正則表達式學習記錄 頂 原

一、重要點整理

• ^ 爲匹配輸入字符串的開始位置。

• [0-9]+匹配多個數字， [0-9] 匹配單個數字，+ 匹配一個或者多個。[^…] 排除型字符組。

• abc$匹配字母 abc 並以 abc 結尾，$ 爲匹配輸入字符串的結束位置。

• 正則表達式由兩種字符構成。一種是在正則表達式中具體特殊意義的“元字符”，另一種是普通的“文本字符”。元字符可以是一個字符，如“^”，也可以是一個字符序列，如“\w”。

• 空白字符：[ \r\n\f\t\v]解釋：\f  匹配換頁字符。  \n  匹配換行字符。  \r  匹配回車符字符。   \t  匹配製表字符。  \v  匹配垂直製表符。

• \n和\r區別：回車 \r 本義是光標重新回到本行開頭，r的英文return，控制字符可以寫成CR，即Carriage Return
                     換行 \n 本義是光標往下一行（不一定到下一行行首），n的英文newline，控制字符可以寫成LF，即Line 

• [.?!]：匹配標點符號.?!

• 分組：

二、正則表達式基礎

2.1     正則表達式構成

正則表達式由兩種字符構成。一種是在正則表達式中具體特殊意義的“元字符”，另一種是普通的“文本字符”。

元字符可以是一個字符，如“^”，也可以是一個字符序列，如“\w”。

2.2     元字符（Meta Character）

2.2.1  […] 字符組(Character Classes)

字符組可以匹配[ ]中包含的任意一個字符。雖然可以是任意一個，但只能是一個。

字符組支持由連字符“-”來表示一個範圍。當“-”前後構成範圍時，要求前面字符的碼位小於後面字符的碼位。

[^…] 排除型字符組。排除型字符組表示任意一個未列出的字符，同樣只能是一個。排除型字符組同樣支持由連字符“-”來表示一個範圍。

表達式	說明
[abc]	表示“a”或“b”或“c”
[0-9]	表示0~9中任意一個數字，等價於[0123456789]
[\u4e00-\u9fa5]	表示任意一個漢字
[^a1<]	表示除“a”、“1”、“<”外的其它任意一個字符
[^a-z]	表示除小寫字母外的任意一個字符

舉例：

“[0-9][0-9]”在匹配“Windows 2003”時，匹配成功，匹配的結果爲“20”。

“[^inW]”在匹配“Windows 2003”時，匹配成功，匹配的結果爲“d”。

2.2.2  常見字符範圍縮寫

對於一些常用的字符範圍，如數字等，由於非常常用，即使使用[0-9]這樣的字符組仍顯得麻煩，所以定義了一些元字符，來表示常見的字符範圍。

表達式	說明
\d	任意一個數字，相當於[0-9]，即0~9 中的任意一個
\w	任意一個字母或數字或下劃線，相當於[a-zA-Z0-9_]
\s	任意空白字符，相當於[ \r\n\f\t\v]
\D	任意一個非數字字符，\d取反，相當於[^0-9]
\W	\w取反，相當於[^a-zA-Z0-9_]
\S	任意非空白字符，\s取反，相當於[^ \r\n\f\t\v]

舉例：

“\w\s\d”在匹配“Windows 2003”時，匹配成功，匹配的結果爲“s 2”。

2.2.3  . 小數點

小數點可以匹配除“\n”以外的任意一個字符。如果要匹配包括“\n”在內的所有字符，一般用[\s\S]，或者是用“.”加(?s)匹配模式來實現。

表達式	說明
.	匹配除了換行符 \n 以外的任意一個字符

2.2.4  其它元字符

表達式	說明
^	匹配字符串開始的位置，不匹配任何字符
$	匹配字符串結束的位置，不匹配任何字符
\b	匹配單詞邊界，不匹配任何字符

舉例：

“^a”在匹配“cba”時，匹配失敗，因爲表達式要求開始位置後面是字符“a”，而“cba”顯然是不滿足的。

“\d$”在匹配“123”時，匹配成功，匹配結果爲“3”，這個表達式要求匹配結尾處的數字，如果結尾處不是數字，如“123abc”，則是匹配失敗的。

2.2.5  轉義字符

一些不可見字符，或是在正則中具有特殊意義的元字符，如想匹配字符本身，需要用“\”對其進行轉義。

表達式	說明
\r，\n	回車和換行
\\	匹配“\”本身
\^，\$，\.	分別匹配“^”、“$”和“.”

以下字符在匹配其本身時，通常需要進行轉義。在實際應用中，根據具體情況，需要轉義的字符可能不止如下所列字符

　.  $  ^  {  [  (  |  )  *  +  ?  \

2.2.6  量詞（Quantifier）

量詞表示一個子表達式可以匹配的次數。量詞可以用來修飾一個字符、字符組，或是用()括起來的子表達式。一些常用的量詞被定義成獨立的元字符。

表達式	說明	舉例
{m}	表達式匹配m次	“\d{3}”相當於“\d\d\d ” “(abc){2}”相當於“abcabc”
{m,n}	表達式匹配最少m次，最多n次	“\d{2,3}”可以匹配“12”或“321”等2到3位的數字
{m,}	表達式至少匹配m次	“[a-z]{8,}”表示至少8位以上的字母
?	表達式匹配0次或1次，相當於{0,1}	“ab?”可以匹配“a”或“ab”
*	表達式匹配0次或任意多次，相當於{0,}	“<[^>]*>”中“[^>]*”表示0個或任意多個不是“>”的字符
+	表達式匹配1次或意多次，至少1次，相當於{1,}	“\d\s+\d”表示兩個數字中間，至少有一個以上的空白字符

注意：在不是動態生成的正則表達式中，不要出現“{1}”這樣的量詞，如“\w{1}”在結果上等價於“\w”，但是會降低匹配效率和可讀性，屬於畫蛇添足的做法。

2.2.7  分支結構（Alternation）

當一個字符串的某一子串具有多種可能時，採用分支結構來匹配，“|”表示多個子表達式之間“或”的關係，“|”是以()限定範圍的，如果在“|”的左右兩側沒有()來限定範圍，那麼它的作用範圍即爲“|”左右兩側整體。

表達式	說明
|	多個子表達式之間取“或”的關係

舉例：

“^aa|b$”在匹配“cccb”時，是可以匹配成功的，匹配的結果是“b”，因爲這個表達式表示匹配“^aa”或“b$”，而“b$”在匹配“cccb ”時是可以匹配成功的。

“^(aa|b)$”在區配“cccb”時，是匹配失敗的，因爲這個表達式表示在“開始”和“結束”位置之間只能是“aa”或“b”，而“cccb”顯然是不滿足的。

3       正則表達式進階

3.1     捕獲組（Capture Group）

捕獲組就是把正則表達式中子表達式匹配的內容，保存到內存中以數字編號或手動命名的組裏，以供後面引用。

表達式	說明
(Expression)	普通捕獲組，將子表達式Expression匹配的內容保存到以數字編號的組裏
(?<name> Expression)	命名捕獲組，將子表達式Expression匹配的內容保存到以name命名的組裏

普通捕獲組（在不產生歧義的情況下，簡稱捕獲組）是以數字進行編號的，編號規則是以“(”從左到右出現的順序，從1開始進行編號。通常情況下，編號爲0的組表示整個表達式匹配的內容。

命名捕獲組可以通過捕獲組名，而不是序號對捕獲內容進行引用，提供了更便捷的引用方式，不用關注捕獲組的序號，也不用擔心表達式部分變更會導致引用錯誤的捕獲組。

3.2     非捕獲組

一些表達式中，不得不使用( )，但又不需要保存( )中子表達式匹配的內容，這時可以用非捕獲組來抵消使用( )帶來的副作用。

表達式	說明
(?:Expression)	進行子表達式Expression的匹配，並將匹配內容保存到最終的整個表達式的區配結果中，但Expression匹配的內容不單獨保存到一個組內

3.3     反向引用

捕獲組匹配的內容，可以在正則表達式的外部程序中進行引用，也可以在表達式中進行引用，表達式中引用的方式就是反向引用。

反向引用通常用來查找重複的子串，或是限定某一子串成對出現。

表達式	說明
\1，\2	對序號爲1和2的捕獲組的反向引用
\k<name>	對命名爲name的捕獲組的反向引用

舉例：

“(a|b)\1”在匹配“abaa”時，匹配成功，匹配到的結果是“aa”。“(a|b)”在嘗試匹配時，雖然既可以匹配“a”，也可以匹配“b”，但是在進行反向引用時，對應()中匹配的內容已經是固定的了。

3.4     環視（Look Around）

環視只進行子表達式的匹配，匹配內容不計入最終的匹配結果，是零寬度的。

環視按照方向劃分有順序和逆序兩種，按照是否匹配有肯定和否定兩種，組合起來就有四種環視。環視相當於對所在位置加了一個附加條件。

 

表達式	說明
(?<=Expression)	逆序肯定環視，表示所在位置左側能夠匹配Expression
(?<!Expression)	逆序否定環視，表示所在位置左側不能匹配Expression
(?=Expression)	順序肯定環視，表示所在位置右側能夠匹配Expression
(?!Expression)	順序否定環視，表示所在位置右側不能匹配Expression

舉例：

“(?<=Windows )\d+”在匹配“Windows 2003”時，匹配成功，匹配結果爲“2003”。我們知道“\d+”表示匹配一個以上的數字，而“(?<=Windows )”相當於一個附加條件，表示所在位置左側必須爲“Windows ”，它所匹配的內容並不計入匹配結果。同樣的正則在匹配“Office 2003”時，匹配失敗，因爲這裏任意一串數字子串的左側都不是“Windows ”。

“(?!1)\d+”在匹配“123”時，匹配成功，匹配的結果爲“23”。“\d+”匹配一個以上數字，但是附加條件“(?!1)”要求所在位置右側不能是“1”，所以匹配成功的位置是“2”前面的位置。

3.5     忽略優先和匹配優先

或者叫做正則表達式匹配的貪婪與非貪婪模式。

標準量詞修飾的子表達式，在可匹配可不匹配的情況下，總會先嚐試進行匹配，稱這種方式爲匹配優先，或者貪婪模式。此前介紹的一些量詞，“{m}”、“{m,n}”、“{m,}”、“?”、“*”和“+”都是匹配優先的。

一些NFA正則引擎支持忽略優先量詞，也就是在標準量詞後加一個“?”，此時，在可匹配可不匹配的情況下，總會先忽略匹配，只有在由忽略優先量詞修飾的子表達式，必須進行匹配才能使整個表達式匹配成功時，纔會進行匹配，稱這種方式爲忽略優先，或者非貪婪模式。忽略優先量詞包括“{m}?”、“{m,n}?”、“{m,}?”、“??”、“*?”和“+?”。

舉例：

源字符串：<div>aaa</div><div>bbb</div>

正則表達式1：<div>.*</div>      匹配結果：<div>aaa</div><div>bbb</div>

正則表達式2：<div>.*?</div>     匹配結果：<div>aaa</div>