正則表達式学习參考
1 概述
正則表達式(Regular Expression)是一种匹配模式,描写叙述的是一串文本的特征。
正如自然语言中“高大”、“牢固”等词语抽象出来描写叙述事物特征一样,正則表達式就是字符的高度抽象,用来描写叙述字符串的特征。
正則表達式(下面简称正则,Regex)通常不独立存在,各种编程语言和工具作为宿主语言提供对正则的支持,并依据自身语言的特点,进行一定的剪裁或扩展。
正则入门非常easy,有限的语法规则非常easy掌握,可是眼下正则的普及率并不高,主要是由于正则的流派众多,各种宿主语言提供的文档都过多的关注于自身的一些细节,而这些细节一般是刚開始学习的人并不须要关注的。
当然,假设想要深入的了解正則表達式,这些细节又是必须被关注的,这是后话,让我们先从正则的基础開始,进入正則表達式的世界。
2 正則表達式基础
2.1 基本概念
2.1.1 字符串组成
对于字符串“a5”,是由两个字符“a”、“5”以及三个位置组成的,这一点对于正則表達式的匹配原理理解非常重要。
2.1.2 占有字符和零宽度
正則表達式匹配过程中,假设子表达式匹配到的是字符内容,而非位置,并被保存到终于的匹配结果中,那么就觉得这个子表达式是占有字符的;假设子表达式匹配的不过位置,或者匹配的内容并不保存到终于的匹配结果中,那么就觉得这个子表达式是零宽度的。
占有字符还是零宽度,是针对匹配的内容是否保存到终于的匹配结果中而言的。
占有字符是相互排斥的,零宽度是非相互排斥的。也就是一个字符,同一时间仅仅能由一个子表达式匹配,而一个位置,却能够同一时候由多个零宽度的子表达式匹配。
2.1.3 正則表達式构成
正則表達式由两种字符构成。一种是在正則表達式中详细特殊意义的“元字符”,还有一种是普通的“文本字符”。
元字符能够是一个字符,如“^”,也能够是一个字符序列,如“\w”。
2.2 元字符(Meta Character)
2.2.1 […] 字符组(Character Classes)
字符组能够匹配[ ]中包括的随意一个字符。尽管能够是随意一个,但仅仅能是一个。
字符组支持由连字符“-”来表示一个范围。当“-”前后构成范围时,要求前面字符的码位小于后面字符的码位。
[^…] 排除型字符组。排除型字符组表示随意一个未列出的字符,相同仅仅能是一个。排除型字符组相同支持由连字符“-”来表示一个范围。
表达式 |
说明 |
[abc] |
表示“a”或“b”或“c” |
[0-9] |
表示0~9中随意一个数字,等价于[0123456789] |
[\u4e00-\u9fa5] |
表示随意一个汉字 |
[^a1<] |
表示除“a”、“1”、“<”外的其他随意一个字符 |
[^a-z] |
表示除小写字母外的随意一个字符 |
举例:
“[0-9][0-9]”在匹配“Windows 2003”时,匹配成功,匹配的结果为“20”。
“[^inW]”在匹配“Windows 2003”时,匹配成功,匹配的结果为“d”。
2.2.2 常见字符范围缩写
对于一些经常使用的字符范围,如数字等,因为很经常使用,即使使用[0-9]这种字符组仍显得麻烦,所以定义了一些元字符,来表示常见的字符范围。
表达式 |
说明 |
\d |
随意一个数字,相当于[0-9],即0~9 中的随意一个 |
\w |
随意一个字母或数字或下划线,相当于[a-zA-Z0-9_] |
\s |
随意空白字符,相当于[ \r\n\f\t\v] |
\D |
随意一个非数字字符,\d取反,相当于[^0-9] |
\W |
\w取反,相当于[^a-zA-Z0-9_] |
\S |
随意非空白字符,\s取反,相当于[^ \r\n\f\t\v] |
举例:
“\w\s\d”在匹配“Windows 2003”时,匹配成功,匹配的结果为“s 2”。
2.2.3 . 小数点
小数点能够匹配除“\n”以外的随意一个字符。假设要匹配包含“\n”在内的全部字符,一般用[\s\S],或者是用“.”加(?s)匹配模式来实现。
表达式 |
说明 |
. |
匹配除了换行符 \n 以外的随意一个字符 |
2.2.4 其他元字符
表达式 |
说明 |
^ |
匹配字符串開始的位置,不匹配不论什么字符 |
$ |
匹配字符串结束的位置,不匹配不论什么字符 |
\b |
匹配单词边界,不匹配不论什么字符 |
举例:
“^a”在匹配“cba”时,匹配失败,由于表达式要求開始位置后面是字符“a”,而“cba”显然是不满足的。
“\d$”在匹配“123”时,匹配成功,匹配结果为“3”,这个表达式要求匹配结尾处的数字,假设结尾处不是数字,如“123abc”,则是匹配失败的。
2.2.5 转义字符
一些不可见字符,或是在正则中具有特殊意义的元字符,如想匹配字符本身,须要用“\”对其进行转义。
表达式 |
说明 |
\r,\n |
回车和换行 |
\\ |
匹配“\”本身 |
\^,\$,\. |
分别匹配“^”、“$”和“.” |
下面字符在匹配其本身时,通常须要进行转义。在实际应用中,依据详细情况,须要转义的字符可能不止例如以下所列字符
. $ ^ { [ ( | ) * + ? \
2.2.6 量词(Quantifier)
量词表示一个子表达式能够匹配的次数。量词能够用来修饰一个字符、字符组,或是用()括起来的子表达式。一些经常使用的量词被定义成独立的元字符。
表达式 |
说明 |
举例 |
{m} |
表达式匹配m次 |
“\d{3}”相当于“\d\d\d ” “(abc){2}”相当于“abcabc” |
{m,n} |
表达式匹配最少m次,最多n次 |
“\d{2,3}”能够匹配“12”或“321”等2到3位的数字 |
{m,} |
表达式至少匹配m次 |
“[a-z]{8,}”表示至少8位以上的字母 |
? |
表达式匹配0次或1次,相当于{0,1} |
“ab?”能够匹配“a”或“ab” |
* |
表达式匹配0次或随意多次,相当于{0,} |
“<[^>]*>”中“[^>]*”表示0个或随意多个不是“>”的字符 |
+ |
表达式匹配1次或意多次,至少1次,相当于{1,} |
“\d\s+\d”表示两个数字中间,至少有一个以上的空白字符 |
注意:在不是动态生成的正則表達式中,不要出现“{1}”这种量词,如“\w{1}”在结果上等价于“\w”,可是会减少匹配效率和可读性,属于画蛇添足的做法。
2.2.7 分支结构(Alternation)
当一个字符串的某一子串具有多种可能时,採用分支结构来匹配,“|”表示多个子表达式之间“或”的关系,“|”是以()限定范围的,假设在“|”的左右两側没有()来限定范围,那么它的作用范围即为“|”左右两側总体。
表达式 |
说明 |
| |
多个子表达式之间取“或”的关系 |
举例:
“^aa|b$”在匹配“cccb”时,是能够匹配成功的,匹配的结果是“b”,由于这个表达式表示匹配“^aa”或“b$”,而“b$”在匹配“cccb ”时是能够匹配成功的。
“^(aa|b)$”在区配“cccb”时,是匹配失败的,由于这个表达式表示在“開始”和“结束”位置之间仅仅能是“aa”或“b”,而“cccb”显然是不满足的。
3 正則表達式进阶
3.1 捕获组(Capture Group)
捕获组就是把正則表達式中子表达式匹配的内容,保存到内存中以数字编号或手动命名的组里,以供后面引用。
表达式 |
说明 |
(Expression) |
普通捕获组,将子表达式Expression匹配的内容保存到以数字编号的组里 |
(?<name> Expression) |
命名捕获组,将子表达式Expression匹配的内容保存到以name命名的组里 |
普通捕获组(在不产生歧义的情况下,简称捕获组)是以数字进行编号的,编号规则是以“(”从左到右出现的顺序,从1開始进行编号。通常情况下,编号为0的组表示整个表达式匹配的内容。
命名捕获组能够通过捕获组名,而不是序号对捕获内容进行引用,提供了更便捷的引用方式,不用关注捕获组的序号,也不用操心表达式部分变更会导致引用错误的捕获组。
3.2 非捕获组
一些表达式中,不得不使用( ),但又不须要保存( )中子表达式匹配的内容,这时能够用非捕获组来抵消使用( )带来的副作用。
表达式 |
说明 |
(?:Expression) |
进行子表达式Expression的匹配,并将匹配内容保存到终于的整个表达式的区配结果中,但Expression匹配的内容不单独保存到一个组内 |
3.3 反向引用
捕获组匹配的内容,能够在正則表達式的外部程序中进行引用,也能够在表达式中进行引用,表达式中引用的方式就是反向引用。
反向引用通经常使用来查找反复的子串,或是限定某一子串成对出现。
表达式 |
说明 |
\1,\2 |
对序号为1和2的捕获组的反向引用 |
\k<name> |
对命名为name的捕获组的反向引用 |
举例:
“(a|b)\1”在匹配“abaa”时,匹配成功,匹配到的结果是“aa”。“(a|b)”在尝试匹配时,尽管既能够匹配“a”,也能够匹配“b”,可是在进行反向引用时,相应()中匹配的内容已经是固定的了。
3.4 环视(Look Around)
环视仅仅进行子表达式的匹配,匹配内容不计入终于的匹配结果,是零宽度的。
环视依照方向划分有顺序和逆序两种,依照是否匹配有肯定和否定两种,组合起来就有四种环视。环视相当于对所在位置加了一个附加条件。
表达式 |
说明 |
(?<=Expression) |
逆序肯定环视,表示所在位置左側可以匹配Expression |
(?<!Expression) |
逆序否定环视,表示所在位置左側不能匹配Expression |
(?=Expression) |
顺序肯定环视,表示所在位置右側可以匹配Expression |
(?!Expression) |
顺序否定环视,表示所在位置右側不能匹配Expression |
举例:
“(?<=Windows )\d+”在匹配“Windows 2003”时,匹配成功,匹配结果为“2003”。我们知道“\d+”表示匹配一个以上的数字,而“(?<=Windows )”相当于一个附加条件,表示所在位置左側必须为“Windows ”,它所匹配的内容并不计入匹配结果。相同的正则在匹配“Office 2003”时,匹配失败,由于这里随意一串数字子串的左側都不是“Windows ”。
“(?!1)\d+”在匹配“123”时,匹配成功,匹配的结果为“23”。“\d+”匹配一个以上数字,可是附加条件“(?!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 忽略优先和匹配优先
或者叫做正則表達式匹配的贪婪与非贪婪模式。
标准量词修饰的子表达式,在可匹配可不匹配的情况下,总会先尝试进行匹配,称这样的方式为匹配优先,或者贪婪模式。此前介绍的一些量词,“{m}”、“{m,n}”、“{m,}”、“?”、“*”和“+”都是匹配优先的。
一些NFA正则引擎支持忽略优先量词,也就是在标准量词后加一个“?”,此时,在可匹配可不匹配的情况下,总会先忽略匹配,仅仅有在由忽略优先量词修饰的子表达式,必须进行匹配才干使整个表达式匹配成功时,才会进行匹配,称这样的方式为忽略优先,或者非贪婪模式。忽略优先量词包含“{m}?”、“{m,n}?”、“{m,}?”、“??”、“*?”和“+?”。
举例:
源字符串:<div>aaa</div><div>bbb</div>
正則表達式1:<div>.*</div> 匹配结果:<div>aaa</div><div>bbb</div>
正則表達式2:<div>.*?</div> 匹配结果:<div>aaa</div>