版本:v2.21 (2007-8-3) 作者:deerchao 来源:unibetter大学生社区</a> 转载请注明来源</p>

目录

  1. 本文目标
  2. 如何使用本教程</a>
  3. 正则表达式到底是什么?
  4. 入门
  5. 测试正则表达式</a>
  6. 元字符</a>
  7. 字符转义
  8. 重复
  9. 字符类</a>
  10. 反义
  11. 替换
  12. 分组
  13. 后向引用
  14. 零宽断言
  15. 负向零宽断言
  16. 注释
  17. 贪婪与懒惰</a>
  18. 处理选项
  19. 平衡组/递归匹配
  20. 还有些什么东西没提到
  21. 联系作者</a>
  22. 一些我认为你可能已经知道的术语的参考</a>
  23. 网上的资源及本文参考文献</a>
  24. 更新说明

本文目标

30分钟内让你明白正则表达式是什么,并对它有一些基本的了解,让你可以在自己的程序或网页里使用它。</p>

如何使用本教程</h2>

最重要的是——请给我30分钟,如果你没有使用正则表达式的经验,请不要试图在30秒</strong>内入门。当然,如果你是超人,那自然得另当别论。</p>

别被下面那些复杂的表达式吓倒,只要跟着我一步一步来,你会发现正则表达式其实并没有你想像
中的那么困难。当然,如果你看完了这篇教程之后,发现自己明白了很多,却又几乎什么都记不得,那也是很正常的——我认为,没接触过正则表达式的人在看完这
篇教程后,能把提到过的语法记住80%以上的可能性为零。这里只是让你明白基本的原理,以后你还需要多练习,多使用,才能熟练掌握正则表达式。</p>

除了作为入门教程之外,本文还试图成为可以在日常工作中使用的正则表达式语法参考手册。就作者本人的经历来说,这个目标还是完成得不错的——你看,我自己也没能把所有的东西记下来,不是吗?

文本格式约定:<strong>专业术语 元字符/语法格式 正则表达式</font> 正则表达式中的一部分(用于分析) 用于在其中搜索的字符串</em> 对正则表达式或其中一部分的说明</u>清除格式

正则表达式到底是什么?

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。<strong>正则表达式</strong>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。</p>

很可能你使用过Windows/Dos下用于文件查找的通配符(wildcard),也就是*和<font color=”#0000ff”>?。如果你想查找某个目录下的所有的Word文档的话,你会搜索<span style=”color: red;”>*.doc。在这里,<font color=”#0000ff”>*会被解释成任意的字符串</a>。和通配符类似,正则表达式也是用来进行<a title=”参考" href=”http://www.unibetter.com/deerchao/zhengzhe-biaodashi-jiaocheng-se.htm#reference”>文本匹配的工具,只不过比起通配符,它能更精确地描述你的需求——当然,代价就是更复杂——比如你可以编写一个正则表达式,用来查找<u>所有以0开头,后面跟着2-3个数字,然后是一个连字号“-”,最后是7或8位数字的字符串</u>(像<em>010-12345678或<em>0376-7654321)。</p>

正则表达式是用于进行文本匹配的工具,所以本文里多次提到了在字符串里搜索/查找,这种说法的意思是在给定的字符串中,寻找与给定的正则表达式相匹配的部分。有可能字符串里有不止一个部分满足给定的正则表达式,这时每一个这样的部分被称为一个匹配。<strong>匹配在本文里可能会有三种意思:一种是形容词性的,比如说一个字符串匹配一个表达式;一种是动词性的,比如说在字符串里匹配正则表达式;还有一种是名词性的,就是刚刚说到的“字符串中满足给定的正则表达式的一部分”。</p>

入门

学习正则表达式的最好方法是从例子开始,理解例子之后再自己对例子进行修改,实验。下面给出了不少简单的例子,并对它们作了详细的说明。</p>

假设你在一篇英文小说里查找hi,你可以使用正则表达式<font color=”#ff0000″>hi。</p>

这是最简单的正则表达式了,它可以精确匹配这样的字符串:<u>由两个字符组成,前一个字符是h,后一个是i。通常,处理正则表达式的工具会提供一个忽略大小写的选项,如果选中了这个选项,它可以匹配hi,HI,Hi,hI这四种情况中的任意一种。</p>

不幸的是,很多单词里包含hi这两个连续的字符,比如<em>him,history,high等等。用hi来查找的话,这里边的hi也会被找出来。如果要精确地查找hi这个单词的话,我们应该使用<font color=”#ff0000″>”bhi”b。</p>

“b是正则表达式规定的一个特殊代码(好吧,某些人叫它元字符,metacharacter),代表着单词的开头或结尾,也就是单词的分界处。虽然通常英文的单词是由空格或标点符号或换行来分隔的,但是“b并不匹配这些单词分隔符中的任何一个,它<strong>只匹配一个位置</strong>。(如果需要更精确的说法,“b匹配这样的位置:它的前一个字符和后一个字符不全是(一个是,一个不是或不存在)“w)</p>

假如你要找的是<u>hi后面不远处跟着一个Lucy,你应该用<font color=”#ff0000″>”bhi”b.*”bLucy”b。</p>

这里,<font color=”#008000″>.是另一个元字符,匹配<u>除了换行符以外的任意字符。<font color=”#008000″>*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出现任意次以使整个表达式得到匹配</u>。因此,.*连在一起就意味着任意数量的不包含换行的字符</u>。现在<font color=”#ff0000″>”bhi”b.*”bLucy”b的意思就很明显了:<u>先是一个单词hi,然后是任意个任意字符(但不能是换行),最后是Lucy这个单词。</p>

如果同时使用其它的一些元字符,我们就能构造出功能更强大的正则表达式。比如下面这个例子:

0″d”d-“d”d”d”d”d”d”d”d匹配这样的字符串:<u>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</u>(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)。</p>

这里的<font color=”#008000″>”d是一个新的元字符,匹配<u>任意的数字(0,或1,或2,或……)。<font color=”#008000″>-不是元字符,只匹配它本身——连字号。</p>

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:<font color=”#ff0000″>0″d{2}-“d{8}。 这里“d后面的<font color=”#008000″>{2}({8})的意思是前面“d必须连续重复匹配2次(8次)。</p>

测试正则表达式</h2>

如果你不觉得正则表达式很难读写的话,要么你是一个天才,要么,你不是地球人。正则表达式的语法很令人头疼,即使对经常使用它的人来说也是如此。由于难于读写,容易出错,所以很有必要创建一种工具来测试正则表达式。</p>

由于在不同的环境下正则表达式的一些细节是不相同的,本教程介绍的是Microsoft .Net 2.0下正则表达式的行为,所以,我向你介绍一个.Net下的工具Regex Tester。首先你确保已经安装了<a title=”转到下载.Net Framework 2.0的页面" href=”http://www.microsoft.com/downloads/details.aspx?displaylang=zh-cn&FamilyID=0856eacb-4362-4b0d-8edd-aab15c5e04f5″>.Net Framework 2.0,然后<a title=”从www.unibetter.com下载Regex Tester, 75KB” href=”http://www.unibetter.com/deerchao/downloads/RegexTester.zip”>下载Regex Tester。这是个绿色软件,下载完后打开压缩包,直接运行RegexTester.exe就可以了。</p>

下面是Regex Tester运行时的截图:</p>

Regex Tester运行时的截图

元字符</h2>

现在你已经知道几个很有用的元字符了,如<font color=”#0000ff”>”b,.,*,还有<font color=”#0000ff”>”d.当然还有更多的元字符可用,比如<font color=”#0000ff”>”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。<font color=”#0000ff”>”w匹配字母或数字或下划线或汉字等</u>。</p>

下面来试试更多的例子:</p>

“ba”w*”b匹配以字母<font color=”#008000″>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)(好吧,现在我们说说正则表达式里的单词是什么意思吧:就是几个连续的“w。不错,这与学习英文时要背的成千上万个同名的东西的确关系不大)。</p>

“d+匹配1个或更多连续的数字</u>。这里的+是和*类似的元字符,不同的是<font color=”#0000ff”>*匹配重复任意次(可能是0次),而<font color=”#0000ff”>+则匹配<u>重复1次或更多次</u>。</p>

“b”w{6}”b 匹配刚好6个字母/数字的单词</u>。</p>

表1.常用的元字符
代码 说明
. 匹配除换行符以外的任意字符</u>
“w 匹配字母或数字或下划线或汉字
“s 匹配任意的空白符
“d 匹配数字
“b 匹配单词的开始或结束
^ 匹配字符串的开始</u>
$ 匹配字符串的结束

元字符<font color=”#0000ff”>^(和数字6在同一个键位上的符号)以及$和<font color=”#0000ff”>”b有点类似,都匹配一个位置。<font color=”#0000ff”>^匹配你要用来查找的字符串的开头,$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}$。</p>

这里的<font color=”#008000″>{5,12}和前面介绍过的<font color=”#008000″>{2}是类似的,只不过{2}匹配只能不多不少重复2次</u>,<font color=”#008000″>{5,12}则是重复的次数不能少于5次,不能多于12次</u>,否则都不匹配。</p>

因为使用了<font color=”#008000″>^和<font color=”#008000″>$,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</u>,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。</p>

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,<font color=”#0000ff”>^和<font color=”#0000ff”>$的意义就变成了<u>匹配行的开始处和结束处。</p>

字符转义

如果你想查找元字符本身的话,比如你查找<u>.,或者<u>*,就出现了问题:你没法指定它们,因为它们会被解释成其它的意思。这时你就必须使用<font color=”#0000ff”>”来取消这些字符的特殊意义。因此,你应该使用<font color=”#ff0000″>”.和<font color=”#ff0000″>”*。当然,要查找<u>”本身,你也得用<font color=”#ff0000″>””.

例如:<font color=”#ff0000″>www”.unibetter”.com匹配www.unibetter.com,<font color=”#ff0000″>c:””Windows匹配c:”Windows。</p>

重复

你已经看过了前面的<font color=”#0000ff”>*,+,{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):</p>

表2.常用的限定符
代码/语法 说明
* 重复零次或更多次
+ 重复一次或更多次</u>
? 重复零次或一次</u>
{n} 重复n次</u>
{n,} 重复n次或更多次</u>
{n,m} 重复n到m次</u>

下面是一些使用重复的例子:</p>

Windows”d+匹配Windows后面跟1个或更多数字

13″d{9}匹配13后面跟9个数字(中国的手机号)

^”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</h2>

要想查找数字,字母或数字,空白是很简单的,因为已经有了对应这些字符集合的元字符,但是如果你想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),应该怎么办?

很简单,你只需要在中括号里列出它们就行了,像<font color=”#ff0000″>[aeiou]就匹配<u>任何一个英文元音字母</u>,<font color=”#ff0000″>[.?!]匹配标点符号(.或?或!)(英文语句通常只以这三个标点结束)。</p>

我们也可以轻松地指定一个字符<strong>范围,像[0-9]代表的含意与“d就是完全一致的:<u>一位数字</u>,同理<font color=”#ff0000″>[a-z0-9A-Z_]也完全等同于“w(如果只考虑英文的话)。</p>

下面是一个更复杂的表达式:<font color=”#ff0000″>”(?0″d{2}[) -]?”d{8}。</p>

这个表达式可以匹配<u>几种格式的电话号码</u>,像(010)88886666,或022-22334455,或02912345678等。我们对它进行一些分析吧:首先是一个转义字符<font color=”#008000″>”(,它能出现0次或1次(?),然后是一个<font color=”#008000″>0,后面跟着2个数字(“d{2}),然后是)或<font color=”#008000″>-或<font color=”#008000″>空格中的一个,它出现1次或不出现(?),最后是8个数字(“d{8})。不幸的是,它也能匹配<em>010)12345678或<em>(022-87654321这样的&#8220;不正确&#8221;的格式。要解决这个问题,请在本教程的下面查找答案。</p>

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<strong>反义:</p>

表3.常用的反义代码</caption>

代码/语法 说明
“W 匹配任意不是字母,数字,下划线,汉字的字符</u>
“S 匹配任意不是空白符的字符
“D 匹配任意非数字的字符
“B 匹配不是单词开头或结束的位置</u>
[^x] 匹配除了x以外的任意字符</u>
[^aeiou] 匹配除了aeiou这几个字母以外的任意字符

例子:<font color=”#ff0000″>”S+匹配不包含空白符的字符串。</p>

]+>匹配用尖括号括起来的以a开头的字符串</u>。</p>

替换

好了,现在终于到了解决3位或4位区号问题的时间了。正则表达式里的替换指的是有几种规则,如果满足其中任意一种规则都应该当成匹配,具体方法是用<font color=”#0000ff”>|把不同的规则分隔开。听不明白?没关系,看例子:

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)。</p>

“(0″d{2}”)[- ]?”d{8}|0″d{2}[- ]?”d{8}这个表达式<u>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</u>。你可以试试用替换|把这个表达式扩展成也支持4位区号的。</p>

“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。之所以要给出这个例子是因为它能说明一个问题:使用替换时,顺序是很重要的</strong>。如果你把它改成“d{5}|”d{5}-“d{4}的话,那么就只会匹配5位的邮编(以及9位邮编的前5位)。原因是匹配替换时,将会从左到右地测试每个分枝条件,如果满足了某个分枝的话,就不会去管其它的替换条件了。</p>

Windows98|Windows2000|WindosXP这个例子是为了告诉你替换不仅仅能用于两种规则,也能用于更多种规则。</p>

分组

我们已经提到了怎么重复单个字符(直接在字符后面加上限定符就行了);但如果想要重复多个字符又该怎么办?你可以用小括号来指定子表达式(也叫做<strong>分组),然后你就可以指定这个子表达式的重复次数了,你也可以对子表达式进行其它一些操作(后面会有介绍)。</p>

(“d{1,3}”.){3}”d{1,3}是一个<u>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,<font color=”#008000″>(“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<strong>分组)重复3次</u>,最后再加上一个一到三位的数字(“d{1,3})。</p>

不幸的是,它也将匹配256.300.888.999这种不可能存在
的IP地址(IP地址中每个数字都不能大于255。题外话,好像反恐24小时第三季的编剧不知道这一点,汗…)。如果能使用算术比较的话,或许能简单
地解决这个问题,但是正则表达式中并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:<font color=”#ff0000″>((2[0-4]”d|25[0-5]|[01]?”d”d?)”.){3}(2[0-4]”d|25[0-5]|[01]?”d”d?)。</p>

理解这个表达式的关键是理解<font color=”#008000″>2[0-4]”d|25[0-5]|[01]?”d”d?,这里我就不细说了,你自己应该能分析得出来它的意义。</p>

后向引用

使用小括号指定一个子表达式后,<strong>匹配这个子表达式的文本</strong>(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<strong>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。</p>

后向引用用于重复搜索前面某个分组匹配的文本。例如,“1代表分组1匹配的文本</u>。难以理解?请看示例:</p>

“b(“w+)”b”s+”1″b可以用来匹配重复的单词</u>,像go go, kitty kitty。首先是一个单词</u>,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</u>(“b(“w+)”b),然后是1个或几个空白符</u>(“s+),最后是前面匹配的那个单词</u>(“1)。</p>

你也可以自己指定子表达式的<strong>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<font color=”#0000ff”>’也行:<font color=”#0000ff”>(?’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<font color=”#0000ff”>”k,所以上一个例子也可以写成这样:<font color=”#ff0000″>”b(?“w+)”b”s+”k“b。</p>

使用小括号的时候,还有很多特定用途的语法。下面列出了最常用的一些:

表4.分组语法
捕获
(exp) 匹配exp,并捕获文本到自动命名的组里</u>
(?exp) 匹配exp,并捕获文本到名称为name的组里,也可以写成(?’name’exp)
(?:exp) 匹配exp,不捕获匹配的文本,也不给此分组分配组号</u>
零宽断言
(?=exp) 匹配exp前面的位置</u>
(?<=exp) 匹配exp后面的位置</u>
(?!exp) 匹配后面跟的不是exp的位置</u>
(? 匹配前面不是exp的位置</u>
注释
(?#comment) 这种类型的组不对正则表达式的处理产生任何影响,用于提供注释让人阅读</u>

我们已经讨论了前两种语法。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</u>。</p>

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(断言),因此它们也被称为<strong>零宽断言。最好还是拿例子来说明吧:</p>

(?=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<font color=”#ff0000″>”b”w+(?=ing”b),匹配<u>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<u>danc。</p>

(?<=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<font color=”#ff0000″>(?<="bre)"w+"b会匹配<u>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<u>ading。</p>

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。</p>

下面这个例子同时使用了这两种断言:<font color=”#ff0000″>(?<="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)。</p>

负向零宽断言

前面我们提到过怎么查找不是某个字符或不在某个字符类里</strong>的字符的方法(反义)。但是如果我们只是想要<strong>确保某个字符没有出现,但并不想去匹配它</strong>时怎么办?例如,如果我们想查找这样的单词–它里面出现了字母q,但是q后面跟的不是字母u,我们可以尝试这样:</p>

“b”w*q[^u]”w*”b匹配包含后面不是字母u的字母q的单词</u>。但是如果多做测试(或者你思维足够敏锐,直接就观察出来了),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<font color=”#008000″>[^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<font color=”#008000″>[^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。<strong>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。</p>

零宽度负预测先行断言(?!exp),<u>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</u>;<font color=”#ff0000″>”b((?!abc)”w)+”b匹配不包含连续字符串abc的单词</u>。</p>

同理,我们可以用(?,零宽度正回顾后发断言来<u>断言此位置的前面不能匹配表达式exp:<font color=”#ff0000″>(?匹配前面不是小写字母的七位数字</u>。</p>

一个更复杂的例子:(?<=<("w+)>).*(?=<"/"1>)匹配不包含属性的简单HTML标签内里的内容</u>。<font color=”#0000ff”>()指定了这样的前缀:<u>被尖括号括起来的单词(比如可能是&lt;b>),然后是.*(任意的字符串),最后是一个<strong>后缀(?=<"/"1>)。注意后缀里的“/,它用到了前面提过的字符转义;<font color=”#008000″>”1则是一个反向引用,引用的正是<u>捕获的第一组</u>,前面的(“w+)匹配的内容,这样如果前缀实际上是的话,后缀就是了。整个表达式匹配的是和&lt;/b>之间的内容(再次提醒,不包括前缀和后缀本身)。</p>

注释

小括号的另一种用途是能过语法(?#comment)来包含注释。例如:2[0-4]”d(?#200-249)|25[0-5](?#250-255)|[01]?”d”d?(?#0-199)。</p>

要包含注释的话,最好是启用“忽略模式里的空白符&#8221;选项,这样在编写表达式时能任意的添加空格,Tab,换行,而实际使用时这些都将被忽略。启用这个选项后,在#后面到这一行结束的所有文本都将被当成注释忽略掉。</p>

例如,我们可以前面的一个表达式写成这样:</p>

贪婪与懒惰</h2>

当正则表达式中包含能接受重复的限定符时,通常的行为是(在使整个表达式能得到匹配的前提下)匹配尽可能多的字符。考虑这个表达式:a.*b,它将会匹配最长的以a开始,以b结束的字符串。如果用它来搜索aabab的话,它会匹配整个字符串aabab。这被称为<strong>贪婪匹配。</p>

有时,我们更需要<strong>懒惰匹配,也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式,只要在它后面加上一个问号<font color=”#0000ff”>?。这样<font color=”#ff0000″>.*?就意味着匹配任意数量的重复,但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧:</p>

a.*?b匹配最短的,以a开始,以b结束的字符串。如果把它应用于aabab的话,它会匹配<u>aab和<u>ab(为什么第一个匹配是aab而不是ab?简单地说,因为正则表达式有另一条规则,比懒惰/贪婪规则的优先级更高:最先开始的匹配最有最大的优先权——The Match That Begins Earliest Wins)。</p>

表5.懒惰限定符</caption>

*? 重复任意次,但尽可能少重复</u>
+? 重复1次或更多次,但尽可能少重复</u>
?? 重复0次或1次,但尽可能少重复</u>
{n,m}? 重复n到m次,但尽可能少重复</u>
{n,}? 重复n次以上,但尽可能少重复</u>

处理选项

上面介绍了几个选项如忽略大小写,处理多行等,这些选项能用来改变处理正则表达式的方式。下面是.Net中常用的正则表达式选项:</p>

表6.常用的处理选项
名称 说明
IgnoreCase(忽略大小写) 匹配时不区分大小写。</td>
Multiline(多行模式) 更改^和<font color=”#0000ff”>$的含义,使它们分别在任意一行的行首和行尾匹配,而不仅仅在整个字符串的开头和结尾匹配。(在此模式下,$的精确含意是:匹配”n之前的位置以及字符串结束前的位置.)
Singleline(单行模式) 更改.的含义,使它与每一个字符匹配(包括换行符"n)。
IgnorePatternWhitespace(忽略空白) 忽略表达式中的非转义空白并启用由#标记的注释。</td>
RightToLeft(从右向左查找) 匹配从右向左而不是从左向右进行。</td>
ExplicitCapture(显式捕获) 仅捕获已被显式命名的组。</td>
ECMAScript(JavaScript兼容模式) 使表达式的行为与它在JavaScript里的行为一致。</td>

一个经常被问到的问题是:是不是只能同时使用多行模式和单行模式中的一种?答案是:不是。这两个选项之间没有任何关系,除了它们的名字比较相似(以至于让人感到疑惑)以外。</p>

平衡组/递归匹配

注意:这里介绍的平衡组语法是由.Net Framework支持的;其它语言/库不一定支持这种功能,或者支持此功能但需要使用不同的语法。

有时我们需要匹配像( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构</u>,这时简单地使用“(.+”)则只会匹配到最左边的左括号和最右边的右括号之间的内容(这里我们讨论的是贪婪模式,懒惰模式也有下面的问题)。假如原来的字符串里的左括号和右括号出现的次数不相等,比如<em>( 5 / ( 3 + 2 ) ) ),那我们的匹配结果里两者的个数也不会相等。有没有办法在这样的字符串里匹配到最长的,配对的括号之间的内容呢?

为了避免(和<font color=”#0000ff”>”(把你的大脑彻底搞糊涂,我们还是用尖括号代替圆括号吧。现在我们的问题变成了如何把xx aa> yy这样的字符串里,最长的配对的尖括号内的内容捕获出来?

这里需要用到以下的语法构造:

  • (?’group’) 把捕获的内容命名为group,并压入堆栈
  • (?’-group’) 从堆栈上弹出最后压入堆栈的名为group的捕获内容,如果堆栈本来为空,则本分组的匹配失败
  • (?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话,继续匹配yes部分的表达式,否则继续匹配no部分
  • (?!) 零宽负向先行断言,由于没有后缀表达式,试图匹配总是失败

如果你不是一个程序员(或者你是一个对堆栈的概念不熟的程序员),你就这样理解上面的三种语法吧:第一个就是在黑板上写一个
“group”,第二个就是从黑板上擦掉一个"group”,第三个就是看黑板上写的还有没有”group”,如果有就继续匹配yes部分,否则就匹配
no部分。</p>

我们需要做的是每碰到了左括号,就在黑板上写一个"group”,每碰到一个右括号,就擦掉一个,到了最后就看看黑板上还有没有--如果有那就证明左括号比右括号多,那匹配就应该失败。

平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配嵌套的&lt;div>标签:<font color=”#ff0000″>]*>[^<>]*(((?’Open’]*>)[^<>]*)+((?’-Open’

)[^<>]*)+)*(?(Open)(?!))

.

还有些什么东西没提到

我已经描述了构造正则表达式的大量元素,还有一些我没有提到的东西。下面是未提到的元素的列表,包含语法和简单的说明。你可以在网上找到更详细的参
考资料来学习它们–当你需要用到它们的时候。如果你安装了MSDN Library,你也可以在里面找到关于.net下正则表达式详细的文档。</p>

表7.尚未详细讨论的语法</caption>

“a 报警字符(打印它的效果是电脑嘀一声)
“b 通常是单词分界位置,但如果在字符类里使用代表退格</u>
“t 制表符,Tab
“r 回车
“v 竖向制表符</u>
“f 换页符</u>
“n 换行符</u>
“e Escape
“0nn ASCII代码中八进制代码为nn的字符</u>
“xnn ASCII代码中十六进制代码为nn的字符</u>
“unnnn Unicode代码中十六进制代码为nnnn的字符</u>
“cN ASCII控制字符。比如"cC代表Ctrl+C
“A 字符串开头(类似^,但不受处理多行选项的影响)
“Z 字符串结尾或行尾(不受处理多行选项的影响)
“z 字符串结尾(类似$,但不受处理多行选项的影响)
“G 当前搜索的开头</u>
“p{name} Unicode中命名为name的字符类,例如"p{IsGreek}
(?>exp) 贪婪子表达式
(?exp) 平衡组</u>
(?im-nsx:exp) 在子表达式exp中改变处理选项
(?im-nsx) 为表达式后面的部分改变处理选项
(?(exp)yes|no) 把exp当作零宽正向先行断言,如果在这个位置能匹配,使用yes作为此组的表达式;否则使用no
(?(exp)yes) 同上,只是使用空表达式作为no
(?(name)yes|no) 如果命名为name的组捕获到了内容,使用yes作为表达式;否则使用no
(?(name)yes) 同上,只是使用空表达式作为no

联系作者</h2>

好吧,我承认,我骗了你,读到这里你肯定花了不止30分钟.相信我,这是我的错,而不是因为你太笨.我之所以说”30分钟”,是为了让你有信心,有耐心继续下去.既然你看到了这里,那证明我的阴谋成功了.上这种当的滋味还不错吧?

要投诉我,或者觉得我其实可以做得更好,或者有任何其它问题,欢迎来<a href=”http://www.cnblogs.com/deerchao/archive/2006/08/24/zhengzhe30fengzhongjiaocheng.html”>我的博客进行讨论.

一些我认为你可能已经知道的术语的参考</h2>

字符
程序处理文字时最基本的单位,可能是字母,数字,标点符号,空格,换行符,汉字等等。
字符串
0个或更多个字符的序列。
文本
文字,字符串。
匹配
符合规则,检验是否符合规则,符合规则的部分。
断言
声明一个应该为真的事实。只有当断言为真时才会对正则表达式继续进行匹配。

网上的资源及本文参考文献</h2>

更新说明

  1. 2006-3-27 第一版
  2. 2006-10-12 第二版
    • 修正了几个细节上的错误和不准确的地方
    • 增加了对处理中文时的一些说明
    • 更改了几个术语的翻译(采用了MSDN的翻译方式)
    • 增加了平衡组的介绍
    • 放弃了对The Regulator的介绍,改用Regex Tester
  3. 2007-3-12 V2.1
    • 修正了几个小的错误
    • 增加了对处理选项(RegexOptions)的介绍
  4. 2007-5-28 V2.2
    • 重新组织了对零宽断言的介绍
    • 删除了几个不太合适的示例,添加了几个实用的示例
    • 其它一些微小的更改
  5. 2007-8-3 V2.21
    • 修改了几处文字错误
    • 修改/添加了对$,”b的精确说明
    • 承认了作者是个骗子
    • 给RegexTester添加了Singleline选项的相关功能

Leave a Reply

电子邮件地址不会被公开。 必填项已用*标注