正则表达式30分钟入门教程 v2.1版

ttx9n · 发表于 2007-3-30 00:00:00

运行下面的代码就可以看到

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd"> 
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="zh" lang="zh"><head>

<h2>目录</h2> 
    <ol> 
        <li><a href="#mission">本文目标</a></li> 
        <li><a href="#howtouse">如何使用本教程</a></li> 
        <li><a href="#introduction">什么是正则表达式？</a></li> 
        <li><a href="#getstarted">入门</a></li>

<li><a href="#testing">测试正则表达式</a></li> 
        <li><a href="#metacode">元字符</a></li> 
        <li><a href="#escape">字符转义</a></li> 
        <li><a href="#repeat">重复</a></li> 
        <li><a href="#charclass">字符类</a></li> 
        <li><a href="#negation">反义</a></li>

<li><a href="#alternative">替换</a></li> 
        <li><a href="#grouping">分组</a></li> 
        <li><a href="#backreference">后向引用</a></li> 
        <li><a href="#lookaround">位置指定</a></li> 
        <li><a href="#negativelookaround">负向位置指定</a></li> 
        <li><a href="#commenting">注释</a></li>

<li><a href="#greedyandlazy">贪婪与懒惰</a></li> 
        <li><a href="#regexoptions">处理选项</a></li> 
        <li><a href="#balancedgroup">平衡组/递归匹配</a></li> 
        <li><a href="#more">还有些什么东西没提到</a></li> 
        <li><a href="#reference">一些我认为你可能已经知道的术语的参考</a></li> 
        <li><a href="#resources">网上的资源及本文参考文献</a></li>

<li><a href="#updatelog">更新说明</a></li> 
    </ol> 
    <h2 id="mission"> 
        本文目标</h2> 
    <p> 
        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> 
    <h2 id="howtouse">

如何使用本教程</h2> 
    <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，多查资料，才能熟练掌握正则表达式。</p> 
    <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）。</p> 
    <p> 
        文本格式约定：专业术语 元字符/语法格式 正则表达式 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 对正则表达式或其中一部分的说明<a href="http://www.unibetter.com/deerchao/zhengzhe-biaodashi-jiaocheng-se.htm" id="clearButton" accesskey="c" onclick="return clearFormats();">清除格式</a></p>

<h2 id="introduction"> 
        什么是正则表达式？</h2> 
    <p> 
        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。</p> 
    <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?。如果你想查找某个目录下的所有的Word文档的话，你会搜索*.doc。在这里，*会被解释成任意的<a href="#reference" title="参考">字符串</a>。和通配符类似，正则表达式也是用来进行<a href="#reference" title="参考">文本</a><a href="#reference" title="参考">匹配</a>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(像010-12345678或0376-7654321)。</p>

<p id="match"> 
        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。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> 
    <h2 id="getstarted"> 
        入门</h2> 
    <p> 
        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>

<p> 
        假设你在一篇英文小说里查找hi，你可以使用正则正则表达式hi。</p> 
    <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：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>

<p> 
        不幸的是，很多单词里包含hi这两个连续的字符，比如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\bhi\b。</p>

<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\w）</p>

<p> 
        假如你要找的是hi后面不远处跟着一个Lucy，你应该用\bhi\b.*\bLucy\b。</p> 
    <p> 
        这里，.是另一个元字符，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出现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(但不能是换行)，最后是Lucy这个单词。</p>

<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：</p> 
    <p> 
        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)。</p> 
    <p> 
        这里的\d是一个新的元字符，匹配任意的数字(0，或1，或2，或……)。-不是元字符，只匹配它本身——连字号。</p>

<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：0\d{2}-\d{8}</p> 
    <p> 
        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)。</p>

<h2 id="testing"> 
        测试正则表达式</h2> 
    <p> 
        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> 
    <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<a href="http://www.dotnet2themax.com/blogs/fbalena/PermaLink,guid,13bce26d-7755-441e-92b3-1eb5f9e859f9.aspx">Regex 
            Tester</a>。首先你确保已经安装了<a href="http://www.microsoft.com/downloads/details.aspx?displaylang=zh-cn&FamilyID=0856eacb-4362-4b0d-8edd-aab15c5e04f5" title="转到下载.Net Framework 2.0的页面">.Net Framework 2.0</a>，然后<a href="http://www.unibetter.com/deerchao/downloads/RegexTester.zip" title="本地下载Regex Tester, 75KB">下载Regex Tester</a>，下载完后打开压缩包,直接运行RegexTester.exe。</p>

<p> 
        下面是Regex Tester运行时的截图：</p> 
    <p> 
        <img src="https://www.jb51.net/article/images/RegexTester.jpg" alt="Regex Tester运行时的截图" /></p> 
    <h2 id="metacode"> 
        元字符</h2> 
    <p> 
        现在你已经知道几个很有用的元字符了，如\b,.,*，还有\d.当然还有更多的元字符，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。</p>

<p> 
        下面来试试更多的例子：</p> 
    <p> 
        \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)（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>

<p> 
        \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。</p>

<p> 
        \b\w{6}\b 匹配刚好6个字母/数字的单词。</p> 
    <table cellspacing="0"> 
        <caption> 
            表1.常用的元字符</caption> 
        <tbody>

.</td> 
                <td> 
                    匹配除换行符以外的任意字符</td> 
            </tr> 
            <tr> 
                <td> 
                    \w</td>

<td> 
                    匹配字母或数字或下划线或汉字</td> 
            </tr> 
            <tr> 
                <td> 
                    \s</td> 
                <td> 
                    匹配任意的空白符</td>

</tr> 
            <tr> 
                <td> 
                    \d</td> 
                <td> 
                    匹配数字</td> 
            </tr> 
            <tr>

<td> 
                    \b</td> 
                <td> 
                    匹配单词的开始或结束</td> 
            </tr> 
            <tr> 
                <td> 
                    ^</td>

<td> 
                    匹配字符串的开始</td> 
            </tr> 
            <tr> 
                <td> 
                    $</td> 
                <td> 
                    匹配字符串的结束</td>

</tr> 
        </tbody> 
    </table> 
    <p> 
        元字符^（和6在同一个键位上的符号）以及$和\b有点类似，都匹配一个位置。^匹配你要用来查找的字符串的开头，$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>

<p> 
        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。</p>

<p> 
        因为使用了^和$，所以输入的整个字符串都要用来和\d{5,12}来匹配，也就是说整个输入必须是5到12个数字，因此如果输入的QQ号能匹配这个正则表达式的话，那就符合要求了。</p> 
    <p> 
        和忽略大小写的选项类似，有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项，^和$的意义就变成了匹配行的开始处和结束处。</p>

<h2 id="escape"> 
        字符转义</h2> 
    <p> 
        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\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\\.</p>

<p> 
        例如：www\.unibetter\.com匹配www.unibetter.com，c:\\windows匹配c:\windows,2\^8匹配2^8(通常这是2的8次方的书写方式)。</p>

<h2 id="repeat"> 
        重复</h2> 
    <p> 
        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指定重复的方式：</p>

<table cellspacing="0"> 
        <caption> 
            表2.常用的限定符</caption> 
        <tbody> 
            <tr> 
                <th> 
                    代码/语法</th> 
                <th>

说明</th> 
            </tr> 
            <tr> 
                <td> 
                    *</td> 
                <td> 
                    重复零次或更多次</td>

</tr> 
            <tr> 
                <td> 
                    +</td> 
                <td> 
                    重复一次或更多次</td> 
            </tr> 
            <tr>

<td> 
                    ?</td> 
                <td> 
                    重复零次或一次</td> 
            </tr> 
            <tr> 
                <td> 
                    {n}</td>

<td> 
                    重复n次</td> 
            </tr> 
            <tr> 
                <td> 
                    {n,}</td> 
                <td> 
                    重复n次或更多次</td>

</tr> 
            <tr> 
                <td> 
                    {n,m}</td> 
                <td> 
                    重复n到m次</td> 
            </tr> 
        </tbody>

</table> 
    <p> 
        下面是一些使用重复的例子：</p> 
    <p> 
        Windows\d+匹配Windows后面跟1个或更多数字</p> 
    <p> 
        13\d{9}匹配13后面跟9个数字(中国的手机号)</p>

<p> 
        ^\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)</p> 
    <h2 id="charclass"> 
        字符类</h2> 
    <p> 
        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的元字符，但是如果你想匹配没有预定义元字符的字符集比如元音字母(a,e,i,o,u),怎么办？</p>

<p> 
        很简单，你只需要在中括号里列出它们就行了，像[aeiou]就匹配任何一个元音字母，[.?!]匹配标点符号(.或?或!)(英文语句通常只以这三个标点结束)。注意，我们不需要写成[\.\?!]。</p> 
    <p> 
        我们也可以轻松地指定一个字符范围，像[0-9]代表的含意与\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（如果只考虑英文的话）。</p>

<p> 
        下面是一个更复杂的表达式：\(?0\d{2}[) -]?\d{8}。</p> 
    <p> 
        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。我们对它进行一些分析吧：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010)12345678或(022-87654321这样的"不正确"的格式。要解决这个问题，请在本教程的下面查找答案。</p>

<h2 id="negation"> 
        反义</h2> 
    <p> 
        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：</p> 
    <table cellspacing="0"> 
        <caption> 
            表3.常用的反义代码</caption>

<td> 
                    \W</td> 
                <td> 
                    匹配任意不是字母，数字，下划线，汉字的字符</td> 
            </tr> 
            <tr> 
                <td> 
                    \S</td>

<td> 
                    匹配任意不是空白符的字符</td> 
            </tr> 
            <tr> 
                <td> 
                    \D</td> 
                <td> 
                    匹配任意非数字的字符</td>

</tr> 
            <tr> 
                <td> 
                    \B</td> 
                <td> 
                    匹配不是单词开头或结束的位置</td> 
            </tr> 
            <tr>

<td> 
                    [^x]</td> 
                <td> 
                    匹配除了x以外的任意字符</td> 
            </tr> 
            <tr> 
                <td> 
                    [^aeiou]</td>

<td> 
                    匹配除了aeiou这几个字母以外的任意字符</td> 
            </tr> 
        </tbody> 
    </table> 
    <p> 
        例子：\S+匹配不包含空白符的字符串。</p>

<p> 
        <a[^>]+>匹配用尖括号括起来的以a开头的字符串。</p> 
    <h2 id="alternative"> 
        替换</h2> 
    <p> 
        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|把不同的规则分隔开。听不明白？没关系，看例子：</p>

<p> 
        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> 
    <p> 
        $0\d{2}$[- ]?\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。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> 
    <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：<strong>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> 
    <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> 
    <h2 id="grouping"> 
        分组</h2>

<p> 
        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）；但如果想要重复一个字符串又该怎么办？你可以用小括号来指定子表达式(也叫做分组)，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> 
    <p> 
        (\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3次，最后再加上一个一到三位的数字(\d{1,3})。</p>

<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)。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：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。</p> 
    <p> 
        理解这个表达式的关键是理解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> 
    <h2 id="backreference">

后向引用</h2> 
    <p> 
        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>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。</p> 
    <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。难以理解？请看示例：</p>

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

<p> 
        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：(?<Word>\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<Word>,所以上一个例子也可以写成这样：\b(?<Word>\w+)\b\s+\k<Word>\b。</p>

<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：</p> 
    <table cellspacing="0"> 
        <caption> 
            表4.分组语法</caption> 
        <tbody> 
            <tr> 
                <th colspan="2">

捕获</th> 
            </tr> 
            <tr> 
                <td> 
                    (exp)</td> 
                <td> 
                    匹配exp,并捕获文本到自动命名的组里</td>

</tr> 
            <tr> 
                <td> 
                    (?<name>exp)</td> 
                <td> 
                    匹配exp,并捕获文本到名称为name的组里，也可以写成(?'name'exp)</td> 
            </tr>

<tr> 
                <td> 
                    (?:exp)</td> 
                <td> 
                    匹配exp,不捕获匹配的文本</td> 
            </tr> 
            <tr> 
                <th colspan="2">

位置指定</th> 
            </tr> 
            <tr> 
                <td> 
                    (?=exp)</td> 
                <td> 
                    匹配exp前面的位置</td>

</tr> 
            <tr> 
                <td> 
                    (?<=exp)</td> 
                <td> 
                    匹配exp后面的位置</td> 
            </tr>

<tr> 
                <td> 
                    (?!exp)</td> 
                <td> 
                    匹配后面跟的不是exp的位置</td> 
            </tr> 
            <tr> 
                <td>

(?<!exp)</td> 
                <td> 
                    匹配前面不是exp的位置</td> 
            </tr> 
            <tr> 
                <th colspan="2"> 
                    注释</th>

</tr> 
            <tr> 
                <td> 
                    (?#comment)</td> 
                <td> 
                    这种类型的组不对正则表达式的处理产生任何影响，只是为了提供让人阅读注释</td> 
            </tr> 
        </tbody>

</table> 
    <p> 
        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。</p> 
    <h2 id="lookaround"> 
        位置指定</h2> 
    <p>

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，也就是说它们用于指定一个位置，就像\b,^,$那样，因此它们也被称为零宽断言。最好还是拿例子来说明吧：</p> 
    <p> 
        (?=exp)也叫零宽先行断言，它匹配文本中的某些位置，这些位置的后面能匹配给定的后缀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)，如果在查找I'm singing while you're dancing.时，它会匹配sing和danc。</p>

<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。请仔细分析这个表达式，它可能不像你第一眼看出来的那么简单。</p> 
    <p> 
        下面这个例子同时使用了前缀和后缀：(?<=\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>

<h2 id="negativelookaround"> 
        负向位置指定</h2> 
    <p> 
        前面我们提到过怎么查找<strong>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> 
    <p> 
        \b\w*q[^u]\w*\b匹配包含<strong>后面不是字母u的字母q</strong>的单词。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<strong>Iraq</strong>,<strong>Benq</strong>，这个表达式就会出错。这是因为[^u]总是匹配一个字符，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。负向位置指定能解决这样的问题，因为它只匹配一个位置，并不<strong>消费</strong>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>

<p> 
        零宽负向先行断言(?!exp)，只会匹配后缀exp不存在的位置。\d{3}(?!\d)匹配三位数字，而且这三位数字的后面不能是数字。</p> 
    <p> 
        同理，我们可以用(?<!exp),零宽负向后行断言来查找前缀exp不存在的位置：(?<![a-z])\d{7}匹配前面不是小写字母的七位数字(实验时发现错误？注意你的"区分大小写"先项是否选中)。</p>

<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。(<?(\w+)>)指定了这样的前缀：被尖括号括起来的单词(比如可能是<b>)，然后是.*(任意的字符串),最后是一个后缀(?=<\/\1>)。注意后缀里的\/，它用到了前面提过的字符转义；\1则是一个反向引用，引用的正是捕获的第一组，前面的(\w+)匹配的内容，这样如果前缀实际上是<b>的话，后缀就是</b>了。整个表达式匹配的是<b>和</b>之间的内容(再次提醒，不包括前缀和后缀本身)。</p>

<h2 id="commenting"> 
        注释</h2> 
    <p> 
        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> 
    <p> 
        要包含注释的话，最好是启用"忽略模式里的空白符"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>

<p> 
        例如，我们可以前面的一个表达式写成这样：</p> 
    <pre>      (?<=    # 查找前缀，但不包含它 
      <(\w+)> # 查找尖括号括起来的字母或数字(标签) 
      )       # 前缀结束 
      .*      # 匹配任意文本 
      (?=     # 查找后缀，但不包含它 
      <\/\1>  # 查找尖括号括起来的内容：前面是一个"/"，后面是先前捕获的标签 
      )       # 后缀结束 
    </pre>

<h2 id="greedyandlazy"> 
        贪婪与懒惰</h2> 
    <p> 
        当正则表达式中包含能接受重复的限定符(指定数量的代码，例如*,{5,12}等)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<strong>尽可能多</strong>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。这被称为贪婪匹配。</p>

<p> 
        有时，我们更需要懒惰匹配，也就是匹配<strong>尽可能少</strong>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?。这样.*?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> 
    <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aab和ab（为什么第一个匹配是aab而不是ab？简单地说，最先开始的区配最有最大的优先权——The 
        Match That Begins Earliest Wins）。</p> 
    <table cellspacing="0"> 
        <caption> 
            表5.懒惰限定符</caption>

<tbody> 
            <tr> 
                <td> 
                    *?</td> 
                <td> 
                    重复任意次，但尽可能少重复</td> 
            </tr> 
            <tr>

<td> 
                    +?</td> 
                <td> 
                    重复1次或更多次，但尽可能少重复</td> 
            </tr> 
            <tr> 
                <td> 
                    ??</td>

<td> 
                    重复0次或1次，但尽可能少重复</td> 
            </tr> 
            <tr> 
                <td> 
                    {n,m}?</td> 
                <td> 
                    重复n到m次，但尽可能少重复</td>

</tr> 
            <tr> 
                <td> 
                    {n,}?</td> 
                <td> 
                    重复n次以上，但尽可能少重复</td> 
            </tr> 
        </tbody>

</table> 
    <h2 id="regexoptions">处理选项</h2> 
    <p>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> 
    <table cellspacing="0"> 
        <caption>表6.常用的处理选项</caption> 
        <thead> 
            <tr>

<th>名称</th> 
                <th>说明</th> 
            </tr> 
        </thead> 
        <tbody> 
            <tr> 
                <td>IgnoreCase(忽略大小写)</td>

<td>匹配时不区分大小写。</td> 
            </tr> 
            <tr> 
                <td>Multiline(多行模式)</td> 
                <td>更改^和$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。 </td>

</tr> 
            <tr> 
                <td>Singleline(单行模式)</td> 
                <td>更改.的含义，使它与每一个字符匹配（包括换行符\n）。 </td> 
            </tr> 
            <tr> 
                <td>IgnorePatternWhitespace(忽略空白)</td>

<td>忽略表达式中的非转义空白并启用由#标记的注释。</td> 
            </tr> 
            <tr> 
                <td>RightToLeft(从右向左查找)</td> 
                <td>匹配从右向左而不是从左向右进行。</td> 
            </tr>

<tr> 
                <td>ExplicitCapture(显式捕获)</td> 
                <td>仅捕获已被显式命名的组。</td> 
            </tr> 
            <tr> 
                <td>ECMAScript(JavaScript兼容模式)</td> 
                <td>使表达式的行为与它在JavaScript里的行为一致。</td>

</tr> 
        </tbody> 
    </table> 
    <p>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> 
    <h2 id="balancedgroup"> 
        平衡组/递归匹配</h2> 
    <p class="warning"> 
        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。 
    </p> 
    <p> 
    有时我们需要匹配像( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构，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( 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？ 
    </p> 
    <p> 
        为了避免(和\(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 <bbb> <bbb> 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？ 
    </p> 
    <p> 
        这里需要用到以下的语法构造：</p> 
    <ul> 
        <li>(?'group') 把捕获的内容命名为group,并压入堆栈</li> 
        <li>(?'-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</li>

<li>(?(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</li> 
        <li>(?!) 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</li> 
    </ul> 
    <p> 
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> 
    <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。 
    </p> 
    <pre class="code"><                         #最外层的左括号 
    [^<>]*                #最外层的左括号后面的不是括号的内容 
    ( 
        ( 
            (?'Open'<)    #碰到了左括号，在黑板上写一个"Open" 
            [^<>>]*       #匹配左括号后面的不是括号的内容 
        )+ 
        ( 
            (?'-Open'>)   #碰到了右括号，擦掉一个"Open" 
            [^<>]*        #匹配右括号后面不是括号的内容 
        )+ 
    )* 
    (?(Open)(?!))         #在遇到最外层的右括号前面，判断黑板上还有没有没擦掉的"Open"；如果还有，则匹配失败 
>                         #最外层的右括号</pre> 
    <h2 id="more"> 
        还有些什么东西没提到</h2>

<p> 
        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> 
    <table cellspacing="0"> 
        <caption> 
            表7.尚未详细讨论的语法</caption> 
        <tbody> 
            <tr> 
                <td>

\a</td> 
                <td> 
                    报警字符(打印它的效果是电脑嘀一声)</td> 
            </tr> 
            <tr> 
                <td> 
                    \b</td>

<td> 
                    通常是单词分界位置，但如果在字符类里使用代表退格</td> 
            </tr> 
            <tr> 
                <td> 
                    \t</td> 
                <td> 
                    制表符，Tab</td>

</tr> 
            <tr> 
                <td> 
                    \r</td> 
                <td> 
                    回车</td> 
            </tr> 
            <tr>

<td> 
                    \v</td> 
                <td> 
                    竖向制表符</td> 
            </tr> 
            <tr> 
                <td> 
                    \f</td>

</tr> 
            <tr> 
                <td> 
                    \e</td> 
                <td> 
                    Escape</td> 
            </tr> 
            <tr>

<td> 
                    \0nn</td> 
                <td> 
                    ASCII代码中八进制代码为nn的字符</td> 
            </tr> 
            <tr> 
                <td> 
                    \xnn</td>

<td> 
                    ASCII代码中十六进制代码为nn的字符</td> 
            </tr> 
            <tr> 
                <td> 
                    \unnnn</td> 
                <td> 
                    Unicode代码中十六进制代码为nnnn的字符</td>

</tr> 
            <tr> 
                <td> 
                    \cN</td> 
                <td> 
                    ASCII控制字符。比如\cC代表Ctrl+C</td> 
            </tr> 
            <tr>

<td> 
                    \A</td> 
                <td> 
                    字符串开头(类似^，但不受处理多行选项的影响)</td> 
            </tr> 
            <tr> 
                <td> 
                    \Z</td>

<td> 
                    字符串结尾或行尾(不受处理多行选项的影响)</td> 
            </tr> 
            <tr> 
                <td> 
                    \z</td> 
                <td> 
                    字符串结尾(类似$，但不受处理多行选项的影响)</td>

</tr> 
            <tr> 
                <td> 
                    \G</td> 
                <td> 
                    当前搜索的开头</td> 
            </tr> 
            <tr>

<td> 
                    \p{name}</td> 
                <td> 
                    Unicode中命名为name的字符类，例如\p{IsGreek}</td> 
            </tr> 
            <tr> 
                <td> 
                    (?>exp)</td>

<td> 
                    贪婪子表达式</td> 
            </tr> 
            <tr> 
                <td> 
                    (?<x>-<y>exp)</td>

<td> 
                    平衡组</td> 
            </tr> 
            <tr> 
                <td> 
                    (?im-nsx:exp)</td> 
                <td> 
                    在子表达式exp中改变处理选项</td>

</tr> 
            <tr> 
                <td> 
                    (?im-nsx)</td> 
                <td> 
                    为表达式后面的部分改变处理选项</td> 
            </tr> 
            <tr>

<td> 
                    (?(exp)yes|no)</td> 
                <td> 
                    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</td> 
            </tr> 
            <tr> 
                <td> 
                    (?(exp)yes)</td>

<td> 
                    同上，只是使用空表达式作为no</td> 
            </tr> 
            <tr> 
                <td> 
                    (?(name)yes|no)</td> 
                <td> 
                    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</td>

</tr> 
            <tr> 
                <td> 
                    (?(name)yes)</td> 
                <td> 
                    同上，只是使用空表达式作为no</td> 
            </tr> 
        </tbody>

</table> 
    <h2 id="reference"> 
        一些我认为你可能已经知道的术语的参考</h2> 
    <dl> 
        <dt>字符</dt><dd>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。</dd> 
        <dt>字符串</dt><dd>0个或更多个字符的序列。</dd>

<dt>文本</dt><dd>文字，字符串。</dd> 
        <dt>匹配</dt><dd>符合规则，检验是否符合规则，符合规则的部分。</dd> 
    </dl> 
    <h2 id="resources"> 
        网上的资源及本文参考文献</h2> 
    <ul>

<li><a href="http://msdn.microsoft.com/library/chs/default.asp?url=/library/CHS/jscript7/html/jsreconintroductiontoregularexpressions.asp"> 
            微软的正则表达式教程</a></li> 
    <li><a href="http://msdn2.microsoft.com/zh-cn/library/system.text.regularexpressions.regex.aspx">Regex Class reference on MSDN</a></li> 
        <li><a href="http://www.regular-expressions.info/">专业的正则表达式教学网站(英文)</a></li> 
        <li><a href="http://weblogs.asp.net/whaggard/archive/2005/02/20/377025.aspx">关于.Net下的平衡组的详细讨论（英文）</a></li> 
        <li><a href="http://www.oreilly.com/catalog/regex2/">Mastering Regular Expressions (Second Edition)</a></li>

</ul> 
    <h2 id="updatelog">更新说明</h2> 
    <ol> 
        <li>2006-3-27 第一版</li> 
        <li>2006-10-12 第二版 
            <ul> 
                <li>修正了几个细节上的错误和不准确的地方</li> 
                <li>增加了对处理中文时的一些说明</li>

<li>更改了几个术语的翻译（采用了MSDN的翻译方式）</li> 
                <li>增加了平衡组的介绍</li> 
                <li>放弃了对The Regulator的介绍，改用Regex Tester</li> 
            </ul> 
        </li> 
        <li>2007-3-12 V2.1 
            <ul> 
                <li>修正了几个小的错误</li>

<li>增加了对处理选项(RegexOptions)的介绍</li> 
            </ul> 
        </li> 
    </ol> 
    <p>Updated on: 2007-3-12</p> 
    <p>讨论，指教，请到<a href="http://www.unibetter.com/blogs/blogdeerchao/archive/2006/03/27/zhengzhe-jiaocheng.aspx">deerchao的博客</a>。</p>

</body></html>

[Ctrl+A 全选注:如需引入外部Js需刷新才能执行]

pb_tjc · 发表于 2022-9-12 15:48:11

还有人在不。。。。。。。。。。啊

5cf304mn2 · 发表于 2023-1-6 12:56:23

。。。。。。。。。。。。。。。

醉梦娱乐网 · 发表于 2023-1-9 02:35:31

感谢楼主分享

5ble0ks · 发表于 2023-9-3 04:51:08

好人好人好人好人

5vulod · 发表于 2023-9-14 04:51:59

啊，数码撒飒飒飒飒

溪谷玉贤 · 发表于 2023-10-4 10:39:31

看看怎么样再说

hd1tvqb3 · 发表于 2023-11-10 00:27:19

女生看了弄丢了卡萨诺的卡洛斯

fiyeid · 发表于 2024-3-20 21:41:05

刷屏刷屏刷屏

123456 · 发表于 2024-4-2 00:24:59

很不错的样子

账号		自动登录	找回密码
密码			立即注册

[正则表达式] 正则表达式30分钟入门教程 v2.1版

相关帖子