正則表達式到底是什么？

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。

很可能你使用過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，只不過比起通配符，它能更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，用來查找[u]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[/u](像010-12345678或0376-7654321)。

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，尋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；還有一種是名詞性的，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”。

入門

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[u]hi[/u]，你可以使用正則表達式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：[u]由兩個字符組成，前一個字符是h,后一個是i[/u]。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[u]精確地查找hi這個單詞[/u]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（好吧，某些人叫它元字符，metacharacter），代表著[u]單詞的開頭或結尾，也就是單詞的分界處[/u]。雖然通常英文的單詞是由空格或標點符號或換行來分隔的，但是\b并不匹配這些單詞分隔符中的任何一個，它只匹配一個位置。（如果需要更精確的說法，\b匹配這樣的位置：它的前一個字符和后一個字符不全是(一個是,一個不是或不存在)\w）

假如你要找的是[u]hi后面不遠處跟著一個lucy[/u]，你應該用\bhi\b.*\blucy\b。

這里，.是另一個元字符，匹配[u]除了換行符以外的任意字符[/u]。*同樣是元字符，不過它代表的不是字符，也不是位置，而是數(shù)量——它指定*[u]前邊的內容可以連續(xù)重復出現(xiàn)任意次以使整個表達式得到匹配[/u]。因此，.*連在一起就意味著[u]任意數(shù)量的不包含換行的字符[/u]?，F(xiàn)在\bhi\b.*\blucy\b的意思就很明顯了：[u]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[/u]。

如果同時使用其它的一些元字符，我們就能構造出功能更強大的正則表達式。比如下面這個例子：

0\d\d-\d\d\d\d\d\d\d\d匹配這樣的字符串：[u]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[/u](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)。

這里的\d是一個新的元字符，匹配[u]任意的數(shù)字(0，或1，或2，或……)[/u]。-不是元字符，只匹配它本身——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})的意思是前面\d[u]必須連續(xù)重復匹配2次(8次)[/u]。

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 2.0下正則表達式的行為，所以，我向你介紹一個.net下的工具regex tester。首先你確保已經(jīng)安裝了.net framework 2.0，然后下載regex tester。這是個綠色軟件，下載完后打開壓縮包,直接運行regextester.exe就可以了。

下面是regex tester運行時的截圖：

元字符

現(xiàn)在你已經(jīng)知道幾個很有用的元字符了，如\b,.,*，還有\d.當然還有更多的元字符可用，比如\s匹配[u]任意的空白符，包括空格，制表符(tab)，換行符，中文全角空格等[/u]。\w匹配[u]字母或數(shù)字或下劃線或漢字等[/u]。

下面來試試更多的例子：

\ba\w*\b匹配[u]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*)，最后是單詞結束處(\b)[/u]（好吧，現(xiàn)在我們說說正則表達式里的單詞是什么意思吧：就是幾個連續(xù)的\w。不錯，這與學習英文時要背的成千上萬個同名的東西的確關系不大）。

\d+匹配[u]1個或更多連續(xù)的數(shù)字[/u]。這里的+是和*類似的元字符，不同的是*匹配[u]重復任意次(可能是0次)[/u]，而+則匹配[u]重復1次或更多次[/u]。

\b\w{6}\b 匹配[u]剛好6個字母/數(shù)字的單詞[/u]。

表1.常用的元字符

代碼
說明
.
[u]匹配除換行符以外的任意字符[/u]
\w
[u]匹配字母或數(shù)字或下劃線或漢字[/u]
\s
[u]匹配任意的空白符[/u]
\d
[u]匹配數(shù)字[/u]
\b
[u]匹配單詞的開始或結束[/u]
^
[u]匹配字符串的開始[/u]
$
[u]匹配字符串的結束[/u]

元字符^（和數(shù)字6在同一個鍵位上的符號）以及$和\b有點類似，都匹配一個位置。^匹配你要用來查找的字符串的開頭，$匹配結尾。這兩個代碼在驗證輸入的內容時非常有用，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}匹配[u]只能不多不少重復2次[/u]，{5,12}則是[u]重復的次數(shù)不能少于5次，不能多于12次[/u]，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[u]必須是5到12個數(shù)字[/u]，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[u]匹配行的開始處和結束處[/u]。

字符轉義

如果你想查找元字符本身的話，比如你查找[u].[/u],或者[u]*[/u],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[u]\[/u]本身，你也得用\\.

例如：www\.unibetter\.com匹配[u]unibetter.com[/u]，c:\\windows匹配[u]c:\windows[/u]。

重復

你已經(jīng)看過了前面的*,+,{2},{5,12}這幾個匹配重復的方式了。下面是正則表達式中所有的限定符(指定數(shù)量的代碼，例如*,{5,12}等)：

表2.常用的限定符

代碼/語法
說明
*
[u]重復零次或更多次[/u]
+
[u]重復一次或更多次[/u]
?
[u]重復零次或一次[/u]
{n}
[u]重復n次[/u]
{n,}
[u]重復n次或更多次[/u]
{n,m}
[u]重復n到m次[/u]

下面是一些使用重復的例子：

windows\d+匹配[u]windows后面跟1個或更多數(shù)字[/u]

13\d{9}匹配[u]13后面跟9個數(shù)字(中國的手機號)[/u]

^\w+匹配[u]一行的第一個單詞(或整個字符串的第一個單詞，具體匹配哪個意思得看選項設置)[/u]

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合的元字符，但是如果你想匹配沒有預定義元字符的字符集合(比如元音字母a,e,i,o,u),應該怎么辦？

很簡單，你只需要在中括號里列出它們就行了，像[aeiou]就匹配[u]任何一個英文元音字母[/u]，[.?!]匹配[u]標點符號(.或?或!)[/u](英文語句通常只以這三個標點結束)。

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：[u]一位數(shù)字[/u]，同理[a-z0-9a-z_]也完全等同于\w（如果只考慮英文的話）。

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[u]幾種格式的電話號碼[/u]，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(\d{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能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：

表3.常用的反義代碼

代碼/語法
說明
\w
[u]匹配任意不是字母，數(shù)字，下劃線，漢字的字符[/u]
\s
[u]匹配任意不是空白符的字符[/u]
\d
[u]匹配任意非數(shù)字的字符[/u]
\b
[u]匹配不是單詞開頭或結束的位置[/u]
[^x]
[u]匹配除了x以外的任意字符[/u]
[^aeiou]
[u]匹配除了aeiou這幾個字母以外的任意字符[/u]

例子：\s+匹配[u]不包含空白符的字符串[/u]。

]+>匹配[u]用尖括號括起來的以a開頭的字符串[/u]。

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？沒關系，看例子：

0\d{2}-\d{8}|0\d{3}-\d{7}這個表達式能[u]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)[/u]。

\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}這個表達式[u]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[/u]。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分枝條件，如果滿足了某個分枝的話，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（直接在字符后面加上限定符就行了）；但如果想要重復多個字符又該怎么辦？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(后面會有介紹)。

(\d{1,3}\.){3}\d{1,3}是一個[u]簡單的ip地址匹配[/u]表達式。要理解這個表達式，請按下列順序分析它：\d{1,3}匹配[u]1到3位的數(shù)字[/u]，(\d{1,3}\.){3}匹配[u]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[/u]，最后再加上[u]一個一到三位的數(shù)字[/u](\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。題外話，好像反恐24小時第三季的編劇不知道這一點，汗...)。如果能使用算術比較的話，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(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：從左向右，以分組的左括號為標志，第一個出現(xiàn)的分組的組號為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[u]分組1匹配的文本[/u]。難以理解？請看示例：

\b(\w+)\b\s+\1\b可以用來匹配[u]重復的單詞[/u]，像go go, kitty kitty。首先是[u]一個單詞[/u]，也就是[u]單詞開始處和結束處之間的多于一個的字母或數(shù)字[/u](\b(\w+)\b)，然后是[u]1個或幾個空白符[/u](\s+)，最后是[u]前面匹配的那個單詞[/u](\1)。

你也可以自己指定子表達式的組名。要指定一個子表達式的組名，請使用這樣的語法：(?\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。要反向引用這個分組捕獲的內容，你可以使用\k,所以上一個例子也可以寫成這樣：\b(?\w+)\b\s+\k\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：

表4.分組語法

捕獲
(exp)
[u]匹配exp,并捕獲文本到自動命名的組里[/u]
(?exp)
[u]匹配exp,并捕獲文本到名稱為name的組里，也可以寫成(?'name'exp)[/u]
(?:exp)
[u]匹配exp,不捕獲匹配的文本，也不給此分組分配組號[/u]
零寬斷言
(?=exp)
[u]匹配exp前面的位置[/u]
(?<=exp)
[u]匹配exp后面的位置[/u]
(?!exp)
[u]匹配后面跟的不是exp的位置[/u]
(?
[u]匹配前面不是exp的位置[/u]
注釋
(?#comment)
[u]這種類型的組不對正則表達式的處理產(chǎn)生任何影響，用于提供注釋讓人閱讀[/u]

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容[u]不會像前兩種那樣被捕獲到某個組里面[/u]。

零寬斷言

接下來的四個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，也就是說它們像\b,^,$那樣用于指定一個位置，這個位置應該滿足一定的條件(斷言)，因此它們也被稱為零寬斷言。最好還是拿例子來說明吧：

(?=exp)也叫零寬度正預測先行斷言，它[u]斷言自身出現(xiàn)的位置的后面能匹配表達式exp[/u]。比如\b\w+(?=ing\b)，匹配[u]以ing結尾的單詞的前面部分(除了ing以外的部分)[/u]，如查找i'm singing while you're dancing.時，它會匹配[u]sing[/u]和[u]danc[/u]。

(?<=exp)也叫零寬度正回顧后發(fā)斷言，它[u]斷言自身出現(xiàn)的位置的前面能匹配表達式exp[/u]。比如(?<=\bre)\w+\b會匹配[u]以re開頭的單詞的后半部分(除了re以外的部分)[/u]，例如在查找reading a book時，它匹配[u]ading[/u]。

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，用它對1234567890進行查找時結果是[u]234567890[/u]。

下面這個例子同時使用了這兩種斷言：(?<=\s)\d+(?=\s)匹配[u]以空白符間隔的數(shù)字(再次強調，不包括這些空白符)[/u]。

負向零寬斷言

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[u]包含后面不是字母u的字母q的單詞[/u]。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)在單詞的結尾的話，像iraq,benq，這個表達式就會出錯。這是因為[^u]總要匹配一個字符，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。負向零寬斷言能解決這樣的問題，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。

零寬度負預測先行斷言(?!exp)，[u]斷言此位置的后面不能匹配表達式exp[/u]。例如：\d{3}(?!\d)匹配[u]三位數(shù)字，而且這三位數(shù)字的后面不能是數(shù)字[/u]；\b((?!abc)\w)+\b匹配[u]不包含連續(xù)字符串a(chǎn)bc的單詞[/u]。

同理，我們可以用(?,零寬度正回顧后發(fā)斷言來[u]斷言此位置的前面不能匹配表達式exp[/u]：(?匹配[u]前面不是小寫字母的七位數(shù)字[/u]。

一個更復雜的例子：(?<=<(\w+)>).*(?=<\/\1>)匹配[u]不包含屬性的簡單html標簽內里的內容[/u]。()指定了這樣的前綴：[u]被尖括號括起來的單詞[/u](比如可能是)，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義；\1則是一個反向引用，引用的正是[u]捕獲的第一組[/u]，前面的(\w+)匹配的內容，這樣如果前綴實際上是的話，后綴就是了。整個表達式匹配的是和之間的內容(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通過語法(?#comment)來包含注釋。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，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表達式寫成這樣：

(?<= # 斷言要匹配的文本的前綴
<(\w+)> # 查找尖括號括起來的字母或數(shù)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> # 查找尖括號括起來的內容：前面是一個"/"，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，通常的行為是（在使整個表達式能得到匹配的前提下）匹配盡可能多的字符?？紤]這個表達式：a.*b，它將會匹配[u]最長的以a開始，以b結束的字符串[/u]。如果用它來搜索aabab的話，它會匹配整個字符串[u]aabab[/u]。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問號?。這樣.*?就意味著[u]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[/u]。現(xiàn)在看看懶惰版的例子吧：

a.*?b匹配[u]最短的，以a開始，以b結束的字符串[/u]。如果把它應用于aabab的話，它會匹配[u]aab[/u]和[u]ab[/u]（為什么第一個匹配是aab而不是ab？簡單地說，因為正則表達式有另一條規(guī)則，比懶惰／貪婪規(guī)則的優(yōu)先級更高：最先開始的匹配擁有最高的優(yōu)先權——the match that begins earliest wins）。

表5.懶惰限定符

*?
[u]重復任意次，但盡可能少重復[/u]
+?
[u]重復1次或更多次，但盡可能少重復[/u]
??
[u]重復0次或1次，但盡可能少重復[/u]
{n,m}?
[u]重復n到m次，但盡可能少重復[/u]
{n,}?
[u]重復n次以上，但盡可能少重復[/u]
處理選項

上面介紹了幾個選項如忽略大小寫，處理多行等，這些選項能用來改變處理正

該文章在 2010/7/3 15:56:56 編輯過