正则表达式简明参考

2014-09-11

前言

我想在网上最出名的正则相关的一篇文章就是《正则表达式30分钟入门教程》了，说实话这篇文章确实是我的正则入门，但是随着使用熟练，冗长的文章已经不能满足我了，在此做个归纳总结，用于快速查阅。

以下语法在Java中有效，大部分应该是通用的。

元字符

元字符，又叫字符集，就是用一些特殊符号表示特定种类的字符或位置。

匹配字符

• . 匹配除换行符以外的任意字符
• \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

匹配位置

• \b 匹配单词的开始或结束
• ^ 匹配字符串的开始
• $ 匹配字符串的结束
• \G 上一个匹配的结尾（本次匹配开始）
• \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)

重复

• * 重复零次或更多次
• + 重复一次或更多次
• ? 重复零次或一次
• {n} 重复n次
• {n,} 重复n次或更多次
• {n,m} 重复n到m次

字符转义

如果想匹配元字符本身或者正则中的一些特殊字符，使用\转义。例如匹配*这个字符则使用\*，匹配\这个字符，使用\\。

需要转义的字符：$, (, ), *, +, ., [, ], ?, \, ^, {, }, |

字符类

当需要匹配明确的字符或字符集合时候，就用到字符类。

特殊字符

• \0hh 8进制值hh所表示的字符
• \xhh 16进制值hh所表示的字符
• \uhhhh 16进制值hhhh所表示的Unicode字符
• \t Tab
• \n 换行符
• \r 回车符
• \f 换页符
• \e Escape
• \cN ASCII控制字符。比如\cC代表Ctrl+C
• \p{name} Unicode中命名为name的字符类，例如\p{IsGreek}

陈列

• [aeiou] 匹配一个元音字符
• [.?!] 匹配给定的一个标点

范围

• [0-9] 匹配0~9的数字，同\d
• [a-z] 匹配所有小写字母
• [a-zA-Z] 匹配所有字母
• [a-z0-9A-Z_] 等同于\w

反义

表示不属于元字符或者字符类的字符

反义元字符

• \W 匹配任意不是字母，数字，下划线，汉字的字符
• \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

反义字符类

• [^x] 匹配除了x以外的任意字符
• [^aeiou] 匹配除了aeiou这几个字母以外的任意字符

分枝条件

又叫逻辑运算符，在此X和Y表示两个表达式

• XY X紧跟Y
• X|Y 表示X或Y，从左到右，满足第一个条件就不会继续匹配了。

分组

在这里我把表达式统一以\w为例：

• (\w) 被一个括号包围起来是一个整体，表示一个分组
• (\w)(\w) 自动命名分组，第一个小括号是分组1，第二个小括号是分组2
• (?‘Word‘\w+)) 表示定义了一个叫做Word的分组
• (?<Word>\w+)) 表示定义了一个叫做Word的分组
• (?:\w+) 匹配exp,不捕获匹配的文本，也不给此分组分配组号

后向引用

后面的表达式可以引用前面的某个分组，用\1表示，就好像分组1的值赋值给了\1这个变量，这个变量可以在后面任意位置引用。

• \1 表示分组1匹配的文本
• \k<Word> 表示分组Word匹配的文本

匹配重复两个的英文，例如匹配Hello Hello、lei123 lei123：

1. (\w+)\s+\1
2. (?<Word>\w+)\s+\k<Word>

零宽断言（正向和负向）

零宽断言表示匹配字符的时候再添加一些定位条件，使匹配更精准。

• \w+(?=ing) 匹配以ing结尾的多个字符（不包括ing）
• \w+(?!ing) 匹配不是以ing结尾的多个字符

• ---

• (?<=re)\w+ 匹配以re开头的多个字符（不包括re）
• (?<!re)\w+ 匹配不是以re开头的多个字符

• ---

• (?<=\s)\d+(?=\s) 匹配两边是空白符的数字，不包括空白符

贪婪与懒惰

贪婪：匹配尽可能长的字符串

懒惰：匹配尽可能短的字符串

懒惰模式的启用只需在重复元字符之后加?既可。

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

处理选项

在表达式里插记号的方式来启用绝大多数的模式，在正则的哪里插入，就从哪里启用。

1. (?i)：忽略大小写(CASE_INSENSITIVE)
2. (?x)：忽略空格字符(COMMENTS)
3. (?s)：.匹配任意字符，包括换行符（DOTALL）
4. (?m)：多行模式（MULTILINE）
5. (?u)：对Unicode符大小写不敏感（UNICODE_CASE），必须启用CASE_INSENSITIVE
6. (?d)：只有‘\n‘才被认作一行的中止（UNIX_LINES）

平衡组/递归匹配

平衡组用于匹配嵌套层次结构，常用于匹配HTML标签（当HTML内容不规范，起始标签和结束标签数量不同时，匹配出正确配对的标签），在此把表达式统一以\w为例。

• (?‘group‘\w) 捕获的分组（\w匹配到的内容）命名为group，并压入堆栈
• (?‘-group‘\w) 捕获分组（\w匹配到的内容）后，弹出group分组栈的栈顶内容（最后压入的捕获内容），堆栈本来为空，则本分组的匹配失败
• (?(group)yes|no) 如果group栈非空匹配表达式yes，否则匹配表达式no
• (?!) 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

注释

注释语法：(?#comment)，这个语法的内容会被正则忽略，用于注释含义。可以放在正则表达式的任意位置。