows NT, Windows 2000" 時，將只匹配 "Windows NT" 中的 "Windows "，其餘的 "Windows " 字樣則不被匹配。

    舉例2：表達式 "(/w)((?=/1/1/1)(/1))+" 在匹配字符串 "aaa ffffff 999999999" 時，將能夠匹配6個"f"的前4個，能夠匹配9個"9"的前7個。這個表達式能夠讀解成：重複4次以上的字母數字，則匹配其剩下最後2位以前的部分。固然，這個表達式能夠不這樣寫，在此的目的是做爲演示之用。

    格式："(?!xxxxx)"，所在縫隙的右側，必須不能匹配 xxxxx 這部分表達式。

    舉例3：表達式 "((?!/bstop/b).)+" 在匹配 "fdjka ljfdl stop fjdsla fdj" 時，將從頭一直匹配到 "stop" 以前的位置，若是字符串中沒有 "stop"，則匹配整個字符串。

    舉例4：表達式 "do(?!/w)" 在匹配字符串 "done, do, dog" 時，只能匹配 "do"。在本條舉例中，"do" 後邊使用 "(?!/w)" 和使用 "/b" 效果是同樣的。

    反向預搜索："(?<=xxxxx)"，"(?<!xxxxx)"

    這兩種格式的概念和正向預搜索是相似的，反向預搜索要求的條件是：所在縫隙的 "左側"，兩種格式分別要求必須可以匹配和必須不可以匹配指定表達式，而不是去判斷右側。與 "正向預搜索" 同樣的是：它們都是對所在縫隙的一種附加條件，自己都不匹配任何字符。

    舉例5：表達式 "(?<=/d{4})/d+(?=/d{4})" 在匹配 "1234567890123456" 時，將匹配除了前4個數字和後4個數字以外的中間8個數字。因爲 JScript.RegExp 不支持反向預搜索，所以，本條舉例不可以進行演示。不少其餘的引擎能夠支持反向預搜索，好比：Java 1.4 以上的 java.util.regex 包，.NET 中System.Text.RegularExpressions 命名空間，以及本站推薦的最簡單易用的 DEELX 正則引擎。

---

3. 其餘通用規則

    還有一些在各個正則表達式引擎之間比較通用的規則，在前面的講解過程當中沒有提到。

3.1 表達式中，可使用 "/xXX" 和 "/uXXXX" 表示一個字符（"X" 表示一個十六進制數）

形式	字符範圍
/xXX	編號在 0 ~ 255 範圍的字符，好比：空格可使用 "/x20" 表示
/uXXXX	任何字符可使用 "/u" 再加上其編號的4位十六進制數表示，好比："/u4E2D"

3.2 在表達式 "/s"，"/d"，"/w"，"/b" 表示特殊意義的同時，對應的大寫字母表示相反的意義

表達式	可匹配
/S	匹配全部非空白字符（"/s" 可匹配各個空白字符）
/D	匹配全部的非數字字符
/W	匹配全部的字母、數字、下劃線之外的字符
/B	匹配非單詞邊界，即左右兩邊都是 "/w" 範圍或者左右兩邊都不是 "/w" 範圍時的字符縫隙

3.3 在表達式中有特殊意義，須要添加 "/" 才能匹配該字符自己的字符彙總

字符	說明
^	匹配輸入字符串的開始位置。要匹配 "^" 字符自己，請使用 "/^"
$	匹配輸入字符串的結尾位置。要匹配 "$" 字符自己，請使用 "/$"
( )	標記一個子表達式的開始和結束位置。要匹配小括號，請使用 "/(" 和 "/)"
[ ]	用來自定義可以匹配 '多種字符' 的表達式。要匹配中括號，請使用 "/[" 和 "/]"
{ }	修飾匹配次數的符號。要匹配大括號，請使用 "/{" 和 "/}"
.	匹配除了換行符（/n）之外的任意一個字符。要匹配小數點自己，請使用 "/."
?	修飾匹配次數爲 0 次或 1 次。要匹配 "?" 字符自己，請使用 "/?"
+	修飾匹配次數爲至少 1 次。要匹配 "+" 字符自己，請使用 "/+"
*	修飾匹配次數爲 0 次或任意次。要匹配 "*" 字符自己，請使用 "/*"
|	左右兩邊表達式之間 "或" 關係。匹配 "|" 自己，請使用 "/|"

3.4 括號 "( )" 內的子表達式，若是但願匹配結果不進行記錄供之後使用，可使用 "(?:xxxxx)" 格式

    舉例1：表達式 "(?:(/w)/1)+" 匹配 "a bbccdd efg" 時，結果是 "bbccdd"。括號 "(?:)" 範圍的匹配結果不進行記錄，所以 "(/w)" 使用 "/1" 來引用。

3.5 經常使用的表達式屬性設置簡介：Ignorecase，Singleline，Multiline，Global

表達式屬性	說明
Ignorecase	默認狀況下，表達式中的字母是要區分大小寫的。配置爲 Ignorecase 可以使匹配時不區分大小寫。有的表達式引擎，把 "大小寫" 概念延伸至 UNICODE 範圍的大小寫。
Singleline	默認狀況下，小數點 "." 匹配除了換行符（/n）之外的字符。配置爲 Singleline 可以使小數點可匹配包括換行符在內的全部字符。
Multiline	默認狀況下，表達式 "^" 和 "$" 只匹配字符串的開始 ① 和結尾 ④ 位置。如： ①xxxxxxxxx②/n ③xxxxxxxxx④ 配置爲 Multiline 可使 "^" 匹配 ① 外，還能夠匹配換行符以後，下一行開始前 ③ 的位置，使 "$" 匹配 ④ 外，還能夠匹配換行符以前，一行結束 ② 的位置。
Global	主要在將表達式用來替換時起做用，配置爲 Global 表示替換全部的匹配。

 

---

 

4. 其餘提示

4.1 若是想要了解高級的正則引擎還支持那些複雜的正則語法，可參見本站 DEELX 正則引擎的說明文檔。

4.2 若是要要求表達式所匹配的內容是整個字符串，而不是從字符串中找一部分，那麼能夠在表達式的首尾使用 "^" 和 "$"，好比："^/d+$" 要求整個字符串只有數字。

4.3 若是要求匹配的內容是一個完整的單詞，而不會是單詞的一部分，那麼在表達式首尾使用 "/b"，好比：使用 "/b(if|while|else|void|int……)/b" 來匹配程序中的關鍵字。

4.4 表達式不要匹配空字符串。不然會一直獲得匹配成功，而結果什麼都沒有匹配到。好比：準備寫一個匹配 "123"、"123."、"123.5"、".5" 這幾種形式的表達式時，整數、小數點、小數數字均可以省略，可是不要將表達式寫成："/d*/.?/d*"，由於若是什麼都沒有，這個表達式也能夠匹配成功。更好的寫法是："/d+/.?/d*|/./d+"。

4.5 能匹配空字符串的子匹配不要循環無限次。若是括號內的子表達式中的每一部分均可以匹配 0 次，而這個括號總體又能夠匹配無限次，那麼狀況可能比上一條所說的更嚴重，匹配過程當中可能死循環。雖然如今有些正則表達式引擎已經經過辦法避免了這種狀況出現死循環了，好比 .NET 的正則表達式，可是咱們仍然應該儘可能避免出現這種狀況。若是咱們在寫表達式時遇到了死循環，也能夠從這一點入手，查找一下是不是本條所說的緣由。

4.6 合理選擇貪婪模式與非貪婪模式，參見話題討論。

4.7 或 "|" 的左右兩邊，對某個字符最好只有一邊能夠匹配，這樣，不會由於 "|" 兩邊的表達式由於交換位置而有所不一樣。