本文目標30分鐘內(nèi)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)頁里使用它。一旦入門后,你可以從網(wǎng)上找到更多更詳細的資料來繼續(xù)學習。 別被下面那些復雜的表達式嚇倒,只要跟著我一步一步來,你會發(fā)現(xiàn)正則表達式其實并不像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(xiàn)自己明白了很多,卻又幾乎什么都記不得,那也是很正常的--其實我認為沒接觸過正則表達式的人在看完這篇教程后能把提到過的語法記住80%以上的可能性為零。這里只是讓你明白基本道理,以后你還需要多練習,多查資料,才能熟練掌握正則表達式。 說明正則表達式是用于進行文本匹配的工具,所以本文里多次提到了在字符串里搜索/查找,這種說法的意思是在給定的字符串中,查找與給定的正則表達式相匹配的部分。有可能字符串里有不止一個部分滿足給定的正則表達式,這時每一個這樣的部分被稱為一個匹配。匹配在本文里可能會有三種意思:一種是形容詞性的,比如說一個字符串匹配一個表達式;一種是動詞性的,比如說在字符串里匹配正則表達式;還有一種是名字性的,就是剛剛說到的“字符串中滿足給定的正則表達式的一部分”。 文本格式約定:專業(yè)術(shù)語 特殊代碼/語法格式 正則表達式 正則表達式中的一部分(用于分析) 用于在其中搜索的字符串 對正則表達式或其中一部分的說明 什么是正則表達式?很可能你使用過Windows/Dos下用于文件查找的通配符,也就是*和。如果你想查找某個目錄下的所有的Word文檔的話,你會搜索*.doc。在這里,*會被解釋成任意的字符串。和通配符類似,正則表達式也是用來進行文本匹配的工具,只不過比通配符更能精確地描述你的需求--當然,代價就是更復雜。比如你可以編寫一個正則表達式來查找所有以0開頭,后面跟著2-3個數(shù)字,然后是一個連字號“-”,最后是7或8位數(shù)字的字符串(像010-12345678或0376-7654321)。 入門在編寫處理字符串的程序或網(wǎng)頁時,經(jīng)常會有查找符合某些復雜規(guī)則的字符串的需要。正則表達式就是用于描述這些規(guī)則的工具。換句話說,正則表達式就是記錄文本規(guī)則的代碼。例如,\d+就是一個簡潔的代碼,代表著規(guī)則1位或更多位數(shù)字,2008就符合這個規(guī)則,而A3則不符合(它包含了不是數(shù)字的字符)。 學習正則表達式的最好方法是從例子開始,理解例子之后再自己對例子進行修改,實驗。下面給出了不少簡單的例子,并對它們作了詳細的說明。 假設你在一篇英文小說里查找hi,你可以使用正則正則表達式hi。 這是最簡單的正則表達式了,它可以精確匹配這樣的字符串:由兩個字符組成,前一個字符是h,后一個是i。通常,處理正則表達式的工具會提供一個忽略大小寫的選項,如果選中了這個選項,它可以匹配hi,HI,Hi,hI。 不幸的是,很多單詞里包含hi這兩個連續(xù)的字符,比如him,history,high等等。用hi來查找的話,這里邊的hi也會被找出來。如果要精確地查找hi這個單詞的話,我們應該使用\bhi\b。 \b是正則表達式規(guī)定的一個特殊代碼,代表著單詞的開頭或結(jié)尾。雖然通常英文的單詞是由空格或標點符號或換行為分隔的,但是\b并不代表這些單詞分隔符中的任何一個,只代表一個位置。 假如你要找的是hi后面不遠處跟著一個Lucy,你應該用\bhi\b.*\bLucy\b。 這里,.是另一個特殊代碼,代表除了換行符以外的任意字符。*同樣是特殊的代碼,不過它代表的不是字符,也不是位置,而是數(shù)量--它指定*前邊的內(nèi)容可以重復任意次以使整個表達式得到匹配。因此,.*連在一起就意味著任意數(shù)量的不包含換行的字符。現(xiàn)在\bhi\b.*\bLucy\b的意思就很明顯了:先是一個單詞hi,然后是任意個任意字符(但不能是換行),最后是Lucy這個單詞。 如果同時使用其它的一些特殊代碼,我們就能構(gòu)造出功能更強大的正則表達式。比如下面這個例子: 0\d\d-\d\d\d\d\d\d\d\d代表著這樣的字符串:以0開頭,然后是兩個數(shù)字,然后是一個連字號“-”,最后是8個數(shù)字(也就是中國的電話號碼,當然,這個例子只能匹配區(qū)號為3位的情形,想同時匹配區(qū)號為4位的話,請在教程的下面尋找答案)。 這里的\d是一個新的特殊代碼,代表任意的數(shù)字(0,或1,或2,或。。。)。-不是特殊代碼,只代表它本身--連字號。 為了避免那么多煩人的重復,我們也可以這樣寫這個表達式:0\d{2}-\d{8} 這里\d后面的{2}({8})指定的是前面\d必須連續(xù)重復出現(xiàn)2次(8次)。 測試正則表達式如果你不覺得正則表達式很難讀寫的話,要么你是一個天才,要么,你不是地球人。正則表達式的語法很令人頭疼,即使對經(jīng)常使用它的人來說也是如此。由于難于讀寫,容易出錯,所以很有必要創(chuàng)建一種工具來測試正則表達式。 由于在不同的環(huán)境下正則表達式的一些細節(jié)是不相同的,本教程介紹的是Microsoft .net下正則表達式的行為,所以,我向你介紹一個.net下的工具The Regulator。首先你確保已經(jīng)安裝了.net Framework1.1,然后下載The Regulator,下載完后打開壓縮包,運行setup.exe安裝。 下面是the Regulator運行時的截圖: 特殊代碼現(xiàn)在你已經(jīng)知道幾個具有特殊意義的代碼了,如\b,.,*,還有\d.事實上還有更多的特殊代碼,比如\s代表任意的空白符,包括空格,制表符(Tab),換行符。\w代表著字母或數(shù)字。 下面來試試更多的例子: \ba\w*\b匹配以字母a開頭的單詞-先是某個單詞開始處(\b),然后是字母a,然后是任意數(shù)量的字母或數(shù)字(\w*),最后是單詞結(jié)束處(\b)。 \d+匹配1個或更多連續(xù)的數(shù)字。這里的+是和*類似的特殊代碼,不同的是*代表重復任意次(可能是0次),而+則代表重復1次或更多次。 \b\w{6}\b 匹配剛好6個字母/數(shù)字的單詞。
特殊代碼^以及$和\b有點類似,都匹配一個位置。^匹配你要用來查找的字符串的開頭,$匹配結(jié)尾。這兩個代碼在驗證輸入的內(nèi)容時非常有用,比如一個網(wǎng)站如果要求你填寫的QQ號必須為5位到12位數(shù)字時,可以使用:^\d{5,12}$。 這里的{5,12}和前面介紹過的{2}是類似的,只不過{2}代表只能不多不少重復2次,{5,12}則是必須重復最少5次,最多12次,否則都不匹配。 因為使用了^和$,所以輸入的整個字符串都要用來和\d{5,12}來匹配,也就是說整個輸入必須是5到12個數(shù)字,因此如果輸入的QQ號能匹配這個正則表達式的話,那就符合要求了。 和忽略大小寫的選項類似,有些正則表達式處理工具還有一個處理多行的選項。如果選中了這個選項,^和$的意義就變成了匹配行的開始處和結(jié)束處。 字符轉(zhuǎn)義如果你想查找特殊代碼本身的話,比如你查找.,或者*,就出現(xiàn)了問題:你沒法指定它們,因為它們會被解釋成其它的意思。這時你就必須使用\來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:www\.unibetter\.com匹配www.,c:\\windows匹配c:\windows,2\^8匹配2^8(通常這是2的8次方的書寫方式)。 重復你已經(jīng)看過了前面的*,+,{2},{5,12}這幾個代表重復的方式了。下面是正則表達式中所有指定重復的方式:
下面是一些使用重復的例子: Windows\d+匹配Windows后面跟1個或更多數(shù)字 13\d{9}匹配以13后面跟9個數(shù)字(中國的手機號) ^\w+匹配一行的第一個單詞(或整個字符串的第一個單詞,具體代表哪個意思得看選項設置) 字符類要想查找數(shù)字,字母或數(shù)字,空白是很簡單的,因為已經(jīng)有了對應這些字符集的特殊代碼,但是如果你想匹配沒有預定義特殊代碼的字符集比如元音字母(a,e,i,o,u),怎么辦? 很簡單,你只需要在中括號里列出它們就行了,像[aeiou]就匹配任何一個元音字母,[.?!]匹配標點符號(.或?或!)(英文語句通常只以這三個標點結(jié)束)。要注意的是,在中括號中,特殊代碼不會被解釋成其它意義,所以我們不需要寫成[\.\?!](事實上這樣寫會出錯,因為出現(xiàn)了兩次\)。 我們也可以輕松地指定一個字符范圍,像[0-9]代表的含意與\d就是完全一致的:一位數(shù)字,同理[a-z0-9A-Z]也完全等同于\w。 下面是一個更復雜的表達式:\(?0\d{2}[) -]?\d{8}。 這個表達式可以匹配幾種格式的電話號碼,像(010)88886666,或022-22334455,或02912345678等。我們對它進行一些分析吧:首先是一個轉(zhuǎn)義字符\(,它能出現(xiàn)0次或1次(),然后是一個0,后面跟著2個數(shù)字({2}),然后是)或-或空格中的一個,它出現(xiàn)1次或不出現(xiàn)(),最后是8個數(shù)字(\d{8})。不幸的是,它也能匹配010)12345678或(022-87654321這樣的“不正確”的格式。要解決這個問題,請在本教程的下面查找答案。 反義有時需要查找不屬于某個簡單定義的字符類的字符。比如想查找除了數(shù)字以外,其它任意字符都行的情況,這時需要用到反義:
例子:\S+代表不包含空白符的字符串。 <a[^>]+>代表用尖括號括起來的以a開頭的字符串。 替換好了,現(xiàn)在終于到了解決3位或4位區(qū)號問題的時間了。正則表達式里的替換指的是有幾種規(guī)則,如果滿足其中任意一種規(guī)則都應該當成匹配,具體方法是用|把不同的規(guī)則分隔開。聽不明白?沒關(guān)系,看例子: 0\d{2}-\d{8}|0\d{3}-\d{7}這個表達式能匹配兩種以連字號分隔的電話號碼:一種是三位區(qū)號,8位本地號(如010-12345678),一種是4位區(qū)號,7位本地號(0376-2233445)。 \(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}這個表達式匹配3位區(qū)號的電話號碼,其中區(qū)號可以用小括號括起來,也可以不用,區(qū)號與本地號間可以用連字號或空格間隔,也可以沒有間隔。你可以試試用替換|把這個表達式擴展成也支持4位區(qū)號的。 \d{5}-\d{4}|\d{5}這個表達式用于匹配美國的郵政編碼。美國郵編的規(guī)則是5位數(shù)字,或者用連字號間隔的9位數(shù)字。之所以要給出這個例子是因為它能說明一個問題:使用替換時,順序是很重要的。如果你把它改成\d{5}|\d{5}-\d{4}的話,那么就只會匹配5位的郵編(以及9位郵編的前5位)。原因是匹配替換時,將會從左到右地測試每個條件,如果滿足了某個條件的話,就不會去管其它的替換條件了。 Windows98|Windows2000|WindosXP這個例子是為了告訴你替換不僅僅能用于兩種規(guī)則,也能用于更多種規(guī)則。 分組我們已經(jīng)提到了怎么重復單個字符;但如果想要重復一個字符串又該怎么辦?你可以用小括號來指定子表達式(也叫做分組),然后你就可以指定這個子表達式的重復次數(shù)了,你也可以對子表達式進行其它一些操作(教程后面會有介紹)。 (\d{1,3}\.){3}\d{1,3}是一個簡單的IP地址匹配表達式。要理解這個表達式,請按下列順序分析它:\d{1,3}代表1到3位的數(shù)字,(\d{1,3}\.}{3}代表三位數(shù)字加上一個英文句號(這個整體也就是這個分組)重復3次,最后再加上一個一到三位的數(shù)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(IP地址中每個數(shù)字都不能大于255)。如果能使用算術(shù)比較的話,或許能簡單地解決這個問題,但是正則表達式中并不提供關(guān)于數(shù)學的任何功能,所以只能使用冗長的分組,選擇,字符類來描述一個正確的IP地址:((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。 理解這個表達式的關(guān)鍵是理解2[0-4]\d|25[0-5]|[01]?\d\d?,這里我就不細說了,你自己應該能分析得出來它的意義。 后向引用使用小括號指定一個子表達式后,匹配這個子表達式的文本可以在表達式或其它程序中作進一步的處理。默認情況下,每個分組會自動擁有一個組號,規(guī)則是:以分組的左括號為標志,從左向右,第一個分組的組號為1,第二個為2,以此類推。 后向引用用于重復搜索前面某個分組匹配的文本。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可以用來匹配重復的單詞,像go go, kitty kitty。首先是一個單詞,也就是單詞開始處和結(jié)束處之間的多于一個的字母或數(shù)字(\b(\w+)\b),然后是1個或幾個空白符(\s+,最后是前面匹配的那個單詞(\1)。 你也可以自己指定子表達式的組號或組名。要指定一個子表達式的組名,請使用這樣的語法:(?<Word>\w+),這樣就把\w+的組名指定為Word了。要反向引用這個分組捕獲的內(nèi)容,你可以使用\k<Word>,所以上一個例子也可以寫成這樣:\b(?<Word>\w+)\b\s*\k<Word>\b。 使用小括號的時候,還有很多特定用途的語法。下面列出了最常用的一些:
我們已經(jīng)討論了前兩種語法。第三個(?:exp)不會改變正則表達式的處理方式,只是這樣的組匹配的內(nèi)容不會像前兩種那樣被捕獲到某個組里面。 位置指定接下來的四個用于查找在某些內(nèi)容(但并不包括這些內(nèi)容)之前或之后的東西,也就是說它們用于指定一個位置,就像\b,^,$那樣,因此它們也被稱為零寬斷言。最好還是拿例子來說明吧: (?=exp)也叫零寬先行斷言,它匹配文本中的某些位置,這些位置的后面能匹配給定的后綴exp。比如\b\w+(?=ing\b),匹配以ing結(jié)尾的單詞的前面部分(除了ing以外的部分),如果在查找I‘m singing while you‘re dancing.時,它會匹配sing和danc。 (?<=exp)也叫零寬后行斷言,它匹配文本中的某些位置,這些位置的前面能給定的前綴匹配exp。比如(?<=\bre)\w+\b會匹配以re開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,它匹配ading。 假如你想要給一個很長的數(shù)字中每三位間加一個逗號(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。請仔細分析這個表達式,它可能不像你第一眼看出來的那么簡單。 下面這個例子同時使用了前綴和后綴:(?<=\s)\d+(?=\s)匹配以空白符間隔的數(shù)字(再次強調(diào),不包括這些空白符)。 負向位置指定前面我們提到過怎么查找不是某個字符或不在某個字符類里的字符的方法(反義)。但是如果我們只是想要確保某個字符沒有出現(xiàn),但并不想去匹配它時怎么辦?例如,如果我們想查找這樣的單詞--它里面出現(xiàn)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,直接就觀察出來了),你會發(fā)現(xiàn),如果q出現(xiàn)在單詞的結(jié)尾的話,像Iraq,Benq,這個表達式就會出錯。這是因為[^u]總是匹配一個字符,所以如果q是單詞的最后一個字符的話,后面的[^u]將會匹配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將會匹配下一個單詞,于是\b\w*q[^u]\w*\b就能匹配整個Iraq fighting。負向位置指定能解決這樣的問題,因為它只匹配一個位置,并不消費任何字符?,F(xiàn)在,我們可以這樣來解決這個問題:\b\w*q(?!u)\w*\b。 零寬負向先行斷言(?!exp),只會匹配后綴exp不存在的位置。\d{3}(?!\d)匹配三位數(shù)字,而且這三位數(shù)字的后面不能是數(shù)字。 同理,我們可以用(?<!exp),零寬負向后行斷言來查找前綴exp不存在的位置:(?<![a-z])\d{7}匹配前面不是小寫字母的七位數(shù)字(實驗時發(fā)現(xiàn)錯誤?注意你的“區(qū)分大小寫”先項是否選中)。 一個更復雜的例子:(?<=<(\w+)>).*(?=<\/\1>)匹配不包含屬性的簡單HTML標簽內(nèi)里的內(nèi)容。(<?(\w+)>)指定了這樣的前綴:被尖括號括起來的單詞(比如可能是<b>),然后是.*(任意的字符串),最后是一個后綴(?=<\/\1>)。注意后綴里的\/,它用到了前面提過的字符轉(zhuǎn)義;\1則是一個反向引用,引用的正是捕獲的第一組,前面的(\w+)匹配的內(nèi)容,這樣如果前綴實際上是<b>的話,后綴就是</b>了。整個表達式匹配的是<b>和</b>之間的內(nèi)容(再次提醒,不包括前綴和后綴本身)。 注釋小括號的另一種用途是能過語法(?#comment)來包含注釋。要包含注釋的話,最好是啟用“忽略模式里的空白符”選項,這樣在編寫表達式時能任意的添加空格,Tab,換行,而實際使用時這些都將被忽略。啟用這個選項后,在#后面到這一行結(jié)束的所有文本都將被當成注釋忽略掉。例如,我們可以把上一個表達式寫成這樣: (?<= # 查找前綴,但不包含它 <(\w+)> # 查找尖括號括起來的字母或數(shù)字(標簽) ) # 前綴結(jié)束 .* # 匹配任意文本 (?= # 查找后綴,但不包含它 <\/\1> # 查找尖括號括起來的內(nèi)容:前面是一個"/",后面是先前捕獲的標簽 ) # 后綴結(jié)束 貪婪與懶惰當正則表達式中包含能接受重復的量詞(指定數(shù)量的代碼,例如*,{5,12}等)時,通常的行為是匹配盡可能多的字符??紤]這個表達式:a.*b,它將會匹配最長的以a開始,以b結(jié)束的字符串。如果用它來搜索aabab的話,它會匹配整個字符串aabab。這被稱為貪婪匹配。 有時,我們更需要懶惰匹配,也就是匹配盡可能少的字符。前面給出的量詞都可以被轉(zhuǎn)化為懶惰匹配模式,只要在它后面加上一個問號。這樣.*?就意味著匹配任意數(shù)量的重復,但是在能使整個匹配成功的前提下使用最少的重復?,F(xiàn)在看看懶惰版的例子吧: a.*?b匹配最短的,以a開始,以b結(jié)束的字符串。如果把它應用于aabab的話,它會匹配aab和ab。
還有些什么東西沒提到我已經(jīng)描述了構(gòu)造正則表達式的大量元素,還有一些我沒有提到的東西。下面是未提到的元素的列表,包含語法和簡單的說明。你可以在網(wǎng)上找到更詳細的參考資料來學習它們--當你需要用到它們的時候。如果你安裝了MSDN Library,你也可以在里面找到關(guān)于.net下正則表達式詳細的文檔。
一些我認為你可能已經(jīng)知道的術(shù)語的參考
|
|
联系客服
微信扫码,添加客服企业微信
客服QQ:
1732698931联系电话:4000-999-276
客服工作时间9:00-18:00,晚上非工作时间,请在微信或QQ留言,第二天客服上班后会立即联系您。