正則表達式30分鐘入門教程
目錄
- 本文目標
- 如何使用本教程
- 正則表達式到底是什麼東西?
- 入門
- 測試正則表達式
- 元字符
- 字符轉義
- 重複
- 字符類
- 分枝條件
- 反義
- 分組
- 後向引用
- 零寬斷言
- 負向零寬斷言
- 註釋
- 貪婪與懶惰
- 處理選項
- 平衡組/遞歸匹配
- 還有些什麼東西沒提到
- 聯繫作者
- 最後,來點廣告……
- 網上的資源及本文參考文獻
- 更新紀錄
本文目標
30分鐘內讓你明白正則表達式是什麼,並對它有一些基本的瞭解,讓你可以在自己的程序或網頁裏使用它。
如何使用本教程
最重要的是——請給我30分鐘 ,如果你沒有使用正則表達式的經驗,請不要試圖在30秒 內入門——除非你是超人 :)
別被下面那些複雜的表達式嚇倒,只要跟着我一步一步來,你會發現正則表達式其實並沒有 你 想像中的那麼困難。當然,如果你看完了這篇教程之後,發現自己明白了很多,卻又幾乎什麼都記不得,那也是很正常的——我認爲,沒接觸過正則表達式的人在看 完這篇教程後,能把提到過的語法記住80%以上的可能性爲零。這裏只是讓你明白基本的原理,以後你還需要多練習,多使用,才能熟練掌握正則表達式。
除了作爲入門教程之外,本文還試圖成爲可以在日常工作中使用的正則表達式語法參考手冊。就作者本人的經歷來說,這個目標還是完成得不錯的——你看,我自己也沒能把所有的東西記下來,不是嗎?
清除格式 文本格式約定:專業術語 元字符/語法格式 正則表達式 正則表達式中的一部分(用於分析) 對其進行匹配的源字符串 對正則表達式或其中一部分的說明
隱藏邊注 本文右邊有一些註釋,主要是用來提供一些相關信息,或者給沒有程序員背景的讀者解釋一些基本概念,通常可以忽略。
正則表達式到底是什麼東西?
字符 是計算機軟件處理文字時最基本的單位,可能是字母,數字,標點符號,空格,換行符,漢字等等。字符串 是0個或更多個字符的序列。文本 也就是文字,字符串。說某個字符串匹配 某個正則表達式,通常是指這個字符串裏有一部分(或幾部分分別)能滿足表達式給出的條件。
在編寫處理字符串的程序或網頁時,經常會有查找符合某些複雜規則的字符串的需要。正則表達式 就是用於描述這些規則的工具。換句話說,正則表達式就是記錄文本規則的代碼。
很可能你使用過Windows/Dos下用於文件查找的通配符(wildcard) ,也就是* 和? 。如果你想查找某個目錄下的所有的Word文檔的話,你會搜索*.doc 。在這裏,* 會被解釋成任意的字符串。和通配符類似,正則表達式也是用來進行文本匹配的工具,只不過比起通配符,它能更精確地描述你的需求——當然,代價就是更復雜——比如你可以編寫一個正則表達式,用來查找所有以0開頭,後面跟着2-3個數字,然後是一個連字號“-”,最後是7或8位數字的字符串 (像010-12345678 或0376-7654321 )。
入門
學習正則表達式的最好方法是從例子開始,理解例子之後再自己對例子進行修改,實驗。下面給出了不少簡單的例子,並對它們作了詳細的說明。
假設你在一篇英文小說裏查找hi ,你可以使用正則表達式hi 。
這幾乎是最簡單的正則表達式了,它可以精確匹配這樣的字符串:由兩個字符組成,前一個字符是h,後一個是i 。通常,處理正則表達式的工具會提供一個忽略大小寫的選項,如果選中了這個選項,它可以匹配hi ,HI ,Hi ,hI 這四種情況中的任意一種。
不幸的是,很多單詞裏包含hi 這兩個連續的字符,比如him ,history ,high 等等。用hi 來查找的話,這裏邊的hi 也會被找出來。如果要精確地查找hi這個單詞 的話,我們應該使用/bhi/b 。
/b 是正則表達式規定的一個特殊代碼(好吧,某些人叫它元字符,metacharacter ),代表着單詞的開頭或結尾,也就是單詞的分界處 。雖然通常英文的單詞是由空格,標點符號或者換行來分隔的,但是/b 並不匹配這些單詞分隔字符中的任何一個,它只匹配一個位置 。
如果需要更精確的說法,/b 匹配這樣的位置:它的前一個字符和後一個字符不全是(一個是,一個不是或不存在)/w 。
假如你要找的是hi後面不遠處跟着一個Lucy ,你應該用/bhi/b.*/bLucy/b 。
這裏,. 是另一個元字符,匹配除了換行符以外的任意字符 。* 同樣是元字符,不過它代表的不是字符,也不是位置,而是數量——它指定*前邊的內容可以連續重複使用任意次以使整個表達式得到匹配 。因此,.* 連在一起就意味着任意數量的不包含換行的字符 。現在/bhi/b.*/bLucy/b 的意思就很明顯了:先是一個單詞hi,然後是任意個任意字符(但不能是換行),最後是Lucy這個單詞 。
換行符就是'/n',ASCII編碼爲10(十六進制0x0A)的字符。
如果同時使用其它元字符,我們就能構造出功能更強大的正則表達式。比如下面這個例子:
0/d/d-/d/d/d/d/d/d/d/d 匹配這樣的字符串:以0開頭,然後是兩個數字,然後是一個連字號“-”,最後是8個數字 (也就是中國的電話號碼。當然,這個例子只能匹配區號爲3位的情形)。
這裏的/d 是個新的元字符,匹配一位數字(0,或1,或2,或……) 。- 不是元字符,只匹配它本身——連字符(或者減號,或者中橫線,或者隨你怎麼稱呼它)。
爲了避免那麼多煩人的重複,我們也可以這樣寫這個表達式:0/d{2}-/d{8} 。 這裏/d 後面的{2} ({8} )的意思是前面/d 必須連續重複匹配2次(8次) 。
測試正則表達式
其它可用的測試工具:
如果你不覺得正則表達式很難讀寫的話,要麼你是一個天才,要麼,你不是地球人。正則表達式的語法很令人頭疼,即使對經常使用它的人來說也是如此。由於難於讀寫,容易出錯,所以找一種工具對正則表達式進行測試是很有必要的。
不同的環境下正則表達式的一些細節是不相同的,本教程介紹的是微軟 .Net Framework 2.0下正則表達式的行爲,所以,我向你介紹一個.Net下的工具Regex Tester 。首先你確保已經安裝了.Net Framework 2.0 ,然後下載Regex Tester 。這是個綠色軟件,下載完後打開壓縮包,直接運行RegexTester.exe就可以了。
下面是Regex Tester運行時的截圖:
元字符
現在你已經知道幾個很有用的元字符了,如/b ,. ,* ,還有/d .正則表達式裏還有更多的元字符,比如/s 匹配任意的空白符,包括空格,製表符(Tab),換行符,中文全角空格等 。/w 匹配字母或數字或下劃線或漢字等 。
對中文/漢字的特殊處理是由.Net提供的正則表達式引擎支持的,其它環境下的具體情況請查看相關文檔。
下面來看看更多的例子:
/ba/w*/b 匹配以字母a 開頭的單詞——先是某個單詞開始處(/b ),然後是字母a ,然後是任意數量的字母或數字(/w* ),最後是單詞結束處(/b ) 。
好吧,現在我們說說正則表達式裏的單詞是什麼意思吧:就是不少於一個的連續的/w 。不錯,這與學習英文時要背的成千上萬個同名的東西的確關係不大 :)
/d+ 匹配1個或更多連續的數字 。這裏的+ 是和* 類似的元字符,不同的是* 匹配重複任意次(可能是0次) ,而+ 則匹配重複1次或更多次 。
/b/w{6}/b 匹配剛好6個字符的單詞 。
代碼 | 說明 |
---|---|
. | 匹配除換行符以外的任意字符 |
/w | 匹配字母或數字或下劃線或漢字 |
/s | 匹配任意的空白符 |
/d | 匹配數字 |
/b | 匹配單詞的開始或結束 |
^ | 匹配字符串的開始 |
$ | 匹配字符串的結束 |
正則表達式引擎通常會提供一個“測試指定的字符串是否匹配一個正則表達式”的方法,如JavaScript裏的RegExp.test()方法或.NET裏的Regex.IsMatch()方法。這裏的匹配是指是字符串裏有沒有符合表達式規則的部分。如果不使用^ 和$ 的話,對於/d{5,12} 而言,使用這樣的方法就只能保證字符串裏包含5到12連續位數字 ,而不是整個字符串就是5到12位數字。
元字符^ (和數字6在同一個鍵位上的符號)和$ 都匹配一個位置,這和/b 有點類似。^ 匹配你要用來查找的字符串的開頭,$ 匹配結尾。這兩個代碼在驗證輸入的內容時非常有用,比如一個網站如果要求你填寫的QQ號必須爲5位到12位數字時,可以使用:^/d{5,12}$ 。
這裏的{5,12} 和前面介紹過的{2} 是類似的,只不過{2} 匹配只能不多不少重複2次 ,{5,12} 則是重複的次數不能少於5次,不能多於12次 ,否則都不匹配。
因爲使用了^ 和$ ,所以輸入的整個字符串都要用來和/d{5,12} 來匹配,也就是說整個輸入必須是5到12個數字 ,因此如果輸入的QQ號能匹配這個正則表達式的話,那就符合要求了。
和忽略大小寫的選項類似,有些正則表達式處理工具還有一個處理多行的選項。如果選中了這個選項,^ 和$ 的意義就變成了匹配行的開始處和結束處 。
字符轉義
如果你想查找元字符本身的話,比如你查找. ,或者* ,就出現了問題:你沒辦法指定它們,因爲它們會被解釋成別的意思。這時你就得使用/ 來取消這些字符的特殊意義。因此,你應該使用/. 和/* 。當然,要查找/ 本身,你也得用// .
例如:unibetter/.com 匹配unibetter.com ,C://Windows 匹配C:/Windows 。
重複
你已經看過了前面的* ,+ ,{2} ,{5,12} 這幾個匹配重複的方式了。下面是正則表達式中所有的限定符(指定數量的代碼,例如*,{5,12}等):
代碼/語法 | 說明 |
---|---|
* | 重複零次或更多次 |
+ | 重複一次或更多次 |
? | 重複零次或一次 |
{n} | 重複n次 |
{n,} | 重複n次或更多次 |
{n,m} | 重複n到m次 |
下面是一些使用重複的例子:
Windows/d+ 匹配Windows後面跟1個或更多數字
^/w+ 匹配一行的第一個單詞(或整個字符串的第一個單詞,具體匹配哪個意思得看選項設置)
字符類
要想查找數字,字母或數字,空白是很簡單的,因爲已經有了對應這些字符集合的元字符,但是如果你想匹配沒有預定義元字符的字符集合(比如元音字母a,e,i,o,u),應該怎麼辦?
很簡單,你只需要在方括號裏列出它們就行了,像[aeiou] 就匹配任何一個英文元音字母 ,[.?!] 匹配標點符號(.或?或!) 。
我們也可以輕鬆地指定一個字符範圍 ,像[0-9] 代表的含意與/d 就是完全一致的:一位數字 ;同理[a-z0-9A-Z_] 也完全等同於/w (如果只考慮英文的話)。
下面是一個更復雜的表達式:/(?0/d{2}[) -]?/d{8} 。
“(”和“)”也是元字符,後面的分組節 裏會提到,所以在這裏需要使用轉義 。
這個表達式可以匹配幾種格式的電話號碼 ,像(010)88886666 ,或022-22334455 ,或02912345678 等。我們對它進行一些分析吧:首先是一個轉義字符/( ,它能出現0次或1次(? ),然後是一個0 ,後面跟着2個數字(/d{2} ),然後是) 或- 或空格 中的一個,它出現1次或不出現(? ),最後是8個數字(/d{8} )。
分枝條件
不幸的是,剛纔那個表達式也能匹配010)12345678 或(022-87654321 這樣的“不正確”的格式。要解決這個問題,我們需要用到分枝條件 。正則表達式裏的分枝條件 指的是有幾種規則,如果滿足其中任意一種規則都應該當成匹配,具體方法是用| 把不同的規則分隔開。聽不明白?沒關係,看例子:
0/d{2}-/d{8}|0/d{3}-/d{7} 這個表達式能匹配兩種以連字號分隔的電話號碼:一種是三位區號,8位本地號(如010-12345678),一種是4位區號,7位本地號(0376-2233445) 。
/(0/d{2}/)[- ]?/d{8}|0/d{2}[- ]?/d{8} 這個表達式匹配3位區號的電話號碼,其中區號可以用小括號括起來,也可以不用,區號與本地號間可以用連字號或空格間隔,也可以沒有間隔 。你可以試試用分枝條件把這個表達式擴展成也支持4位區號的。
/d{5}-/d{4}|/d{5} 這個表達式用於匹配美國的郵政編碼。美國郵編的規則是5位數字,或者用連字號間隔的9位數字。之所以要給出這個例子是因爲它能說明一個問題:使用分枝條件時,要注意各個條件的順序 。如果你把它改成/d{5}|/d{5}-/d{4} 的話,那麼就只會匹配5位的郵編(以及9位郵編的前5位)。原因是匹配分枝條件時,將會從左到右地測試每個條件,如果滿足了某個分枝的話,就不會去再管其它的條件了。
分組
我們已經提到了怎麼重複單個字符(直接在字符後面加上限定符就行了);但如果想要重複多個字符又該怎麼辦?你可以用小括號來指定子表達式 (也叫做分組 ),然後你就可以指定這個子表達式的重複次數了,你也可以對子表達式進行其它一些操作(後面會有介紹)。
(/d{1,3}/.){3}/d{1,3} 是一個簡單的IP地址匹配 表達式。要理解這個表達式,請按下列順序分析它:/d{1,3} 匹配1到3位的數字 ,(/d{1,3}/.){3} 匹配三位數字加上一個英文句號(這個整體也就是這個分組 )重複3次 ,最後再加上一個一到三位的數字 (/d{1,3} )。
IP地址中每個數字都不能大於255,大家千萬不要被《24》第三季的編劇給忽悠了……
不幸的是,它也將匹配256.300.888.999 這種不可能存在的IP地址。如果能使用算術比較的話,或許能簡單地解決這個問題,但是正則表達式中並不提供關於數學的任何功能,所以只能使用冗長的分組,選擇,字符類來描述一個正確的IP地址:((2[0-4]/d|25[0-5]|[01]?/d/d?)/.){3}(2[0-4]/d|25[0-5]|[01]?/d/d?) 。
理解這個表達式的關鍵是理解2[0-4]/d|25[0-5]|[01]?/d/d? ,這裏我就不細說了,你自己應該能分析得出來它的意義。
反義
有時需要查找不屬於某個能簡單定義的字符類的字符。比如想查找除了數字以外,其它任意字符都行的情況,這時需要用到反義 :
代碼/語法 | 說明 |
---|---|
/W | 匹配任意不是字母,數字,下劃線,漢字的字符 |
/S | 匹配任意不是空白符的字符 |
/D | 匹配任意非數字的字符 |
/B | 匹配不是單詞開頭或結束的位置 |
[^x] | 匹配除了x以外的任意字符 |
[^aeiou] | 匹配除了aeiou這幾個字母以外的任意字符 |
例子:/S+ 匹配不包含空白符的字符串 。
<a[^>]+> 匹配用尖括號括起來的以a開頭的字符串 。
後向引用
使用小括號指定一個子表達式後,匹配這個子表達式的文本 (也就是此分組捕獲的內容)可以在表達式或其它程序中作進一步的處理。默認情況下,每個分組會自動擁有一個組號 ,規則是:從左向右,以分組的左括號爲標誌,第一個出現的分組的組號爲1,第二個爲2,以此類推。
呃……其實,組號分配還不像我剛說得那麼簡單:
- 分組0對應整個正則表達式
- 實際上組號分配過程是要從左向右掃描兩遍的:第一遍只給未命名組分配,第二遍只給命名組分配--因此所有命名組的組號都大於未命名的組號
- 你可以使用(?:exp) 這樣的語法來剝奪一個分組對組號分配的參與權.
後向引用 用於重複搜索前面某個分組匹配的文本。例如,/1 代表分組1匹配的文本 。難以理解?請看示例:
/b(/w+)/b/s+/1/b 可以用來匹配重複的單詞 ,像go go , 或者kitty kitty 。這個表達式首先是一個單詞 ,也就是單詞開始處和結束處之間的多於一個的字母或數字 (/b(/w+)/b ),這個單詞會被捕獲到編號爲1的分組中,然後是1個或幾個空白符 (/s+ ),最後是分組1中捕獲的內容(也就是前面匹配的那個單詞) (/1 )。
你也可以自己指定子表達式的組名 。要指定一個子表達式的組名,請使用這樣的語法:(?<Word>/w+) (或者把尖括號換成' 也行:(?'Word'/w+) ),這樣就把/w+ 的組名指定爲Word 了。要反向引用這個分組捕獲 的內容,你可以使用/k<Word> ,所以上一個例子也可以寫成這樣:/b(?<Word>/w+)/b/s+/k<Word>/b 。
使用小括號的時候,還有很多特定用途的語法。下面列出了最常用的一些:
分類 | 代碼/語法 | 說明 |
---|---|---|
捕獲 | (exp) | 匹配exp,並捕獲文本到自動命名的組裏 |
(?<name>exp) | 匹配exp,並捕獲文本到名稱爲name的組裏,也可以寫成(?'name'exp) | |
(?:exp) | 匹配exp,不捕獲匹配的文本,也不給此分組分配組號 | |
零寬斷言 | (?=exp) | 匹配exp前面的位置 |
(?<=exp) | 匹配exp後面的位置 | |
(?!exp) | 匹配後面跟的不是exp的位置 | |
(?<!exp) | 匹配前面不是exp的位置 | |
註釋 | (?#comment) | 這種類型的分組不對正則表達式的處理產生任何影響,用於提供註釋讓人閱讀 |
我們已經討論了前兩種語法。第三個(?:exp) 不會改變正則表達式的處理方式,只是這樣的組匹配的內容不會像前兩種那樣被捕獲到某個組裏面,也不會擁有組號 。“我爲什麼會想要這樣做?”——好問題,你覺得爲什麼呢?
零寬斷言
地球人,是不是覺得這些術語名稱太複雜,太難記了?我也有同感。知道有這麼一種東西就行了,它叫什麼,隨它去吧!人若無名,便可專心練劍;物若無名,便可隨意取捨……
接下來的四個用於查找在某些內容(但並不包括這些內容)之前或之後的東西,也就是說它們像/b ,^ ,$ 那樣用於指定一個位置,這個位置應該滿足一定的條件(即斷言),因此它們也被稱爲零寬斷言 。最好還是拿例子來說明吧:
斷言用來聲明一個應該爲真的事實。正則表達式中只有當斷言爲真時纔會繼續進行匹配。
(?=exp) 也叫零寬度正預測先行斷言 ,它斷言自身出現的位置的後面能匹配表達式exp 。比如/b/w+(?=ing/b) ,匹配以ing結尾的單詞的前面部分(除了ing以外的部分) ,如查找I'm singing while you're dancing. 時,它會匹配sing 和danc 。
(?<=exp) 也叫零寬度正回顧後發斷言 ,它斷言自身出現的位置的前面能匹配表達式exp 。比如(?<=/bre)/w+/b 會匹配以re開頭的單詞的後半部分(除了re以外的部分) ,例如在查找reading a book 時,它匹配ading 。
假如你想要給一個很長的數字中每三位間加一個逗號(當然是從右邊加起了),你可以這樣查找需要在前面和裏面添加逗號的部分:((?<=/d)/d{3})+/b ,用它對1234567890 進行查找時結果是234567890 。
下面這個例子同時使用了這兩種斷言:(?<=/s)/d+(?=/s) 匹配以空白符間隔的數字(再次強調,不包括這些空白符) 。
負向零寬斷言
前面我們提到過怎麼查找不是某個字符或不在某個字符類裏 的字符的方法(反義)。但是如果我們只是想要確保某個字符沒有出現,但並不想去匹配它 時怎麼辦?例如,如果我們想查找這樣的單詞--它裏面出現了字母q,但是q後面跟的不是字母u,我們可以嘗試這樣:
/b/w*q[^u]/w*/b 匹配包含後面不是字母u的字母q 的單詞 。但是如果多做測試(或者你思維足夠敏銳,直接就觀察出來了),你會發現,如果q出現在單詞的結尾的話,像Iraq ,Benq ,這個表達式就會出錯。這是因爲[^u] 總要匹配一個字符,所以如果q是單詞的最後一個字符的話,後面的[^u] 將會匹配q後面的單詞分隔符(可能是空格,或者是句號或其它的什麼),後面的/w*/b 將會匹配下一個單詞,於是/b/w*q[^u]/w*/b 就能匹配整個Iraq fighting 。負向零寬斷言 能解決這樣的問題,因爲它只匹配一個位置,並不消費 任何字符。現在,我們可以這樣來解決這個問題:/b/w*q(?!u)/w*/b 。
零寬度負預測先行斷言 (?!exp) ,斷言此位置的後面不能匹配表達式exp 。例如:/d{3}(?!/d) 匹配三位數字,而且這三位數字的後面不能是數字 ;/b((?!abc)/w)+/b 匹配不包含連續字符串abc的單詞 。
同理,我們可以用(?<!exp) ,零寬度負回顧後發斷言 來斷言此位置的前面不能匹配表達式exp :(?<![a-z])/d{7} 匹配前面不是小寫字母的七位數字 。
請詳細分析表達式(?<=<(/w+)>).*(?=<///1>) ,這個表達式最能表現零寬斷言的真正用途。
一個更復雜的例子:(?<=<(/w+)>).*(?=<///1>) 匹配不包含屬性的簡單HTML標籤內裏的內容 。(<?(/w+)>) 指定了這樣的前綴 :被尖括號括起來的單詞 (比如可能是<b>),然後是.* (任意的字符串),最後是一個後綴 (?=<///1>) 。注意後綴裏的// ,它用到了前面提過的字符轉義;/1 則是一個反向引用,引用的正是捕獲的第一組 ,前面的(/w+) 匹配的內容,這樣如果前綴實際上是<b>的話,後綴就是</b>了。整個表達式匹配的是<b>和</b>之間的內容(再次提醒,不包括前綴和後綴本身)。
註釋
小括號的另一種用途是通過語法(?#comment) 來包含註釋。例如:2[0-4]/d(?#200-249)|25[0-5](?#250-255)|[01]?/d/d?(?#0-199) 。
要包含註釋的話,最好是啓用“忽略模式裏的空白符”選項,這樣在編寫表達式時能任意的添加空格,Tab,換行,而實際使用時這些都將被忽略。啓用這個選項後,在#後面到這一行結束的所有文本都將被當成註釋忽略掉。例如,我們可以前面的一個表達式寫成這樣:
(?<= # 斷言要匹配的文本的前綴
<(/w+)> # 查找尖括號括起來的字母或數字(即HTML/XML標籤)
) # 前綴結束
.* # 匹配任意文本
(?= # 斷言要匹配的文本的後綴
<///1> # 查找尖括號括起來的內容:前面是一個"/",後面是先前捕獲的標籤
) # 後綴結束
貪婪與懶惰
當正則表達式中包含能接受重複的限定符時,通常的行爲是(在使整個表達式能得到匹配的前提下)匹配儘可能多 的字符。以這個表達式爲例:a.*b ,它將會匹配最長的以a開始,以b結束的字符串 。如果用它來搜索aabab 的話,它會匹配整個字符串aabab 。這被稱爲貪婪 匹配。
有時,我們更需要懶惰 匹配,也就是匹配儘可能少 的字符。前面給出的限定符都可以被轉化爲懶惰匹配模式,只要在它後面加上一個問號? 。這樣.*? 就意味着匹配任意數量的重複,但是在能使整個匹配成功的前提下使用最少的重複 。現在看看懶惰版的例子吧:
a.*?b 匹配最短的,以a開始,以b結束的字符串 。如果把它應用於aabab 的話,它會匹配aab(第一到第三個字符) 和ab(第四到第五個字符) 。
爲什麼第一個匹配是aab(第一到第三個字符)而不是ab(第二到第三個字符)?簡單地說,因爲正則表達式有另一條規則,比懶惰/貪婪規則的優先級更高:最先開始的匹配擁有最高的優先權——The match that begins earliest wins。
代碼/語法 | 說明 |
---|---|
*? | 重複任意次,但儘可能少重複 |
+? | 重複1次或更多次,但儘可能少重複 |
?? | 重複0次或1次,但儘可能少重複 |
{n,m}? | 重複n到m次,但儘可能少重複 |
{n,}? | 重複n次以上,但儘可能少重複 |
處理選項
在C#中,你可以使用Regex(String, RegexOptions)構造函數 來設置正則表達式的處理選項。如:Regex regex = new Regex(@"/ba/w{6}/b", RegexOptions.IgnoreCase);
上面介紹了幾個選項如忽略大小寫,處理多行等,這些選項能用來改變處理正則表達式的方式。下面是.Net中常用的正則表達式選項:
名稱 | 說明 |
---|---|
IgnoreCase(忽略大小寫) | 匹配時不區分大小寫。 |
Multiline(多行模式) | 更改^ 和$ 的含義,使它們分別在任意一行的行首和行尾匹配,而不僅僅在整個字符串的開頭和結尾匹配。(在此模式下,$ 的精確含意是:匹配/n之前的位置以及字符串結束前的位置.) |
Singleline(單行模式) | 更改. 的含義,使它與每一個字符匹配(包括換行符/n)。 |
IgnorePatternWhitespace(忽略空白) | 忽略表達式中的非轉義空白並啓用由# 標記的註釋。 |
ExplicitCapture(顯式捕獲) | 僅捕獲已被顯式命名的組。 |
一個經常被問到的問題是:是不是隻能同時使用多行模式和單行模式中的一種?答案是:不是。這兩個選項之間沒有任何關係,除了它們的名字比較相似(以至於讓人感到疑惑)以外。
平衡組/遞歸匹配
這裏介紹的平衡組語法是由.Net Framework支持的;其它語言/庫不一定支持這種功能,或者支持此功能但需要使用不同的語法。
有時我們需要匹配像( 100 * ( 50 + 15 ) )這樣的可嵌套的層次性結構 ,這時簡單地使用/(.+/) 則只會匹配到最左邊的左括號和最右邊的右括號之間的內容(這裏我們討論的是貪婪模式,懶惰模式也有下面的問題)。假如原來的字符串裏的左括號和右括號出現的次數不相等,比如( 5 / ( 3 + 2 ) ) ) ,那我們的匹配結果裏兩者的個數也不會相等。有沒有辦法在這樣的字符串裏匹配到最長的,配對的括號之間的內容呢?
爲了避免( 和/( 把你的大腦徹底搞糊塗,我們還是用尖括號代替圓括號吧。現在我們的問題變成了如何把xx <aa <bbb> <bbb> aa> yy 這樣的字符串裏,最長的配對的尖括號內的內容捕獲出來?
這裏需要用到以下的語法構造:
- (?'group') 把捕獲的內容命名爲group,並壓入堆棧(Stack)
- (?'-group') 從堆棧上彈出最後壓入堆棧的名爲group的捕獲內容,如果堆棧本來爲空,則本分組的匹配失敗
- (?(group)yes|no) 如果堆棧上存在以名爲group的捕獲內容的話,繼續匹配yes部分的表達式,否則繼續匹配no部分
- (?!) 零寬負向先行斷言,由於沒有後綴表達式,試圖匹配總是失敗
如 果你不是一個程序員(或者你自稱程序員但是不知道堆棧是什麼東西),你就這樣理解上面的三種語法吧:第一個就是在黑板上寫一個"group",第二個就是 從黑板上擦掉一個"group",第三個就是看黑板上寫的還有沒有"group",如果有就繼續匹配yes部分,否則就匹配no部分。
我們需要做的是每碰到了左括號,就在壓入一個"Open",每碰到一個右括號,就彈出一個,到了最後就看看堆棧是否爲空--如果不爲空那就證明左括號比右括號多,那匹配就應該失敗。正則表達式引擎會進行回溯(放棄最前面或最後面的一些字符),儘量使整個表達式得到匹配。
< #最外層的左括號
[^<>]* #最外層的左括號後面的不是括號的內容
(
(
(?'Open'<) #碰到了左括號,在黑板上寫一個"Open"
[^<>]* #匹配左括號後面的不是括號的內容
)+
(
(?'-Open'>) #碰到了右括號,擦掉一個"Open"
[^<>]* #匹配右括號後面不是括號的內容
)+
)*
(?(Open)(?!)) #在遇到最外層的右括號前面,判斷黑板上還有沒有沒擦掉的"Open";如果還有,則匹配失敗
> #最外層的右括號
平衡組的一個最常見的應用就是匹配HTML,下面這個例子可以匹配嵌套的<div>標籤 :<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div> .
還有些什麼東西沒提到
上邊已經描述了構造正則表達式的大量元素,但是還有很多沒有提到的東西。下面是一些未提到的元素的列表,包含語法和簡單的說明。你可以在網上找到更詳細的參考資料來學習它們--當你需要用到它們的時候。如果你安裝了MSDN Library,你也可以在裏面找到.net下正則表達式詳細的文檔。
這裏的介紹很簡略,如果你需要更詳細的信息,而又沒有在電腦上安裝MSDN Library,可以查看關於正則表達式語言元素的MSDN在線文檔 。
代碼/語法 | 說明 |
---|---|
/a | 報警字符(打印它的效果是電腦嘀一聲) |
/b | 通常是單詞分界位置,但如果在字符類裏使用代表退格 |
/t | 製表符,Tab |
/r | 回車 |
/v | 豎向製表符 |
/f | 換頁符 |
/n | 換行符 |
/e | Escape |
/0nn | ASCII代碼中八進制代碼爲nn的字符 |
/xnn | ASCII代碼中十六進制代碼爲nn的字符 |
/unnnn | Unicode代碼中十六進制代碼爲nnnn的字符 |
/cN | ASCII控制字符。比如/cC代表Ctrl+C |
/A | 字符串開頭(類似^,但不受處理多行選項的影響) |
/Z | 字符串結尾或行尾(不受處理多行選項的影響) |
/z | 字符串結尾(類似$,但不受處理多行選項的影響) |
/G | 當前搜索的開頭 |
/p{name} | Unicode中命名爲name的字符類,例如/p{IsGreek} |
(?>exp) | 貪婪子表達式 |
(?<x>-<y>exp) | 平衡組 |
(?im-nsx:exp) | 在子表達式exp中改變處理選項 |
(?im-nsx) | 爲表達式後面的部分改變處理選項 |
(?(exp)yes|no) | 把exp當作零寬正向先行斷言,如果在這個位置能匹配,使用yes作爲此組的表達式;否則使用no |
(?(exp)yes) | 同上,只是使用空表達式作爲no |
(?(name)yes|no) | 如果命名爲name的組捕獲到了內容,使用yes作爲表達式;否則使用no |
(?(name)yes) | 同上,只是使用空表達式作爲no |
聯繫作者
好吧,我承認,我騙了你,讀到這裏你肯定花了不止30分鐘.相信我,這是我的錯,而不是因爲你太笨.我之所以說"30分鐘",是爲了讓你有信心,有耐心繼續下去.既然你看到了這裏,那證明我的陰謀成功了.被忽悠的感覺很爽吧?
要投訴我,或者覺得我其實可以忽悠得更高明,或者有任何其它問題,歡迎來我的博客 讓我知道.
最後,來點廣告……
網上的資源及本文參考文獻
- 微軟的正則表達式教程
- System.Text.RegularExpressions.Regex類(MSDN)
- 專業的正則表達式教學網站(英文)
- 關於.Net下的平衡組的詳細討論(英文)
- Mastering Regular Expressions (Second Edition)
更新紀錄
- 2006-3-27 第一版
- 2006-10-12 第二版
- 修正了幾個細節上的錯誤和不準確的地方
- 增加了對處理中文時的一些說明
- 更改了幾個術語的翻譯(採用了MSDN的翻譯方式)
- 增加了平衡組的介紹
- 放棄了對The Regulator的介紹,改用Regex Tester
- 2007-3-12 V2.1
- 修正了幾個小的錯誤
- 增加了對處理選項(RegexOptions)的介紹
- 2007-5-28 V2.2
- 重新組織了對零寬斷言的介紹
- 刪除了幾個不太合適的示例,添加了幾個實用的示例
- 其它一些微小的更改
- 2007-8-3 V2.21
- 修改了幾處文字錯誤
- 修改/添加了對$,/b的精確說明
- 承認了作者是個騙子
- 給RegexTester添加了Singleline選項的相關功能
- 2008-4-13 v2.3
- 調整了部分章節的次序
- 修改了頁面佈局,刪除了專門的參考節
- 針對讀者的反饋,調整了部分內容
- 2009-4-11 v2.31
- 修改了幾處文字錯誤
- 添加了一些註釋說明
- 調整了一些措詞
Validated XHTML 1.0 Strict Validated CSS 2.1 <script src="http://pagead2.googlesyndication.com/pagead/show_ads.js" type="text/javascript"></script> <script src="http://googleads.g.doubleclick.net/cpa/ads?&oe=UTF-8client=ca-pub-1134642721173543&dt=1242626698785&lmt=1239446762&output=textlink&slotname=1367490761&correlator=1242626698668&url=http%3A%2F%2Funibetter.com%2Fdeerchao%2Fzhengzhe-biaodashi-jiaocheng-se.htm&region=_google_cpa_region_&ea=0&ref=http%3A%2F%2Fwww.google.com%2Furl%3Fsa%3Dt%26source%3Dweb%26ct%3Dres%26cd%3D1%26url%3Dhttp%253A%252F%252Funibetter.com%252Fdeerchao%252Fzhengzhe-biaodashi-jiaocheng-se.htm%26ei%3DiPoQSqH-KMqGkAX56JCVBA%26rct%3Dj%26q%3D%25E6%25AD%25A3%25E5%2588%2599%25E8%25A1%25A8%25E8%25BE%25BE%25E5%25BC%258F%26usg%3DAFQjCNGwgDFEVjj9BjlaAkOjzcj-nHBGyw&frm=0&ga_vid=1859903084.1242626699&ga_sid=1242626699&ga_hid=1016006654&flash=10.0.12&w=-1&h=-1&u_h=1024&u_w=1280&u_ah=994&u_aw=1280&u_cd=32&u_tz=480&u_his=1&u_java=true&u_nplug=7&u_nmime=46&dtd=3"></script>