正則表達式30分鐘入門(mén)教程
正則表達式30分鐘入門(mén)教程
本文目標
30分鐘內讓你明白正則表達式是什么，并對它有一些基本的了解，讓你可以在自己的程序或網(wǎng)頁(yè)里使用它。
正則表達式30分鐘入門(mén)教程本文目標如何使用本教程正則表達式到底是什么東西？入門(mén)測試正則表達式 元字符字符轉義重復字符類(lèi)分枝條件分組反義后向引用零寬斷言負向零寬斷言注釋貪婪與懶惰處理選項平衡組/遞歸匹配還有些什么東西沒(méi)提到聯(lián)系作者網(wǎng)上的資源及本文參考文獻
如何使用本教程
別被下面那些復雜的表達式嚇倒，只要跟著(zhù)我一步一步來(lái)，你會(huì )發(fā)現正則表達式其實(shí)并沒(méi)有你想像中的那么困難。當然，如果你看完了這篇教程之后，發(fā)現自己明白了很多，卻又幾乎什么都記不得，那也是很正常的——我認為，沒(méi)接觸過(guò)正則表達式的人在看完這篇教程后，能把提到過(guò)的語(yǔ)法記住80%以上的可能性為零。這里只是讓你明白基本的原理，以后你還需要多練習，多使用，才能熟練掌握正則表達式。
最重要的是——請給我30分鐘，如果你沒(méi)有使用正則表達式的經(jīng)驗，請不要試圖在30秒內入門(mén)——除非你是超人 :)
除了作為入門(mén)教程之外，本文還試圖成為可以在日常工作中使用的正則表達式語(yǔ)法參考手冊。就作者本人的經(jīng)歷來(lái)說(shuō)，這個(gè)目標還是完成得不錯的——你看，我自己也沒(méi)能把所有的東西記下來(lái)，不是嗎？
清除格式 文本格式約定：專(zhuān)業(yè)術(shù)語(yǔ) 元字符/語(yǔ)法格式 正則表達式 正則表達式中的一部分(用于分析) 對其進(jìn)行匹配的源字符串 對正則表達式或其中一部分的說(shuō)明。
隱藏邊注 本文右邊有一些注釋?zhuān)饕怯脕?lái)提供一些相關(guān)信息，或者給沒(méi)有程序員背景的讀者解釋一些基本概念，通?？梢院雎?。
正則表達式到底是什么東西？
在編寫(xiě)處理字符串的程序或網(wǎng)頁(yè)時(shí)，經(jīng)常會(huì )有查找符合某些復雜規則的字符串的需要。正則表達式就是用于描述這些規則的工具。換句話(huà)說(shuō)，正則表達式就是記錄文本規則的代碼。
很可能你使用過(guò)Windows/Dos下用于文件查找的通配符(wildcard)，也就是 * 和 ? 。如果你想查找某個(gè)目錄下的所有的Word文檔的話(huà)，你會(huì )搜索 *.doc 。在這里，* 會(huì )被解釋成任意的字符串。和通配符類(lèi)似，正則表達式也是用來(lái)進(jìn)行文本匹配的工具，只不過(guò)比起通配符，它能更精確地描述你的需求——當然，代價(jià)就是更復雜——比如你可以編寫(xiě)一個(gè)正則表達式，用來(lái)查找所有以0開(kāi)頭，后面跟著(zhù)2-3個(gè)數字，然后是一個(gè)連字號“-”，最后是7或8位數字的字符串(像010-12345678或0376-7654321)。
字符是計算機軟件處理文字時(shí)最基本的單位，可能是字母，數字，標點(diǎn)符號，空格，換行符，漢字等等。字符串是0個(gè)或更多個(gè)字符的序列。文本也就是文字，字符串。說(shuō)某個(gè)字符串匹配某個(gè)正則表達式，通常是指這個(gè)字符串里有一部分（或幾部分分別）能滿(mǎn)足表達式給出的條件。
入門(mén)
學(xué)習正則表達式的最好方法是從例子開(kāi)始，理解例子之后再自己對例子進(jìn)行修改，實(shí)驗。下面給出了不少簡(jiǎn)單的例子，并對它們作了詳細的說(shuō)明。
假設你在一篇英文小說(shuō)里查找hi，你可以使用正則表達式 hi。
這幾乎是最簡(jiǎn)單的正則表達式了，它可以精確匹配這樣的字符串：由兩個(gè)字符組成，前一個(gè)字符是h,后一個(gè)是i。通常，處理正則表達式的工具會(huì )提供一個(gè)忽略大小寫(xiě)的選項，如果選中了這個(gè)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，很多單詞里包含hi這兩個(gè)連續的字符，比如him,history,high等等。用 hi 來(lái)查找的話(huà)，這里邊的hi也會(huì )被找出來(lái)。如果要精確地查找hi這個(gè)單詞的話(huà)，我們應該使用 \bhi\b。
\b是正則表達式規定的一個(gè)特殊代碼（好吧，某些人叫它元字符，metacharacter），代表著(zhù)單詞的開(kāi)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(diǎn)符號或者換行來(lái)分隔的，但是 \b 并不匹配這些單詞分隔字符中的任何一個(gè)，它只匹配一個(gè)位置。
假如你要找的是hi后面不遠處跟著(zhù)一個(gè)Lucy，你應該用 \bhi\b.*\bLucy\b。
如果需要更精確的說(shuō)法, \b 匹配這樣的位置：它的前一個(gè)字符和后一個(gè)字符不全是(一個(gè)是,一個(gè)不是或不存在) \w。
這里，.是另一個(gè)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(guò)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復使用任意次以使整個(gè)表達式得到匹配。因此，.*連在一起就意味著(zhù)任意數量的不包含換行的字符?，F在 \bhi\b.*\bLucy\b 的意思就很明顯了：先是一個(gè)單詞hi,然后是任意個(gè)任意字符(但不能是換行)，最后是Lucy這個(gè)單詞。
如果同時(shí)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(gè)例子：
0\d\d-\d\d\d\d\d\d\d\d匹配這樣的字符串：以0開(kāi)頭，然后是兩個(gè)數字，然后是一個(gè)連字號“-”，最后是8個(gè)數字(也就是中國的電話(huà)號碼。當然，這個(gè)例子只能匹配區號為3位的情形)。
換行符就是'\n',ASCII編碼為10(十六進(jìn)制
0x0A)的字符。
這里的\d是個(gè)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(xiàn)，或者隨你怎么稱(chēng)呼它)。
為了避免那么多煩人的重復，我們也可以這樣寫(xiě)這個(gè)表達式：0\d{2}-\d{8}。 這里\d后面的{ 2 }({ 8 })的意思是前面 \d 必須連續重復匹配2次(8次)。
測試正則表達式
如果你不覺(jué)得正則表達式很難讀寫(xiě)的話(huà)，要么你是一個(gè)天才，要么，你不是地球人。正則表達式的語(yǔ)法很令人頭疼，即使對經(jīng)常使用它的人來(lái)說(shuō)也是如此。由于難于讀寫(xiě)，容易出錯，所以找一種工具對正則表達式進(jìn)行測試是很有必要的。
其它可用的測試工具:
不同的環(huán)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 4.0 下正則表達式的行為，所以，我向你推薦我編寫(xiě)的.Net下的工具 正則表達式測試器。請參考該頁(yè)面的說(shuō)明來(lái)安裝和運行該軟件。
下面是Regex Tester運行時(shí)的截圖：
元字符
現在你已經(jīng)知道幾個(gè)很有用的元字符了，如 \b, . , *, 還有\d.正則表達式里還有更多的元字符，比如\s匹配任意的空白符，包括空格，制表符(Tab)，換行符，中文全角空格等。\w 匹配字母或數字或下劃線(xiàn)或漢字等。
下面來(lái)看看更多的例子：
\ba\w*\b 匹配以字母 a 開(kāi)頭的單詞——先是某個(gè)單詞開(kāi)始處( \b )，然后是字母 a ,然后是任意數量的字母或數字( \w* )，最后是單詞結束處( \b )。
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(huán)境下的具體情況請查看相關(guān)文檔。
好吧，現在我們說(shuō)說(shuō)正則表達式里的單詞是什么意思吧：就是不少于一個(gè)的連續的\w。不錯，這與學(xué)習英文時(shí)要背的成千上萬(wàn)個(gè)同名的東西的確關(guān)系不大 :)
\d+ 匹配1個(gè)或更多連續的數字。這里的 + 是和 *類(lèi)似的元字符，不同的是 * 匹配重復任意次(可能是0次)，而 + 則匹配重復1次或更多次。
\b\w{6}\b 匹配剛好6個(gè)字符的單詞。
| 代碼 | 說(shuō)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(xiàn)或漢字 |
| \s | 匹配任意的空白符 |
| \d | 匹配數字 |
| \b | 匹配單詞的開(kāi)始或結束 |
| ^ | 匹配字符串的開(kāi)始 |
| $ | 匹配字符串的結束 |
元字符 ^（和數字6在同一個(gè)鍵位上的符號）和 $ 都匹配一個(gè)位置，這和 \b 有點(diǎn)類(lèi)似。 ^ 匹配你要用來(lái)查找的字符串的開(kāi)頭， $ 匹配結尾。這兩個(gè)代碼在驗證輸入的內容時(shí)非常有用，比如一個(gè)網(wǎng)站如果要求你填寫(xiě)的QQ號必須為5位到12位數字時(shí)，可以使用： ^\d{5,12}$。
這里的{ 5,12} 和前面介紹過(guò)的{ 2 }是類(lèi)似的，只不過(guò){ 2 }匹配只能不多不少重復2次，{ 5,12} 則是重復的次數不能少于5次，不能多于12次，否則都不匹配。
正則表達式引擎通常會(huì )提供一個(gè)“測試指定的字符串是否匹配一個(gè)正則表達式”的方法，如JavaScript里的
RegExp.test()方法或.NET里的Regex.IsMatch()方法。這里的匹配是指是字符串里有沒(méi)有符合表達式規則的部分。如果不使用 ^ 和 $ 的話(huà)，對于 \d{5,12} 而言，使用這樣的方法就只能保證字符串里包含5到12連續位數字，而不是整個(gè)字符串就是5到12位數字。
因為使用了 ^ 和 $，所以輸入的整個(gè)字符串都要用來(lái)和 \d{5,12} 來(lái)匹配，也就是說(shuō)整個(gè)輸入必須是5到12個(gè)數字，因此如果輸入的QQ號能匹配這個(gè)正則表達式的話(huà)，那就符合要求了。
和忽略大小寫(xiě)的選項類(lèi)似，有些正則表達式處理工具還有一個(gè)處理多行的選項。如果選中了這個(gè)選項， ^ 和 $的意義就變成了匹配行的開(kāi)始處和結束處。
字符轉義
如果你想查找元字符本身的話(huà)，比如你查找.,或者*,就出現了問(wèn)題：你沒(méi)辦法指定它們，因為它們會(huì )被解釋成別的意思。這時(shí)你就得使用\來(lái)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。
重復
你已經(jīng)看過(guò)了前面的 *, + ,{2} , {2,5} 這幾個(gè)匹配重復的方式了。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(yǔ)法 | 說(shuō)明 |
|---|---|
| * | 重復零次或更多次 |
| + | 重復一次或更多次 |
| ? | 重復零次或一次 |
| {n} | 重復n次 |
| {n,} | 重復n次或更多次 |
| {m,m} | 重復n到m次 |
下面是一些使用重復的例子：
Windows\d+匹配Windows后面跟1個(gè)或更多數字
^\w+匹配一行的第一個(gè)單詞(或整個(gè)字符串的第一個(gè)單詞，具體匹配哪個(gè)意思得看選項設置)
字符類(lèi)
要想查找數字，字母或數字，空白是很簡(jiǎn)單的，因為已經(jīng)有了對應這些字符**的元字符，但是如果你想匹配沒(méi)有預定義元字符的字符**(比如元音字母a,e,i,o,u),應該怎么辦？
很簡(jiǎn)單，你只需要在方括號里列出它們就行了，像 [aeiou]就匹配任何一個(gè)英文元音字母， [.?!] 匹配標點(diǎn)符號(.或?或!)。
我們也可以輕松地指定一個(gè)字符范圍，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_] 也完全等同于 \w （如果只考慮英文的話(huà)）。
下面是一個(gè)更復雜的表達式： \(?0\d{2}[) -]?\d{8} 。
這個(gè)表達式可以匹配幾種格式的電話(huà)號碼，像(010)88886666，或022-22334455，或02912345678等。我們對它進(jìn)行一些分析吧：首先是一個(gè)轉義字符 \ (,它能出現0次或1次( ? ),然后是一個(gè) 0 ，后面跟著(zhù)2個(gè)數字( \d{2} )，然后是)或-或 空格 中的一個(gè)，它出現1次或不出現( ? )，最后是8個(gè)數字( \d{8} )。
分枝條件
不幸的是，剛才那個(gè)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(gè)問(wèn)題，我們需要用到分枝條件。正則表達式里的分枝條件指的是有幾種規則，如果滿(mǎn)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(kāi)。聽(tīng)不明白？沒(méi)關(guān)系，看例子：
0\d{2}-\d{8}|0\d{3}-\d{7} 這個(gè)表達式能 匹配兩種以連字號分隔的電話(huà)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(gè)表達式 匹配3位區號的電話(huà)號碼，其中區號可以用小括號括起來(lái)，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(méi)有間隔。你可以試試用分枝條件把這個(gè)表達式擴展成也支持4位區號的。
\d{5}-\d{4}|\d{5} 這個(gè)表達式用于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(gè)例子是因為它能說(shuō)明一個(gè)問(wèn)題：使用分枝條件時(shí)，要注意各個(gè)條件的順序。如果你把它改成 \d{5}|\d{5}-\d{4} 的話(huà)，那么就只會(huì )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(shí)，將會(huì )從左到右地測試每個(gè)條件，如果滿(mǎn)足了某個(gè)分枝的話(huà)，就不會(huì )去再管其它的條件了。
分組
我們已經(jīng)提到了怎么重復單個(gè)字符（直接在字符后面加上限定符就行了）；但如果想要重復多個(gè)字符又該怎么辦？你可以用小括號來(lái)指定子表達式(也叫做分組)，然后你就可以指定這個(gè)子表達式的重復次數了，你也可以對子表達式進(jìn)行其它一些操作(后面會(huì )有介紹)。
(\d{1,3}.){3}\d{1,3} 是一個(gè)簡(jiǎn)單的IP地址匹配表達式。要理解這個(gè)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(gè)英文句號(這個(gè)整體也就是這個(gè)分組)重復3次，最后再加上一個(gè)一到三位的數字( \d{1,3} )。
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(shù)比較的話(huà)，或許能簡(jiǎn)單地解決這個(gè)問(wèn)題，但是正則表達式中并不提供關(guān)于數學(xué)的任何功能，所以只能使用冗長(cháng)的分組，選擇，字符類(lèi)來(lái)描述一個(gè)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?) 。
IP 地址中每個(gè)數字都不能大于255，大家千萬(wàn)不要被《24》第三季的編劇給忽悠了……
理解這個(gè)表達式的關(guān)鍵是理解 2[0-4]\d|25[0-5]|[01]?\d\d? ，這里我就不細說(shuō)了，你自己應該能分析得出來(lái)它的意義。
反義
有時(shí)需要查找不屬于某個(gè)能簡(jiǎn)單定義的字符類(lèi)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(shí)需要用到反義：
| 代碼/語(yǔ)法 | 說(shuō)明 |
|---|---|
| \W | 匹配任意不是字母，數字，下劃線(xiàn)，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(kāi)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(gè)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(lái)的以a開(kāi)頭的字符串。
后向引用
使用小括號指定一個(gè)子表達式后，匹配這個(gè)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(jìn)一步的處理。默認情況下，每個(gè)分組會(huì )自動(dòng)擁有一個(gè)組號，規則是：從左向右，以分組的左括號為標志，第一個(gè)出現的分組的組號為1，第二個(gè)為2，以此類(lèi)推。
后向引用用于重復搜索前面某個(gè)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(lái)匹配重復的單詞，像go go, 或者kitty kitty。這個(gè)表達式首先是一個(gè)單詞，也就是單詞開(kāi)始處和結束處之間的多于一個(gè)的字母或數字 (\b(\w+)\b) ，這個(gè)單詞會(huì )被捕獲到編號為1的分組中，然后是1個(gè)或幾個(gè)空白符( \s+ )，最后是分組1中捕獲的內容（也就是前面匹配的那個(gè)單詞）( \1 )。
呃……其實(shí),組號分配還不像我剛說(shuō)得那么簡(jiǎn)單：
- 分組0對應整個(gè)正則表達式
- 實(shí)際上組號分配過(guò)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于未命名的組號
- 你可以使用(?:exp)這樣的語(yǔ)法來(lái)剝奪一個(gè)分組對組號分配的參與權．
你也可以自己指定子表達式的組名。要指定一個(gè)子表達式的組名，請使用這樣的語(yǔ)法：( ?<Word>\w+ )(或者把尖括號換成'也行：( ?'Word'\w+ ),這樣就把 \w+ 的組名指定為 Word 了。要反向引用這個(gè)分組捕獲的內容，你可以使用 \k<Word> ,所以上一個(gè)例子也可以寫(xiě)成這樣：\b(?<Word>\w+)\b\s+\k<Word>\b 。
使用小括號的時(shí)候，還有很多特定用途的語(yǔ)法。下面列出了最常用的一些：
xxxxxxxxxx分類(lèi) 代碼/語(yǔ)法 說(shuō)明-----------------------------------------------------------------------------------------(exp) 匹配exp,并捕獲文本到自動(dòng)命名的組里捕獲 (?<name>exp) 匹配exp,并捕獲文本到名稱(chēng)為name的組里，也可以寫(xiě)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-----------------------------------------------------------------------------------------(?=exp) 匹配exp前面的位置零寬斷言 (?<=exp) 匹配exp后面的位置(?!exp) 匹配后面跟的不是exp的位置(?<!exp) 匹配前面不是exp的位置-----------------------------------------------------------------------------------------注釋 (?#comment) 這種類(lèi)型的分組不對正則表達式的處理產(chǎn)生任何影響，用于提供注釋
我們已經(jīng)討論了前兩種語(yǔ)法。第三個(gè)( ?:exp )不會(huì )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(huì )像前兩種那樣被捕獲到某個(gè)組里面，也不會(huì )擁有組號?！拔覟槭裁磿?huì )想要這樣做？”——好問(wèn)題，你覺(jué)得為什么呢？
零寬斷言
接下來(lái)的四個(gè)用于查找在某些內容(但并不包括這些內容)之前或之后的東西，也就是說(shuō)它們像 \b , ^ , $ 那樣用于指定一個(gè)位置，這個(gè)位置應該滿(mǎn)足一定的條件(即斷言)，因此它們也被稱(chēng)為零寬斷言。最好還是拿例子來(lái)說(shuō)明吧：
(?=exp) 也叫零寬度正預測先行斷言，它斷言自身出現的位置的后面能匹配表達式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(shí)，它會(huì )匹配sing和danc。
(?<=exp) 也叫零寬度正回顧后發(fā)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(huì )匹配以re開(kāi)頭的單詞的后半部分(除了re以外的部分)，例如在查找reading
a book時(shí)，它匹配ading。
地球人，是不是覺(jué)得這些術(shù)語(yǔ)名稱(chēng)太復雜，太難記了？我也有同感。知道有這么一種東西就行了，它叫什么，隨它去吧！人若無(wú)名，便可專(zhuān)心練劍；物若無(wú)名，便可隨意取舍……
斷言用來(lái)聲明一個(gè)應該為真的事實(shí)。正則表達式中只有當斷言為真時(shí)才會(huì )繼續進(jìn)行匹配。
假如你想要給一個(gè)很長(cháng)的數字中每三位間加一個(gè)逗號(當然是從右邊加起了)，你可以這樣查找需要在前面和里面添加逗號的部分： ((?<=\d)\d{3})+\b ，用它對1234567890進(jìn)行查找時(shí)結果是234567890。
下面這個(gè)例子同時(shí)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(guò)怎么查找不是某個(gè)字符或不在某個(gè)字符類(lèi)里的字符的方法(反義)。但是如果我們只是想要確保某個(gè)字符沒(méi)有出現，但并不想去匹配它時(shí)怎么辦？例如，如果我們想查找這樣的單詞--它里面出現了字母q,但是q后面跟的不是字母u,我們可以嘗試這樣：
\b\w*q[^u]\w*\b 匹配包含后面不是字母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(guān)察出來(lái)了)，你會(huì )發(fā)現，如果q出現在單詞的結尾的話(huà)，像Iraq,Benq，這個(gè)表達式就會(huì )出錯。這是因為[^u]總要匹配一個(gè)字符，所以如果q是單詞的最后一個(gè)字符的話(huà)，后面的[^u] 將會(huì )匹配q后面的單詞分隔符(可能是空格，或者是句號或其它的什么)，后面的 \w*\b 將會(huì )匹配下一個(gè)單詞，于是 \b\w*q[^u]\w*\b 就能匹配整個(gè)Iraq fighting。負向零寬斷言能解決這樣的問(wèn)題，因為它只匹配一個(gè)位置，并不消費任何字符?，F在，我們可以這樣來(lái)解決這個(gè)問(wèn)題： \b\w*q(?!u)\w*\b 。
零寬度負預測先行斷言 (?!exp) ，斷言此位置的后面不能匹配表達式exp。例如：\d{3}(?!\d) 匹配三位數字，而且這三位數字的后面不能是數字； \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),零寬度負回顧后發(fā)斷言來(lái)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(xiě)字母的七位數字。
一個(gè)更復雜的例子： (?<=<(\w+)>).*(?=<\/\1>) 匹配不包含屬性的簡(jiǎn)單HTML標簽內里的內容。(?<=<(\w+)>) 指定了這樣的前綴：被尖括號括起來(lái)的單詞(比如可能是<b>)，然后是 .* (任意的字符串),最后是一個(gè)后綴 (?=<\/\1>) 。注意后綴里的\/ ，它用到了前面提過(guò)的字符轉義；\1 則是一個(gè)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(shí)際上是<b>的話(huà)，后綴就是</b>了。整個(gè)表達式匹配的是<b>和</b>之間的內容(再次提醒，不包括前綴和后綴本身)。
請詳細分析表達式 (?<=<(\w+)>).*(?=<\/\1>) ，這個(gè)表達式最能表現零寬斷言的真正用途。
注釋
小括號的另一種用途是通過(guò)語(yǔ)法 (?#comment) 來(lái)包含注釋。例如： 2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199) 。
要包含注釋的話(huà)，最好是啟用“忽略模式里的空白符”選項，這樣在編寫(xiě)表達式時(shí)能任意的添加空格，Tab，換行，而實(shí)際使用時(shí)這些都將被忽略。啟用這個(gè)選項后，在#后面到這一行結束的所有文本都將被當成注釋忽略掉。例如，我們可以前面的一個(gè)表達式寫(xiě)成這樣：
| (?<= | # 斷言要匹配的文本的前綴 |
| <(\w+)> | # 查找尖括號括起來(lái)的字母或數字(即HTML/XML標簽) |
| ) | # 前綴結束 |
| .* | # 匹配任意文本 |
| (?= | # 斷言要匹配的文本的后綴 |
| <\/\1> | # 查找尖括號括起來(lái)的內容：前面是一個(gè)"/"，后面是先前捕獲的標簽 |
| ) | # 后綴結束 |
貪婪與懶惰
當正則表達式中包含能接受重復的限定符時(shí)，通常的行為是（在使整個(gè)表達式能得到匹配的前提下）匹配盡可能多的字符。以這個(gè)表達式為例：a.*b ，它將會(huì )匹配最長(cháng)的以a開(kāi)始，以b結束的字符串。如果用它來(lái)搜索aabab的話(huà)，它會(huì )匹配整個(gè)字符串aabab。這被稱(chēng)為貪婪匹配。
有時(shí)，我們更需要懶惰匹配，也就是匹配盡可能少的字符。前面給出的限定符都可以被轉化為懶惰匹配模式，只要在它后面加上一個(gè)問(wèn)號 ? 。這樣 .*? 就意味著(zhù)匹配任意數量的重復，但是在能使整個(gè)匹配成功的前提下使用最少的重復?，F在看看懶惰版的例子吧：
a.*?b 匹配最短的，以a開(kāi)始，以b結束的字符串。如果把它應用于aabab的話(huà)，它會(huì )匹配aab（第一到第三個(gè)字符）和 ab（第四到第五個(gè)字符）。
| 代碼/語(yǔ)法 | 說(shuō)明 |
|---|---|
| *? | 重復任意次，但盡可能少重復 |
| +? | 重復1次或更多次，但盡可能少重復 |
| ?? | 重復0次或1次，但盡可能少重復 |
| {n,m}? | 重復n到m次，但盡可能少重復 |
| {n,}? | 重復n次以上，但盡可能少重復 |
為什么第一個(gè)匹配是aab（第一到第三個(gè)字符）而不是ab（第二到第三個(gè)字符）？簡(jiǎn)單地說(shuō)，因為正則表達式有另一條規則，比懶惰／貪婪規則的優(yōu)先級更高：最先開(kāi)始的匹配擁有最高的優(yōu)先權——The match that begins earliest wins。
處理選項
上面介紹了幾個(gè)選項如忽略大小寫(xiě)，處理多行等，這些選項能用來(lái)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(chēng) | 說(shuō)明 |
|---|---|
IgnoreCase(忽略大小寫(xiě)) |
匹配時(shí)不區分大小寫(xiě) |
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(gè)字符串的開(kāi)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(gè)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并啟用由 # 標記的注釋 |
ExplicitCapture(顯式捕獲) |
僅捕獲已被顯式命名的組 |
一個(gè)經(jīng)常被問(wèn)到的問(wèn)題是：是不是只能同時(shí)使用多行模式和單行模式中的一種？答案是：不是。這兩個(gè)選項之間沒(méi)有任何關(guān)系，除了它們的名字比較相似（以至于讓人感到疑惑）以外。
在C#中，你可以使用Regex(String, RegexOptions)構造函數來(lái)設置正則表達式的處理選項。如：Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);
平衡組/遞歸匹配
有時(shí)我們需要匹配像( 100 * ( 50 + 15 ) )這樣的可嵌套的層次性結構，這時(shí)簡(jiǎn)單地使用 \(.+\) 則只會(huì )匹配到最左邊的左括號和最右邊的右括號之間的內容(這里我們討論的是貪婪模式，懶惰模式也有下面的問(wèn)題)。假如原來(lái)的字符串里的左括號和右括號出現的次數不相等，比如( 5 / ( 3 + 2 ) ) )，那我們的匹配結果里兩者的個(gè)數也不會(huì )相等。有沒(méi)有辦法在這樣的字符串里匹配到最長(cháng)的，配對的括號之間的內容呢？
這里介紹的平衡組語(yǔ)法是由.Net Framework支持的；其它語(yǔ)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(yǔ)法。
為了避免 ( 和 \( 把你的大腦徹底搞糊涂，我們還是用尖括號代替圓括號吧?，F在我們的問(wèn)題變成了如何把xx aa> yy這樣的字符串里，最長(cháng)的配對的尖括號內的內容捕獲出來(lái)？
這里需要用到以下的語(yǔ)法構造：
(?'group') 把捕獲的內容命名為group,并壓入堆棧(Stack)
(?'-group') 從堆棧上彈出最后壓入堆棧的名為group的捕獲內容，如果堆棧本來(lái)為空，則本分組的匹配失敗
(?(group)yes|no) 如果堆棧上存在以名為group的捕獲內容的話(huà)，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，由于沒(méi)有后綴表達式，試圖匹配總是失敗
我們需要做的是每碰到了左括號，就在壓入一個(gè)"Open",每碰到一個(gè)右括號，就彈出一個(gè)，到了最后就看看堆棧是否為空－－如果不為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(huì )進(jìn)行回溯(放棄最前面或最后面的一些字符)，盡量使整個(gè)表達式得到匹配。
如果你不是一個(gè)程序員（或者你自稱(chēng)程序員但是不知道堆棧是什么東西），你就這樣理解上面的三種語(yǔ)法吧：第一個(gè)就是在黑板上寫(xiě)一個(gè)"group"，第二個(gè)就是從黑板上擦掉一個(gè)"group"，第三個(gè)就是看黑板上寫(xiě)的還有沒(méi)有"group"，如果有就繼續匹配yes部分，否則就匹配no部分。
xxxxxxxxxx< #最外層的左括號[^<>]* #最外層的左括號后面的不是括號的內容 ( ( (?'Open'<) #碰到了左括號，在黑板上寫(xiě)一個(gè)"Open" [^<>]* #匹配左括號后面的不是括號的內容 )+ ( (?'-Open'>) #碰到了右括號，擦掉一個(gè)"Open" [^<>]* #匹配右括號后面不是括號的內容 )+ )* (?(Open)(?!)) #在遇到最外層的右括號前面，判斷黑板上還有沒(méi)有沒(méi)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(gè)最常見(jiàn)的應用就是匹配HTML,下面這個(gè)例子可以匹配嵌套的<div>標簽： <div[^>]*>[^<>]*(((?'Open']*>)[^<>]*)+((?'-Open')[^<>]*)+)*(?(Open)(?!))</div>
還有些什么東西沒(méi)提到
上邊已經(jīng)描述了構造正則表達式的大量元素，但是還有很多沒(méi)有提到的東西。下面是一些未提到的元素的列表，包含語(yǔ)法和簡(jiǎn)單的說(shuō)明。你可以在網(wǎng)上找到更詳細的參考資料來(lái)學(xué)習它們--當你需要用到它們的時(shí)候。如果你安裝了MSDN Library,你也可以在里面找到.net下正則表達式詳細的文檔。
| 代碼/語(yǔ)法 | 說(shuō)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(lèi)里使用代表退格 |
| \t | 制表符，Tab |
| \r | 回車(chē) |
| \v | 豎向制表符 |
| \f | 換頁(yè)符 |
| \n | 換行符 |
| \e | Escape |
| \0nn | ASCII代碼中八進(jìn)制代碼為nn的字符 |
| \xnn | ASCII代碼中十六進(jìn)制代碼為nn的字符 |
| \unnnn | Unicode代碼中十六進(jìn)制代碼為nnnn的字符 |
| \cN | ASCII控制字符。比如\cC代表Ctrl+C |
| \A | 字符串開(kāi)頭(類(lèi)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(lèi)似$，但不受處理多行選項的影響) |
| \G | 當前搜索的開(kāi)頭 |
| \p{name} | Unicode中命名為name的字符類(lèi)，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) | 為表達式后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(gè)位置能匹配，使用yes作為此組的表達式；否則使用no |
| (?(exp)yes) | 同上，只是使用空表達式作為no |
| (?(name)yes|no) | 如果命名為name的組捕獲到了內容，使用yes作為表達式；否則使用no |
| (?(name)yes) | 同上，只是使用空表達式作為no |
聯(lián)系作者
好吧,我承認,我騙了你,讀到這里你肯定花了不止30分鐘.相信我,這是我的錯,而不是因為你太笨.我之所以說(shuō)"30分鐘",是為了讓你有信心,有耐心繼續下去.既然你看到了這里,那證明我的陰謀成功了.被忽悠的感覺(jué)很爽吧？
要投訴我,或者覺(jué)得我其實(shí)可以忽悠得更高明,或者有任何其它問(wèn)題,歡迎來(lái)我的博客讓我知道.
網(wǎng)上的資源及本文參考文獻
您最近使用了：