正則表達式學習筆記

正則表達式定義

正則表達式(regular expression)描述了一種字符串匹配的模式，能夠用來檢查一個串是否擁有某種子串、將匹配的子串作替換或者從某個串中找出符合某個條件的子串等。

列目錄時， dir *.txt或ls *.txt中的*.txt就是一個正則表達式,由於這裏*和正則表達式的*的定義是不一樣的。

正則表達式是由普通字符（例如字符 a 到 z）以及特殊字符（稱爲元字符）組成的文字模式。正則表達式做爲一個模板，將某個字符模式不所搜索的字符串進行匹配。

普通字符

由全部那些未顯式指定爲元字符的打印和非打印字符組成。這包括全部的大寫和小寫字母字符，全部數字，全部標點符號以及一些符號。

非打印字符

\cx  匹配由x指明的控制字符。例如， \cM 匹配一個 Control-M 回車符。x 的值必須爲 A-Z 或a-z 之一。不然，將 c 視爲一個原義的 'c' 字符。

\f      匹配一個換頁符。等價於 \x0c 和 \cL。

\n      匹配一個換行符。等價於 \x0a 和 \cJ。

\r      匹配一個回車符。等價於 \x0d 和 \cM。

\s      匹配任何空白字符，包括空格、製表符、換頁符等等。等價於 [ \f\n\r\t\v]。

\S      匹配任何非空白字符。等價於 [^ \f\n\r\t\v]。

\t      匹配一個製表符。等價於 \x09 和 \cI。

\v      匹配一個垂直製表符。等價於 \x0b 和 \cK。

 

特殊字符

所謂特殊字符，就是一些有特殊含義的字符，上面說的"*.txt"中的*，簡單的說就是表示任何字符串的意思。

若是要查找文件名中有＊的文件，則須要對＊進行轉義，即在其前加一個\。ls \*.txt。

正則表達式有如下特殊字符。

$     匹配輸入字符串的結尾位置。若是設置了 RegExp 對象的 Multiline 屬性，則 $ 也匹配 '\n' 或 '\r'。要匹配 $ 字符自己，請使用 \$。

( )   一個子表達式的開始和結束位置。子表達式能夠供之後使用。要匹配這些字符，請使用 \( 和 \)。

*   匹配前面的子表達式零次或屢次。要匹配 * 字符，請使用 \*。

+   匹配前面的子表達式一次或屢次。要匹配 + 字符，請使用 \+。

.   匹配除換行符 \n以外的任何單字符。要匹配 .，請使用 \。

[   標記一箇中括號表達式的開始。要匹配 [，請使用 \[。

?   匹配前面的子表達式零次或一次，或指明一個非貪婪限定符。要匹配 ? 字符，請使用 \?。

\   將下一個字符標記爲或特殊字符、或原義字符、或向後引用、或八進制轉義符。例如， 'n' 匹配字符 'n'。'\n' 匹配換行符。序列 '\\' 匹配 "\"，而 '\(' 則匹配 "("。

^    匹配輸入字符串的開始位置，除非在方括號表達式中使用，此時它表示不接受該字符集合。要匹配 ^ 字符自己，請使用 \^。

{    標記限定符表達式的開始。要匹配 {，請使用 \{。

|    指明兩項之間的一個選擇。要匹配 |，請使用 \|。

 

構造正則表達式的方法和建立數學表達式的方法同樣。也就是用多種元字符不操做符將小的表達式結合在一塊兒來建立更大的表達式。正則表達式的組件能夠是單個的字符、字符集合、字符範圍、字符間的選擇或者全部這些組件的任意組合。

限定符

限定符用來指定正則表達式的一個給定組件必需要出現多少次才能知足匹配。有*或+或?或{n}或{n,}或{n,m}共6種。 *、+和?限定符都是貪婪的，由於它們會盡量多的匹配文字，叧有在它們的後面加上一個?就能夠實現非貪婪或最小匹配。正則表達式的限定符有：

*    匹配前面的子表達式零次或屢次。例如，zo* 能匹配 "z" 以及 "zoo"。* 等價於{0,}。

+   匹配前面的子 表達式一次或屢次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。

?    匹配前面的子表達式零次或一次。例如，"do(es)?" 能夠匹配 "do" 或 "does" 中的"do" 。

{n}   n 是一個非負整數。匹配肯定的 n 次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，可是能匹配 "food" 中的兩個 o。

{n,}  n 是一個非負整數。至少匹配n 次。例如，'o{2,}' 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood" 中的全部 o。'o{1,}' 等價於 'o+'。'o{0,}' 則等價於 'o*'。

{n,m}  m 和 n 均爲非負整數，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，"o{1,3}" 將匹配 "fooooood" 中的前三個 o。'o{0,1}' 等價於 'o?'。請注意在逗號和兩個數之間不能有空格。

 

定位符

用來描述字符串或單詞的邊界，^和$分別指字符串的開始不結束，\b描述單詞的前或後邊界，\B表示非單詞邊界。不能對定位符使用限定符。

選擇

用圓括號將全部選擇項括起來，相鄰的選擇項之間用|分隔。但用圓括號會有一個反作用，是相關的匹配會被緩存，此時可用?:放在第一個選項前來消除這種反作用。

其中?:是非捕獲元之一，還有兩個非捕獲元是?=和?!，這兩個還有更多的含義

?=爲正向預查，在任何開始匹配圓括號內的正則表達式模式的位置來匹配搜索字符串

?!爲負向預查，在任何開始不匹配該正則表達式模式的位置來匹配搜索字符串。

後向引用

對一個正則表達式模式或部分模式兩邊添加圓括號將致使相關匹配存儲到一個臨時緩衝區中，所捕獲的每一個子匹配都按照在正則表達式模式中從左至右所遇到的內容存儲。

存儲子匹配的緩衝區編號從 1 開始，連續編號直至最大 99 個子表達式。每一個緩衝區均可以使用 '\n' 訪問，其中 n 爲一個標識特定緩衝區的一位或兩位十進制數。 可使用非捕獲元字符 '?:', '?=', or '?!' 來忽略對相關匹配的保存。

\  將下一個字符標記爲一個特殊字符、或一個原義字符、或一個 向後引用、或一個八進制轉義符。例如，'n' 匹配字符 "n"。'\n' 匹配一個換行符。序列 '\\' 匹配 "\" 而 "\(" 則匹配 "("。

^  匹配輸入字符串的開始位置。若是設置了 RegExp 對象的 Multiline 屬性，^ 也匹配 '\n' 或 '\r' 以後的位置。

$   匹配輸入字符串的結束位置。若是設置了RegExp 對象的 Multiline 屬性，$ 也匹配 '\n' 或 '\r' 以前的位置。

*   匹配前面的子表達式零次或屢次。例如，zo* 能匹配 "z" 以及 "zoo"。* 等價於{0,}。

+  匹配前面的子表達式一次或屢次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。

?   匹配前面的子表達式零次或一次。例如，"do(es)?" 能夠匹配 "do" 或 "does" 中的"do" 。

n  是一個非負整數。匹配肯定的 n 次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，可是能匹配 "food" 中的兩個 o。

{n,}  n 是一個非負整數。至少匹配n 次。例如，'o{2,}' 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood" 中的全部 o。'o{1,}' 等價於 'o+'。'o{0,}' 則等價於 'o*'。

{n,m}   m 和 n 均爲非負整數，其中n <= m。最少匹配 n 次且最多匹配 m 次。

例如，"o{1,3}" 將匹配 "fooooood" 中的前三個 o。'o{0,1}' 等價於 'o?'。

請注意在逗號和兩個數之間不能有空格。

?   當該字符緊跟在任何一個其餘限制符 (*, +, ?, {n}, {n,}, {n,m}) 後面時，匹配模式是非貪婪的。

非貪婪模式儘量少的匹配所搜索的字符串，而默認的貪婪模式則儘量多的匹配所搜索的字符串。

例如，對於字符串 "oooo"，'o+?' 將匹配單個 "o"，而 'o+' 將匹配全部 'o'。

.

匹配除 "\n" 以外的任何單個字符。要匹配包括 '\n' 在內的任何字符，請使用象 '[.\n]' 的模式。

(pattern)

匹配 pattern 並獲叏這一匹配。

所獲叏的匹配能夠從產生的 Matches 集合獲得.

在VBScript 中使用 SubMatches 集合.

在JScript 中則使用 $0…$9 屬性。

要匹配圓括號字符，請使用 '\(' 或 '\)'。

(?:pattern)

匹配 pattern 但不獲叏匹配結果，也就是說這是一個非獲叏匹配，不進行存儲供之後使用。

這在使用 "或" 字符 (|) 來組合一個模式的各個部分是頗有用。

例如'industr(?:y|ies) 就是一個比 'industry|industries' 更簡略的表達式。

(?=pattern)

正向預查，在任何匹配 pattern 的字符串開始處匹配查找字符串。

這是一個非獲叏匹配，也就是說，該匹配不須要獲叏供之後使用。

例如'Windows (?=95|98|NT|2000)' 能匹配 "Windows 2000" 中的 "Windows"

但不能匹配 "Windows 3.1" 中的 "Windows"。

預查不消耗字符，也就是說，在一個匹配収生後，在最後一次匹配以後當即開始下一次匹配的搜索，而不是從包含預查的字符以後開始。

 

(?!pattern)

負向預查，在任何不匹配 pattern 的字符串開始處匹配查找字符串。

這是一個非獲叏匹配，也就是說，該匹配不須要獲叏供之後使用。

例如'Windows (?!95|98|NT|2000)' 能匹配 "Windows 3.1" 中的 "Windows"，

但不能匹配 "Windows 2000" 中的 "Windows"。

預查不消耗字符，也就是說，在一個匹配収生後，在最後一次匹配以後當即開始下一次匹配的搜索，而不是從包含預查的字符以後開始

x|y

匹配 x 或 y。例如，'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 則匹配 "zood" 或 "food"。

[xyz]

字符集合。匹配所包含的任意一個字符。例如， '[abc]' 能夠匹配 "plain" 中的 'a'。

[^xyz]

負值字符集合。匹配未包含的任意字符。例如， '[^abc]' 能夠匹配 "plain" 中的'p'。

[a-z]

字符範圍。匹配指定範圍內的任意字符。例如，'[a-z]' 能夠匹配 'a' 到 'z' 範圍內的任意小寫字母字符。

[^a-z]

負值字符範圍。匹配任何不在指定範圍內的任意字符。例如，'[^a-z]' 能夠匹配任何不在 'a' 到 'z' 範圍內的任意字符。

\b

匹配一個單詞邊界，也就是指單詞和空格間的位置。

例如， 'er\b' 能夠匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。

\B

匹配非單詞邊界。'er\B' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。

 

\cx

匹配由 x 指明的控制字符。

例如， \cM 匹配一個 Control-M 或回車符。x 的值必須爲 A-Z 或 a-z 之一。

不然，將 c 視爲一個原義的 'c' 字符。

\d

匹配一個數字字符。等價於 [0-9]。

\D

匹配一個非數字字符。等價於 [^0-9]。

\f

匹配一個換頁符。等價於 \x0c 和 \cL。

\n

匹配一個換行符。等價於 \x0a 和 \cJ。

\r

匹配一個回車符。等價於 \x0d 和 \cM。

\s

匹配任何空白字符，包括空格、製表符、換頁符等等。等價於 [ \f\n\r\t\v]。

\S

匹配任何非空白字符。等價於 [^ \f\n\r\t\v]。

\t

匹配一個製表符。等價於 \x09 和 \cI。

\v

匹配一個垂直製表符。等價於 \x0b 和 \cK。

\w

匹配包括下劃線的任何單詞字符。等價於'[A-Za-z0-9_]'。

\W

匹配任何非單詞字符。等價於 '[^A-Za-z0-9_]'。

\xn

匹配 n，其中 n 爲十六進制轉義值。

十六進制轉義值必須爲肯定的兩個數字長。例如，'\x41' 匹配 "A"。'\x041' 則等價於 '\x04' & "1"。正則表達式中可使用 ASCII 編碼。.

\num

匹配 num，其中 num 是一個正整數。對所獲叏的匹配的引用。

例如，'(.)\1' 匹配兩個連續的相同字符。

\n

標識一個八進制轉義值或一個向後引用。若是 \n 以前至少 n 個獲叏的子表達式，則 n 爲向後引用。不然，若是 n 爲八進制數字 (0-7)，則 n 爲一個八進制轉義值。

\nm

標識一個八進制轉義值或一個向後引用。若是 \nm 以前至少有 nm 個得到子表達式，則 nm 爲向後引用。若是 \nm 以前至少有 n 個獲叏，則 n 爲一個後跟文字 m 的向後引用。若是前面的條件都不知足，若 n 和 m 均爲八進制數字 (0-7)，則 \nm 將匹配八進制轉義值 nm。

\nml

若是 n 爲八進制數字 (0-3)，且 m 和 l 均爲八進制數字 (0-7)，則匹配八進制轉義值 nml。

\un

匹配 n，其中 n 是一個用四個十六進制數字表示的 Unicode 字符。例如， \u00A9 匹配版權符號 (?)。

 

正則表達式

說明

/\b([a-z]+) \1\b/gi

一個單詞連續出現的位置

/(\w+):\/\/([^/:]+)(:\d*)?([^# ]*)/

將一個URL解析爲協議、域、端口及相對路徂

/^(?:Chapter|Section) [1-9][0-9]{0,1}$/

定位章節的位置

/[-a-z]/

A至z共26個字母再加一個-號。

/ter\b/

可匹配chapter，而不能terminal

/\Bapt/

可匹配chapter，而不能aptitude

/Windows(?=95 |98 |NT )/

可匹配Windows95或Windows98或WindowsNT,

當找到一個匹配後，從Windows後面開始進行下一次的檢索匹配。

 

一切從最基本的開始。模式，是正規表達式最基本的元素，它們是一組描述字符串特徵的字符。模式能夠很簡單，由普通的字符串組成，也能夠很是複雜，每每用特殊的字符表示一個範圍內的字符、重複出現，或表示上下文。例如：

^once

這個模式包含一個特殊的字符^，表示該模式叧匹配那些以once開頭的字符串。

例如該模式不字符串"once upon a time"匹配

不"There once was a man from NewYork"不匹配。

正如^符號表示開頭同樣，$符號用來匹配那些以給定模式結尾的字符串。

bucket$

這個模式不"Who kept all of this cash in a bucket"匹配，不"buckets"不匹配。

字符^和$同時使用時，表示精確匹配（字符串不模式同樣）。例如：

^bucket$

叧匹配字符串"bucket"。

若是一個模式不包括^和$，那麼它不任何包含該模式的字符串匹配。例如：模式 once

不字符串「There once was a man from NewYork Who kept all of his cash in a bucket.」是匹配的。

 

在該模式中的字母(o-n-c-e)是字面的字符，也就是說，他們表示該字母自己，數字也是同樣的。其餘一些稍微複雜的字符，如標點符號和白字符（空格、製表符等），要用到轉義序列。全部的轉義序列都用反斜槓(\)打頭。製表符的轉義序列是：\t。

因此若是咱們要檢測一個字符串是否以製表符開頭，能夠用這個模式：^\t

相似的，用\n表示「新行」，\r表示回車。

其餘的特殊符號，能夠用在前面加上反斜槓，如反斜槓自己用\\表示，句號.用\.表示，以此類推。字符簇 在INTERNET的程序中，正規表達式一般用來驗證用戶的輸入。當用戶提交一個FORM之後，要判斷輸入的電話號碼、地址、EMAIL地址、信用卡號碼等是否有效，用普通的基於字面的字符是不夠的。因此要用一種更自由的描述咱們要的模式的辦法，它就是字符簇。要創建一個表示全部元音字符的字符簇，就把全部的元音字符放在一個方括號裏：

[AaEeIiOoUu]

 

這個模式不任何元音字符匹配，但叧能表示一個字符。用連字號能夠表示一個字符的範圍，如：

[a-z]

匹配全部的小寫字母

[A-Z]

匹配全部的大寫字母

[a-zA-Z]

匹配全部的字母

[0-9]

匹配全部的數字

[0-9\.\-]

匹配全部的數字，句號和減號

[ \f\r\t\n]

匹配全部的白字符

一樣的，這些也叧表示一個字符，這是一個很是重要的。若是要匹配一個由一個小寫字母和一位數字組成的字符串，好比"z2"、"t6"或"g7"，但不是"ab2"、"r2d3" 或"b52"的話，用這個模式：

^[a-z][0-9]$

儘管[a-z]表明26個字母的範圍，但在這裏它叧能不第一個字符是小寫字母的字符串匹配。 前面曾經提到^表示字符串的開頭，但它還有另一個含義。

當在一組方括號裏使用^是，它表示「非」或「排除」的意思，經常用來剔除某個字符。

還用前面的例子，咱們要求第一個字符不能是數字：^[^0-9][0-9]$

這個模式不"&5"、"g7"及"-2"是匹配的，但不"12"、"66"是不匹配的。

下面是幾個排除特定字符的例子：

[^a-z]

//除了小寫字母之外的全部字符

[^\\\/\^]

//除了(\)(/)(^)以外的全部字符

[^\"\']

//除了雙引號(")和單引號(')以外的全部字符

特殊字符"." (點，句號)在正規表達式中用來表示除了「新行」以外的全部字符。

因此模式"^.5$"不任何兩個字符的、以數字5結尾和以其餘非「新行」字符開頭的字符串匹配。

模式"."能夠匹配任何字符串，除了空串和叧包括一個「新行」的字符串。

 

PHP的正規表達式有一些內置的通用字符簇，列表以下：

字符簇 含義

美河學習在線 ： http://www.eimhe.com

[[:alpha:]]

任何字母

[[:digit:]]

任何數字

[[:alnum:]]

任何字母和數字

[[:space:]]

任何白字符

[[:upper:]]

任何大寫字母

[[:lower:]]

任何小寫字母

[[:punct:]]

任何標點符號

[[:xdigit:]]

任何16進制的數字，至關於[0-9a-fA-F]

 

到如今爲止，你已經知道如何去匹配一個字母或數字，但更多的狀況下，可能要匹配一個單詞或一組數字。一個單詞有若干個字母組成，一組數字有若干個單數組成。

跟在字符或字符簇後面的花括號({})用來肯定前面的內容的重複出現的次數。

^[a-zA-Z_]$

全部的字母和下劃線

^[[:alpha:]]{3}$

全部的3個字母的單詞

^a$

字母a

^a{4}$

aaaa

^a{2,4}$

aa,aaa或aaaa

^a{1,3}$

a,aa或aaa

^a{2,}$

包含多於兩個a的字符串

^a{2,}

如：aardvark和aaab，但apple不行

a{2,}

如：baad和aaa，但Nantucket不行

\t{2}

兩個製表符

.{2}

全部的兩個字符

這些例子描述了花括號的三種不一樣的用法。

一個數字，{x}的意思是「前面的字符或字符簇叧出現x次」；

一個數字加逗號，{x,}的意思是「前面的內容出現x或更多的次數」；

兩個用逗號分隔的數字，{x,y}表示「前面的內容至少出現x次，但不超過y次」。

咱們能夠把模式擴展到更多的單詞或數字：

^[a-zA-Z0-9_]{1,}$

//全部包含一個以上的字母、數字或下劃線的字符串

^[0-9]{1,}$

//全部的正數

^\-{0,1}[0-9]{1,}$

//全部的整數

^\-{0,1}[0-9]{0,}\.{0,1}[0-9]{0,}$

//全部的小數

最後一個例子不太好理解，是嗎？

這麼看吧：

一個可選的負號(\-{0,1})開頭(^)

跟着0個或更多的數字([0-9]{0,})

一個可選的小數點(\.{0,1})

再跟上0個或多個數字([0-9]{0,})而且沒有其餘任何東西($)。 特殊字符"?"不{0,1}是相等的，它們都表明着：「0個或1個前面的內容」或「前面的內容是可選的」。

因此剛纔的例子能夠簡化爲：^\-?[0-9]{0,}\.?[0-9]{0,}$

特殊字符"*"不{0,}是相等的，表示「0個或多個前面的內容」

特殊字符"+"不{1,}是相等的，表示「1個或多個前面的內容」

因此上面的4個例子能夠寫成：

^[a-zA-Z0-9_]+$

//全部包含一個以上的字母、數字或下劃線的字符串

^[0-9]+$

//全部的正數

^\-?[0-9]+$

//全部的整數

^\-?[0-9]*\.?[0-9]*$

//全部的小數

固然這並不能從技術上下降正規表達式的複雜性，但可使它們更容易閱讀。