编程思想之正则表达式
什么是正则表达式?
正则表达式(Regular Expression)就是用某种模式去匹配一类字符串的公式。如你要在一篇文章中查找第一个字是“罗”最后一个字是“浩”的三个字的姓名,即“罗*浩”;那么“罗*浩”就是公式,也称作模式(Pattern),这篇文章就是要匹配的串(或叫文本text)。再如,你要检查输入的一个字符串是否是126邮箱的格式,你得制定一个规则去查检,这种规则就是正则表达式。
从入门开始
我们就从上面提到的一个例子开始:检查一个字符串是否符合126邮箱的格式。
我们从网易的邮箱注册页面可以看到126邮箱的用户名需要符合以下的格式:6~18个字符,可使用字母、数字、下划线,需以字母开头。我们可以定义一个模式:^[a-zA-Z]\w{5,17}@126.com
这个模式可以这样理解:
[a-zA-Z]:任何一个a到z或A到Z的英文字母
^: 表示以什么开头,则^[a-zA-Z]表示以字母开头
\w: 单词字符[a-zA-Z_0-9],即a-z或A-Z或0-9或_中的任何一个字符
{5,17}: 表示出现5到17次(至少5次,不超过17次),则\w{5,17}表示5~17个字符。
因为还有一个以非数字字母开头的字符,所以^[a-zA-Z]\w{5,17}表示:“6~18个字符,可使用字母、数字、下划线,需以字母开头”
@126.com:表示符合以上规则的用户名后跟上@126.com字符串,即组成一个邮箱地址。
“^[a-zA-Z]\w{5,17}@126.com”就是我们所说的正则表达式,用Java的简单实现如下:
[javascript] view plaincopy
- String regex = "^[a-zA-Z]\\w{5,17}@126\\.com"; //定义匹配的规则:正则表达式
- //说明:126.com中的.需要转义\\.
- String text = "[email protected]"; //要检查的字符串
- boolean isMatched = text.matches(regex); //判断text是否符合规则regex
- System.out.println(isMatched);
正则表达式常用符号
上面一个示例中用到的“^”、“\w”、“{5,17}”等都是正则表达式中的常用符号,这些符号在正则表达式中都有特殊的含意。下面这个表格是Java中的正则表达式常用符号的含意(只抽取了其常用的部分进行说明,就这些部分其实可以解决关于正则表达式的绝大多数的问题了)。
模式 |
匹配的内容(含意) |
字符类 |
|
[abc] |
a、b 或 c(简单类) |
[^abc] |
任何字符,除了 a、b 或 c(否定) |
[a-zA-Z] |
a 到 z 或 A 到 Z,两头的字母包括在内(范围) |
[a-d[m-p]] |
a 到 d 或 m 到 p:[a-dm-p](并集) |
[a-z&&[def]] |
d、e 或 f(交集) |
[a-z&&[^bc]] |
a 到 z,除了 b 和 c:[ad-z](减去) |
[a-z&&[^m-p]] |
a 到 z,而非 m 到 p:[a-lq-z](减去) |
预定义字符类 |
|
. |
任何字符(与行结束符可能匹配也可能不匹配) |
\d |
数字:[0-9] |
\D |
非数字: [^0-9] |
\s |
空白字符:[ \t\n\x0B\f\r] |
\S |
非空白字符:[^\s] |
\w |
单词字符:[a-zA-Z_0-9] |
\W |
非单词字符:[^\w] |
边界匹配器 |
|
^ |
行的开头 |
$ |
行的结尾 |
\b |
单词边界 |
\B |
非单词边界 |
\A |
输入的开头 |
\G |
上一个匹配的结尾 |
\Z |
输入的结尾,仅用于最后的结束符(如果有的话) |
\z |
输入的结尾 |
数量词(Greedy策略) |
|
X? |
X,一次或一次也没有 |
X* |
X,零次或多次 |
X+ |
X,一次或多次 |
X{n} |
X,恰好 n 次 |
X{n,} |
X,至少 n 次 |
X{n,m} |
X,至少 n 次,但是不超过 m 次 |
逻辑运算符 |
|
XY |
X 后跟 Y |
X|Y |
X 或 Y |
(X) |
X,作为捕获组 |
参考文档:Class Pattern
这些常用的符号在各种编程语言的正则表达式中含意基本相同(因为正则表达式的思想是相同的),所以都可以用来参数。但不同的语言可能会有一些细小的差别,如果要针对各种编程语言,想有更精确和权威的说明,可参考其官方文档:
C++(VS2013编译器):http://msdn.microsoft.com/zh-cn/library/bb982727.aspx#grammarsummary
Java: http://docs.oracle.com/javase/7/docs/api/java/util/regex/Pattern.html
JavaScript: http://www.w3school.com.cn/jsref/jsref_obj_regexp.asp
正则表达式的使用
下面从常见的需求出发讲述C++、Java和JavaScript中正则表达式的使用
C++中的正则表达式
C++中正则表达式主要有三种实现方式:C语言的实现方式(C regex),C++标准库的实现(C++ regex),Boost库的实现(boost regex)。C regex的方式是一种面向过程的编程方式,使用起来不太方便;C++ regex的方式因为是标准库的一部分,所以可以直接使用(好像Linux平台下不支持),但C++ regex非常难用,语法要求比较严格,而且好多默认的选项和我们正常的想法不一样;Boost是一个开源的第三方库,这个库非常优秀,广泛应用于C++的项目开发中,boost regex非常灵活好用,C++开发时是大家推崇的一种方式。
关于boost regex的用法,在后继的文章将会进一步介绍,现在以C++ regex的方式列举一个使用样例。
1.验证ip地址
[cpp] view plaincopy
- #include <regex>
- #include <iostream>
- #include <string>
- bool IsIpV4Address(const std::string& strIp)
- {
- //验证IP地址的模式,这里"\."中的"\"是转义字符,表示这是一个.
- const std::regex pattern("(\\d{1,3}){1}\.(\\d{1,3}){1}\.(\\d{1,3}){1}\.(\\d{1,3}){1}");
- //匹配验证
- return std::regex_match(strIp, pattern);
- }
- int main()
- {
- std::string strIp1 = "134.34.34.4";//192.168.1.1
- std::string strIp2 = "192.168.255";
- std::cout << strIp1 << " : " << (IsIpV4Address(strIp1) ? "valid" : "invalid") << std::endl;
- std::cout << strIp2 << " : " << (IsIpV4Address(strIp2) ? "valid" : "invalid") << std::endl;
- return 0;
- }
Java中的正则表达式
1.验证一个字符串是否为URL
[java] view plaincopy
- public static boolean isUrl(String text) {
- String regex = "^http://([\\w-]+.)+[\\w-]+(/[\\w-./?%&=#]*)?$";
- return text.matches(regex);
- }
2.判断一个文本中有多少个URL,并将所有的URL加上超链接.
如以下文本:
C++(VS2013编译器):http://msdn.microsoft.com/zh-cn/library/bb982727.aspx#grammarsummary
Java: http://docs.oracle.com/javase/7/docs/api/java/util/regex/Pattern.html
JavaScript: http://www.w3school.com.cn/jsref/jsref_obj_regexp.asp
添加链接后变成:
C++(VS2013编译器):<a href=”http://msdn.microsoft.com/zh-cn/library/bb982727.aspx#grammarsummary
”>http://msdn.microsoft.com/zh-cn/library/bb982727.aspx#grammarsummary</a>
Java: <a href=”http://docs.oracle.com/javase/7/docs/api/java/util/regex/Pattern.html
”>http://docs.oracle.com/javase/7/docs/api/java/util/regex/Pattern.html</a>
JavaScript: <a href=”http://www.w3school.com.cn/jsref/jsref_obj_regexp.asp
”>http://www.w3school.com.cn/jsref/jsref_obj_regexp.asp</a>
[java] view plaincopy
- /**
- * 给一个字符串添加链接
- * @param text 要添加链接的字符串
- * @param url 链接的URL
- * @return 添加链接后的字符串
- */
- public static String AddHref(String text, String url) {
- return "<a href=\"" + url + "\">" + text + "</a>";
- }
- /**
- * 查找文本中的URL字符串,并将其添加链接
- * @param text 需要查找的文本
- * @return 添加链接后的文本
- */
- public static String AddLinkToText(String text) {
- Pattern pattern = Pattern.compile("http://([\\w-]+.)+[\\w-]+(/[\\w-./?%&=#]*)?");
- Matcher matcher = pattern.matcher(text);
- StringBuffer sb = new StringBuffer(); //定义一个字符缓冲区,用于保存新的文本
- while (matcher.find()) {
- String matchedSubStr = matcher.group(); //提取出查找到的子串
- matcher.appendReplacement(sb, AddHref(matchedSubStr, matchedSubStr)); //将找到的子串添加链接后塞到字符缓冲区内
- }
- matcher.appendTail(sb);
- return sb.toString();
- }
JavaScript中的正则表达式
JavaScript中的正则表达式是通过RegExp对象实现的。RegExp对象的创建有三种方式:
精简方式:
/pattern/attributes
new方式:
new RegExp(pattern, attributes);
函数调用的方式:
RegExp(pattern, attributes);
参数pattern可以是一个模式串,也可以是一个RegExp对象,如果pattern本身就是RegExp的对象,则attributes参数将不起作用(新创建的对象的必发与pattern对象相同。),需要省略,如果不省略会抛TypeError 异常。
参数attributes有三种属性"g"、"i" 和 "m",分别用于指定全局匹配、区分大小写的匹配和多行匹配。
RegExp主要有三个方法:
compile |
编译正则表达式,可用于改变和重新编译正则表达式。 |
exec |
检索字符串中指定的值。返回找到的值,并确定其位置。 |
test |
检索字符串中是否有指定的值。返回 true 或 false。 |
1.验证字符串是否为数字
[javascript] view plaincopy
- <script type="text/javascript">
- function isNumber(text) {
- var pattern = new RegExp("^\\d*$");
- return pattern.test(text);
- }
- var value1 = "1234";
- document.write(value1 + " is Numed:" + isNumber(value1));
- </script>
2.邮箱格式:
[javascript] view plaincopy
- <script type="text/javascript">
- function isEmail(text) {
- var reg = /^([\w-.])[email protected]([\w-])+((\.[\w-]{2,3}){1,2})$/;
- return reg.test(text);
- }
- var value2 = "[email protected]";
- document.write(value2 + " is Email:" + isEmail(value2));
- </script>
3.将一个文本中的所有邮箱地址和在文本中的位置打印到页面
[javascript] view plaincopy
- <script type="text/javascript">
- function PrintEmail(text) {
- //匹配的模式
- var reg = RegExp("([\\w-.])[email protected]([\\w-])+((\.[\\w-]{2,3}){1,2})", "g");
- var result; //保存结果
- while ((result = reg.exec(text)) != null) {
- document.write(result[0] + "<br/>" + result.index);
- document.write("<br/><br/>");
- }
- }
- var text = "张三 [email protected]; 李四 [email protected];王五 [email protected]" ;
- PrintEmail(text);
- </script>
应用场景
数据验证:
例如,可以检查输入的字符串,看其是否为电话号码格式,或是否为邮箱格式。 这在网页的表单输入中经常用到。
查找子串:
可以查找文档内(或一个字符串内)符合指定模式的子串。
替换文本:
可以使用正则表达式来识别文档中的特定内容,完全删除该部分内容或者用其他字符串来替换它。
使用工具:
如Word、NotePad++、EditPlus等文字编辑器中的查找功能都支持正则表达式,用正则表达式你就可以实现更加多样化的查找。还有像VS、CodeBlock、Eclipse、Intellij Idea等开发工具的IDE的查找替换功能也都支持正则表达式,用它你可以修改变量名,调整代码格式,统计代码行数等。
常用正则表达式总结
常用的正则表达式已经有很多人做了总结了,在网上能够找到非常多,我就没有再写的必要了。下面贴出我觉得还不错的一个总结。
此部分内容为转载,来自:http://www.cnblogs.com/zxin/archive/2013/01/26/2877765.html
一、校验数字的表达式
1 数字:^[0-9]*$ 2 n位的数字:^\d{n}$ 3 至少n位的数字:^\d{n,}$ 4 m-n位的数字:^\d{m,n}$ 5 零和非零开头的数字:^(0|[1-9][0-9]*)$ 6 非零开头的最多带两位小数的数字:^([1-9][0-9]*)+(.[0-9]{1,2})?$ 7 带1-2位小数的正数或负数:^(\-)?\d+(\.\d{1,2})?$ 8 正数、负数、和小数:^(\-|\+)?\d+(\.\d+)?$ 9 有两位小数的正实数:^[0-9]+(.[0-9]{2})?$ 10 有1~3位小数的正实数:^[0-9]+(.[0-9]{1,3})?$ 11 非零的正整数:^[1-9]\d*$ 或 ^([1-9][0-9]*){1,3}$ 或 ^\+?[1-9][0-9]*$ 12 非零的负整数:^\-[1-9][]0-9"*$ 或 ^-[1-9]\d*$ 13 非负整数:^\d+$ 或 ^[1-9]\d*|0$ 14 非正整数:^-[1-9]\d*|0$ 或 ^((-\d+)|(0+))$ 15 非负浮点数:^\d+(\.\d+)?$ 或 ^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$ 16 非正浮点数:^((-\d+(\.\d+)?)|(0+(\.0+)?))$ 或 ^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$ 17 正浮点数:^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$ 或 ^(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*))$ 18 负浮点数:^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$ 或 ^(-(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*)))$ 19 浮点数:^(-?\d+)(\.\d+)?$ 或 ^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$
二、校验字符的表达式
1 汉字:^[\u4e00-\u9fa5]{0,}$ 2 英文和数字:^[A-Za-z0-9]+$ 或 ^[A-Za-z0-9]{4,40}$ 3 长度为3-20的所有字符:^.{3,20}$ 4 由26个英文字母组成的字符串:^[A-Za-z]+$ 5 由26个大写英文字母组成的字符串:^[A-Z]+$ 6 由26个小写英文字母组成的字符串:^[a-z]+$ 7 由数字和26个英文字母组成的字符串:^[A-Za-z0-9]+$ 8 由数字、26个英文字母或者下划线组成的字符串:^\w+$ 或 ^\w{3,20}$ 9 中文、英文、数字包括下划线:^[\u4E00-\u9FA5A-Za-z0-9_]+$ 10 中文、英文、数字但不包括下划线等符号:^[\u4E00-\u9FA5A-Za-z0-9]+$ 或 ^[\u4E00-\u9FA5A-Za-z0-9]{2,20}$ 11 可以输入含有^%&‘,;=?$\"等字符:[^%&‘,;=?$\x22]+ 12 禁止输入含有~的字符:[^~\x22]+
三、特殊需求表达式
1 Email地址:^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$ 2 域名:[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(/.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+/.? 3 InternetURL:[a-zA-z]+://[^\s]* 或 ^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$ 4 手机号码:^(13[0-9]|14[5|7]|15[0|1|2|3|5|6|7|8|9]|18[0|1|2|3|5|6|7|8|9])\d{8}$ 5 电话号码("XXX-XXXXXXX"、"XXXX-XXXXXXXX"、"XXX-XXXXXXX"、"XXX-XXXXXXXX"、"XXXXXXX"和"XXXXXXXX):^(\(\d{3,4}-)|\d{3.4}-)?\d{7,8}$ 6 国内电话号码(0511-4405222、021-87888822):\d{3}-\d{8}|\d{4}-\d{7} 7 身份证号(15位、18位数字):^\d{15}|\d{18}$ 8 短身份证号码(数字、字母x结尾):^([0-9]){7,18}(x|X)?$ 或 ^\d{8,18}|[0-9x]{8,18}|[0-9X]{8,18}?$ 9 帐号是否合法(字母开头,允许5-16字节,允许字母数字下划线):^[a-zA-Z][a-zA-Z0-9_]{4,15}$ 10 密码(以字母开头,长度在6~18之间,只能包含字母、数字和下划线):^[a-zA-Z]\w{5,17}$ 11 强密码(必须包含大小写字母和数字的组合,不能使用特殊字符,长度在8-10之间):^(?=.*\d)(?=.*[a-z])(?=.*[A-Z]).{8,10}$ 12 日期格式:^\d{4}-\d{1,2}-\d{1,2} 13 一年的12个月(01~09和1~12):^(0?[1-9]|1[0-2])$ 14 一个月的31天(01~09和1~31):^((0?[1-9])|((1|2)[0-9])|30|31)$ 15 钱的输入格式: 16 1.有四种钱的表示形式我们可以接受:"10000.00" 和 "10,000.00", 和没有 "分" 的 "10000" 和 "10,000":^[1-9][0-9]*$ 17 2.这表示任意一个不以0开头的数字,但是,这也意味着一个字符"0"不通过,所以我们采用下面的形式:^(0|[1-9][0-9]*)$ 18 3.一个0或者一个不以0开头的数字.我们还可以允许开头有一个负号:^(0|-?[1-9][0-9]*)$ 19 4.这表示一个0或者一个可能为负的开头不为0的数字.让用户以0开头好了.把负号的也去掉,因为钱总不能是负的吧.下面我们要加的是说明可能的小数部分:^[0-9]+(.[0-9]+)?$ 20 5.必须说明的是,小数点后面至少应该有1位数,所以"10."是不通过的,但是 "10" 和 "10.2" 是通过的:^[0-9]+(.[0-9]{2})?$ 21 6.这样我们规定小数点后面必须有两位,如果你认为太苛刻了,可以这样:^[0-9]+(.[0-9]{1,2})?$ 22 7.这样就允许用户只写一位小数.下面我们该考虑数字中的逗号了,我们可以这样:^[0-9]{1,3}(,[0-9]{3})*(.[0-9]{1,2})?$ 23 8.1到3个数字,后面跟着任意个 逗号+3个数字,逗号成为可选,而不是必须:^([0-9]+|[0-9]{1,3}(,[0-9]{3})*)(.[0-9]{1,2})?$ 24 备注:这就是最终结果了,别忘了"+"可以用"*"替代如果你觉得空字符串也可以接受的话(奇怪,为什么?)最后,别忘了在用函数时去掉去掉那个反斜杠,一般的错误都在这里 25 xml文件:^([a-zA-Z]+-?)+[a-zA-Z0-9]+\\.[x|X][m|M][l|L]$ 26 中文字符的正则表达式:[\u4e00-\u9fa5] 27 双字节字符:[^\x00-\xff] (包括汉字在内,可以用来计算字符串的长度(一个双字节字符长度计2,ASCII字符计1))28 空白行的正则表达式:\n\s*\r (可以用来删除空白行) 29 HTML标记的正则表达式:<(\S*?)[^>]*>.*?</\1>|<.*? /> (网上流传的版本太糟糕,上面这个也仅仅能部分,对于复杂的嵌套标记依旧无能为力)30 首尾空白字符的正则表达式:^\s*|\s*$或(^\s*)|(\s*$) (可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等),非常有用的表达式) 31 腾讯QQ号:[1-9][0-9]{4,} (腾讯QQ号从10000开始) 32 中国邮政编码:[1-9]\d{5}(?!\d) (中国邮政编码为6位数字) 33 IP地址:\d+\.\d+\.\d+\.\d+ (提取IP地址时有用)34 IP地址:((?:(?:25[0-5]|2[0-4]\\d|[01]?\\d?\\d)\\.){3}(?:25[0-5]|2[0-4]\\d|[01]?\\d?\\d)) (由@飞龙三少 提供,感谢共享)
写在后面
正则表达式是一个非常强大而又非常常用的一个编程技术,我以上这片文章也只是抛砖引玉,讲述了其中最常用的一部分。因为其内容实在太庞大,如果要详细描述,每一种编程语言的正则表达式都可以单独成一本书。
如果您有什么疑惑和想法,请在评论处给予反馈,您的反馈就是最好的测评师!由于本人技术和能力有限,如果本博文有错误或不足之处,敬请谅解并给出您宝贵的建议!
========================编程思想系列文章回顾========================