《正则表达式必知必会》读书笔记2

一
.

使用元字符

1.
对特殊字符进行转义

元字符是一些在正则表达式里有着特殊含义的字符，所以这些字符就无法用来代表它们本身。任何一个元字符都可以通过给它加上一个反斜杠字符/
作为前缀的办法来转义。

2.
匹配空白字符

元字符大致可以分为两种：一种是用来匹配文本的（比如.
），另一种是正则表达式的语法要求的（比如[
和]
）。

在进行正则表达式搜索的时候，我们经常会遇到需要对原始文本里的非打印空白字符进行匹配，或者我们需要把换行符找出来，这类字符很难被直接输入到一个正则表达式中，但我们可以使用下列的特殊字符来输入：

空白元字符

元字符
说明

[/b]

回退（并删除）一个字符（
backspace
键）

/f

换页符

/n

换行符

/r

回车符

/t

制表符（
Tab
键）

/v

垂直制表符

注：
/r/n
是
windows
所使用的文本行结束标签。
Unix
和
Linux
系统只使用一个换行符结束一个文本行；换句话说，在
Unix/Linux
系统上匹配空白行只使用
/n/n
即可，不需要加上
/r
。

3.

匹配特定的字符类别

一些常用的字符集合可以用特殊的元字符来代替。这些元字符匹配的是某一类别的字符（术语称之为“字符类”）。

（
1
）匹配数字

数字元字符

元字符
说明

/d

任何一个数字字符（等价于［
0-9
］）

/D

任何一个非数字字符（等价于［
^0-9
］）

例子：

文本

xyf[1]

xyf[5]

xyf[a]

正则表达式：
xyf/[/d/]

结果：

Matches
Found: 2

Match	Position	Length
xyf[1]	0	6
xyf[5]	7	6

（
2
）匹配字母和数字（与非字母和数字）

字母数字元字符

元字符
说明

/w

任何一个字母数字字符（大小写均可）或下划线字符（等价于［
a-zA-Z0-9_
］）

/W

任何一个非字母数字和非下划线字符
(
等价于
[^a-zA-Z0-9_])

（
3
）匹配空白字符（非空白字符）

空白字符元字符

元字符
说明

/s

任何一个空白字符（等价于
[/f/n/r/t/v]
）

/S

任何一个非空白字符（等价于
[^/f/n/r/t/v]
）

注意：用来匹配退格字符的
[/b]
元字符是一个特例：它不在元字符
/s
的覆盖范围内，当然也没排除在类元字符
/S
的覆盖范围外。

（
4
）匹配十六进制或八进制

使用十六进制值

在正则表达式里，十六进制数值要用前缀
/x
来给出。比如，
/x0A
对应于
ASCII
字符
10
（换行符），其效果等价于
/n
。

使用八进制值

在正则表达式中，八进制数值要用前缀
/0
来给出，数值本身可以是两位或者三位。比如
/011
对应于
ASCII
字符
9
（制表符），其效果等价于
/t
。

4.

使用
POSIX

字符类

（省略）

二
.

重复匹配

1.

匹配一个或多个字符

要想匹配同一个字符或字符集合的多次重复，只要简单地给这个字符或字符集合加上一个
+
字符作为后缀就行了。比如，
a
匹配
a
本身，
a+
将匹配一个或多个连续出现的
a
。类似地，
[0-9]
匹配任意单个数字，
[0-9]+
将匹配一个或多个连续的数字。

例子：

文本

fnoiaqowoe
qwjeqw

xyf@shu.edu.cn
aoidahoiqw

daidoqwideqw

正则表达式：
/w+@[/w.]+/w

结果：

Matches Found: 1

Match	Position	Length
xyf@shu.edu.cn	18	14

2.

匹配零个或多个字符

+
匹配一个或者多个字符。但不匹配零个字符。如果你想匹配一个可有可无的字符，可用元字符＊

3.

匹配零个或一个字符

元字符
?
只能匹配一个字符（或字符集合）的零次或一次出现，最多不超过一次。如果需要在一段文本里匹配某个特定的字符（或字符集合）而该字符可能出现，也可能不出现，？无疑是最佳的选择。

例子：

文本

welcome
to http://www.shu.edu.cn/ and https://www.xiayf.org/

正则表达式：
https?//[/w.]+?/

结果：

Matches Found: 2

Match	Position	Length
http://www.shu.edu.cn/	11	22
https://www.xiayf.org/	38	22

4.

匹配的重复次数

上次几种正则表达式的缺陷：

＋和＊匹配的字符个数没有上限。我们无法为它们将匹配的字符个数设置一个最大值。

＋，＊和？至少匹配零个或者一个字符。我们无法为它们将匹配的字符个数另行设定一个最小值。

如果只使用＋和＊，我们无法把它们将匹配的字符个数设定为一个精确的数字。

解决方法：重复次数用｛和｝来给出－－－把数值写在它们中间。

（
1
）为重复匹配次数设定一个精确的值

例子：

文本

一段文本中有一个
ipv6

地址为：

daiodhqoidqw

1080:0000:0000:0000:0008:0800:200C:417Adajd9w0quednaldjojdi

正则表达式：(/w{4}:){7}(/w{4})

结果

Matches
Found: 1

Match	Position	Length
1080:0000:0000:0000:0008:0800:200C:417A	12	39

（2
）为重复匹配次数设定一个区间

也就是为重复匹配次数设定一个最大值和最小值。

例子

文本：

4/8/03

10-6-2004

2/2/2

01-01-01

正则表达式：
/d{1,2}[-//]/d{1,2}[-//]/d{2,4}

结果：

Matches
Found: 3

Match	Position	Length
4/8/03	0	6
10-6-2004	7	9
01-01-01	23	8

如果想匹配“至少重复多少次”，也即最少要重复匹配多少次，则可把区间格式里的第二个数字省略。但
,

不可省略。

例子

文本和上例相同

正则表达式：
/d{1,2}[-//]/d{2,}[-//]/d{2,4}

结果：

Matches
Found: 1

Match	Position	Length
01-01-01	23	8

5.

防止过度匹配


？只能匹配零个或一个字符，｛
n

｝和｛
m,n

｝也有一个重复次数的上限；换句话说，这几种语法所定义的“重复次数”都是有限的，但是上述其他几种重复匹配语法在重复次数方面没有上限，而这样做有时会导致过度匹配的现象。

例子：

文本

this
offer is not available to customers

living
in <B>AK</B> and <B>HI</B>

说明：我们希望把两个
<B>

和
</B>

之间的内容取出来，但是不要其中的
and

正则表达式：
<[Bb]>.*</[Bb]>

结果：

Matches
Found: 1

Match	Position	Length
AK and HI	51	23

显然结果不符合我们的预期。为什么会这样呢？因为＊和＋都是所谓的“贪婪型”元字符，它们在进行匹配时的行为模式是多多益善而不是适可而止。那怎么办呢？答案是使用这些元字符的“懒惰型”版本。

常用的贪婪型元字符和它们的懒惰型元字符

贪婪型元字符
懒惰型元字符

＊
＊？

＋
＋？

｛
n,

｝
｛
n,

｝？

则上例的正则表达式可改为：
<[Bb]>.*

？
</[Bb]>

即可。

（未完待续）