正则表达式 笔记

正则表达式

在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的需要，正则表达式就是用于描述这些规则的工具。换句话说，正则表达式就是记录文本规则的代码。

*和？是所谓的通配符。

如果要精确的查找hi这个单词的画，我们应该使用\bhi\b

\b是正则表达式中规定的一个特殊代码，也就是元字符。代表着单词的开头或者结尾，也就是单词的分界处。虽然通常英文的单词是由空格，标点符号或者换行来分隔的，但是\b并不匹配这些单词分隔字符中得任何一个，它只匹配一个位置。

如：你要找的是hi后面不远处跟着一个Lucy，你应该用\bhi\b.*\bLucy\b

这里，.（点）是另外一个元字符，匹配除了换行符以外的任意字符。*同样是元字符，不过它代表的不是字符，也不是位置，而是数量——它指定*前边的内容可以连续重复使用任意次以使整个表达式得到匹配。因此，.*连在一起就意味着任意数量的不包含换行的字符。现在\bhi\b.*\bLucy\b的意思就很明显了：先是一个单词hi，然后是任意个任意字符（但是不能是换行），最后是Lucy这个单词。

下面为更加强大的正则表达式例子：

0\d\d-\d\d\d\d\d\d\d\d匹配这样的字符串：以0开头，然后是两个数字，然后是一个连字号“-”，最后是8个数字（也就是中国的电话号码。当然，这个例子只能匹配区号为3位的情形）。

这里的\d是个新的元字符，匹配一位数字（0，或1，或2，或......）。“-”不是元字符，只匹配它本身——连字符（或者减号，或者中横线，或者随便你怎么称呼）。

为了避免那么多烦人的重复，我们也可以这样写这个表达式：0\d{2}-\d{8}。这里\d后面的{2}（{8}）的意思是前面\d必须连续重复匹配2次（8次）。

测试正则表达式

自己写完正则表达式后为了确保准确性，还需要使用专门的测试工具来进行测试，看看是否正确。

元字符

.（点）是另外一个元字符，匹配除了换行符以外的任意字符。

*同样是元字符，不过它代表的不是字符，也不是位置，而是数量。

.*连在一起就意味着任意数量的不包含换行的字符。



笔记" TITLE="正则表达式 笔记" />

正则表达式中还有更多的元字符，比如\s匹配任意的空白符，包括空格，制表符（Tab），换行符，中文全角空格等。\w匹配字母或数字或下划线或汉字等。

如：\ba\w*\b匹配以字母a开头的单词——先是某个单词开始处（\b）,然后是字母a，然后是任意数量的字母或数字（\w*），最后是单词结束处（\b）。

\d+匹配1个或更多连续的数字。这里的+是和*类似的元字符，不同的是*匹配重复任意次（可能是0次），而+则匹配重复1次或更多次。

\b\w{6}\b匹配刚好6个字符的单词。

元字符^（和数字6在同一个键位上的符号）和$都匹配一个位置，这和\b有点类似。^匹配你要用来查找的字符串的开头，$匹配结尾。这两个代码在验证输入的内容时非常有用，比如一个网站如果要求你填写的QQ号必须为5位到12位数字时，可以使用^\d{5,12}$。

这里的{5,12}和前面介绍过的{2}是类似的，只不过{2}匹配只能不多不少重复2次，{5,12}则是重复的次数不能少于5次，不能多于12次，否则都不匹配。

因为使用了^和$，所以输入的整个字符串都要用来和\d{5,12}来匹配，也就是说整个输入必须是5到12个数字，因此如果输入的QQ号能匹配这个正则表达式的话，那就符合要求了。

和忽略大小写的选项类似，有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项，^和$的意义就变成了匹配行的开始处和结束处。

字符转义

如果你想查找元字符本身的话，比如你查找“.”或者“*”,就出现了问题：你没办法指定它们，因为它们会被解释成别的意思。这时，你就得使用\来取消这些字符的特殊意义。因此你应该使用\.
和\*。当然，要查找“\”本身，你也得用\\。

如：deerchao\.net
匹配deerchao.net，C:\\Windows匹配C:\Windows。

重复

你已经看过了前面的*,+,{2},{5,12}这几个匹配重复的方式了。下面是正则表达式中所有的限定符(指定数量的代码，例如*,{5,12}等)：



笔记" TITLE="正则表达式 笔记" />

下面是一些使用重复的例子：

Windows\d+匹配Windows后面跟1个或更多的数字

^\w+匹配一行的第一个单词（或整个字符串的第一个单词，具体匹配哪个意思得看选项设置）

字符类

想要匹配没有预定义元字符的字符集合（比如元音字母a,e,i,o,u），只需要在方括号里列出它们，像[aeiou]就匹配任何一个英文元音字母，[.?!]匹配标点符号（.或？或！)。

我们可以指定一个字符范围，像[0-9]代表的含义与\d就是完全一致的：一位数字；同理[a-z0-9A-Z_]也完全等同于\w（如果值考虑英文的话）。

更复杂的表达式：\(?0\d{2}[)
-]?\d{8}。

这个表达式可以匹配几种格式的电话号码，像(010)88886666，或022-22334455，或02912345678等。分析：首先是一个转义字符\(，它能出现0次或1次（？），然后是一个0，后面跟着2个数字（\d{2}）,然后是）或-或空格中得一个，它出现1次或不出现（？），最后是8个数字（\d{8}）。

分枝条件

正则表达式的分枝条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法用“|”把不同的规则分隔开。

0\d{2}-\d{8}|0\d{3}-\d{7}这个表达式能匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号（如010-12345678），一种是4位区号，7位本地号（0376-2233445）。

\(?0\d{2}\)?[- ]?\d{8}|0\d{2}[-
]?\d{8}这个表达式匹配3位区号的电话号码，其中区号可以用小括号括起来，也可以不用，区号与本地号间可以用连字号或空格间隔，也可以没有间隔。

\d{5}-\d{4}|\d{5}这个表达式用于匹配美国的邮政编码。美国邮编的规则是5位数字，或者用连字号间隔的9位数字。这个例子可以说明一个问题：使用分枝条件时，要注意各个条件的顺序。如果你把它改成\d{5}|\d{5}-\d{4}的话，name就只会匹配5位的邮编（以及9位邮编的前5位了）。原因是匹配分枝条件时，将会从左到右的测试每个条件，如果满足了某个分枝的话，就不会去再管其他条件了。

分组

重复单个字符，可以直接在字符后面加上限定符就行，想要重复多个字符，可以用小括号来指定子表达式（也叫做分组），然后就可以指定这个子表达式的重复次数。

(\d{1,3}\.){3}\d{1,3}是一个简单的IP地址匹配表达式。要理解这个表达式，请按下列顺序分析它：\d{1,3}匹配1到3位的数字，(\d{1,3}\.){3}匹配三位数字加上一个英文句号（这个整体也就是这个分组）重复三次，最后再加上一个一到三位的数字（\d{1,3})。

上面的缺陷是将会匹配到256.300.888.999这种不可能存在的IP地址。在正则表达式中不提供关于数学的任何功能，所以只能使用冗长的分组，选择，字符类来描述一个正确的IP地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

反义

有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外，其它任意字符都行的情况，这时需要用到反义：



笔记" TITLE="正则表达式 笔记" />

\S+匹配不包含空白符的字符串

]+>匹配用尖括号括起来的以a开头的字符串。

后向引用

使用小括号指定一个子表达式后，匹配这个子表达式的文本(也就是此分组捕获的内容)可以在表达式或其它程序中作进一步的处理。默认情况下，每个分组会自动拥有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2，以此类推。

呃……其实,组号分配还不像我刚说得那么简单：

分组0对应整个正则表达式

实际上组号分配过程是要从左向右扫描两遍的：第一遍只给未命名组分配，第二遍只给命名组分配－－因此所有命名组的组号都大于未命名的组号

你可以使用(?:exp)这样的语法来剥夺一个分组对组号分配的参与权．

后向引用用于重复搜索前面某个分组匹配的文本。

\b(\w+)\b\s+\1\b可以用来匹配重复的单词，像go go，或者kitty
kitty。这个表达式首先是一个单词，也就是单词开始处和结束处之间的多于一个的字母或数字(\b(\w+)\b)，这个单词会被捕获到编号为1的分组中，然后是1个或几个空白符(\s+)，最后是分组1中捕获的内容（也就是前面匹配的那个单词）(\1)。

你也可以自己指定子表达式的组名。要指定一个子表达式的组名，请使用这样的语法：(?\w+)
（或者把尖括号换成’也行：(?’Word’\w+)），这样就把\w+的组名指定为Word了。要反向引用这个分组捕获的内容，你可以使用\k,所以上一个例子也可以写成这样：

\b(？\w+)\b\s+\k\b。



笔记" TITLE="正则表达式 笔记" />

第三个(?:exp)不会改变正则表达式的处理方式，只是这样的组匹配的内容不会像前两种那样被捕获到某个组里面，也不会拥有组号。

零宽断言

接下来的四个用于查找在某些内容(但并不包括这些内容)之前或之后的东西，也就是说它们像\b,^,$那样用于指定一个位置，这个位置应该满足一定的条件(即断言)，因此它们也被称为零宽断言。

(?=exp)也叫零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式exp。比如\b\w+(?=ing\b)，匹配以ing结尾的单词的前面部分(除了ing以外的部分)，如查找I'm
singing while you're dancing.时，它会匹配sing和danc。

(?<=exp)也叫零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式exp。比如(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re以外的部分)，例如在查找reading a
book时，它匹配ading。

假如你想要给一个很长的数字中每三位间加一个逗号(当然是从右边加起了)，你可以这样查找需要在前面和里面添加逗号的部分：((?<=\d)\d{3})+\b，用它对1234567890进行查找时结果是234567890。

下面这个例子同时使用了这两种断言：(?<=\s)\d+(?=\s)匹配以空白符间隔的数字(再次强调，不包括这些空白符)。

负向零宽断言

\b\w*q[^u]\w*\b匹配包含后面不是字母u的字母q的单词。但是如果多做测试，你会发现，如果q出现在单词的结尾的话，像Iraq,Benq，这个表达式就会出错。这是因为[^u]总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的[^u]将会匹配q后面的单词分隔符(可能是空格，或者是句号或其它的什么)，后面的\w*\b将会匹配下一个单词，于是\b\w*q[^u]\w*\b就能匹配整个Iraq
fighting。负向零宽断言能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。现在，我们可以这样来解决这个问题：\b\w*q(?!u)\w*\b。

零宽度负预测先行断言(?!exp)，断言此位置的后面不能匹配表达式exp。例如：\d{3}(?!\d)匹配三位数字，而且这三位数字的后面不能是数字；\b((?!abc)\w)+\b匹配不包含连续字符串abc的单词。

同理，我们可以用(?,零宽度负回顾后发断言来断言此位置的前面不能匹配表达式exp：(?