正则表达式基础知识

 

 

原文地址：http://blog.csdn.net/lxcnn/article/details/4268033

1概述

正则表达式(Regular Expression)是一种匹配模式，描述的是一串文本的特征。

正如天然语言中“高大”、“坚固”等词语抽象出来描述事物特征同样，正则表达式就是字符的高度抽象，用来描述字符串的特征。

正则表达式（如下简称正则，Regex）一般不独立存在，各类编程语言和工具做为宿主语言提供对正则的支持，并根据自身语言的特色，进行必定的剪裁或扩展。

正则入门很容易，有限的语法规则很容易掌握，可是目前正则的普及率并不高，主要是由于正则的流派众多，各类宿主语言提供的文档都过多的关注于自身的一些细节，而这些细节一般是初学者并不须要关注的。

固然，若是想要深刻的了解正则表达式，这些细节又是必须被关注的，这是后话，让咱们先从正则的基础开始，进入正则表达式的世界。

2正则表达式基础

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，这一点对于正则表达式的匹配原理理解很重要。

2.1.2  占有字符和零宽度

正则表达式匹配过程当中，若是子表达式匹配到的是字符内容，而非位置，并被保存到最终的匹配结果中，那么就认为这个子表达式是占有字符的；若是子表达式匹配的仅仅是位置，或者匹配的内容并不保存到最终的匹配结果中，那么就认为这个子表达式是零宽度的。

占有字符仍是零宽度，是针对匹配的内容是否保存到最终的匹配结果中而言的。

占有字符是互斥的，零宽度是非互斥的。也就是一个字符，同一时间只能由一个子表达式匹配，而一个位置，却能够同时由多个零宽度的子表达式匹配。

2.1.3  正则表达式构成

正则表达式由两种字符构成。一种是在正则表达式中具体特殊意义的“元字符”，另外一种是普通的“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[ ]中包含的任意一个字符。虽然能够是任意一个，但只能是一个。

字符组支持由连字符“-”来表示一个范围。当“-”先后构成范围时，要求前面字符的码位小于后面字符的码位。

[^…] 排除型字符组。排除型字符组表示任意一个未列出的字符，一样只能是一个。排除型字符组一样支持由连字符“-”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中任意一个数字，等价于[0123456789]
[\u4e00-\u9fa5]	表示任意一个汉字
[^a1<]	表示除“a”、“1”、“<”外的其它任意一个字符
[^a-z]	表示除小写字母外的任意一个字符

 

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，因为很是经常使用，即便使用[0-9]这样的字符组仍显得麻烦，因此定义了一些元字符，来表示常见的字符范围。

 

表达式	说明
\d	任意一个数字，至关于[0-9]，即0~9 中的任意一个
\w	任意一个字母或数字或下划线，至关于[a-zA-Z0-9_]
\s	任意空白字符，至关于[ \r\n\f\t\v]
\D	任意一个非数字字符，\d取反，至关于[^0-9]
\W	\w取反，至关于[^a-zA-Z0-9_]
\S	任意非空白字符，\s取反，至关于[^ \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”之外的任意一个字符。若是要匹配包括“\n”在内的全部字符，通常用[\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 之外的任意一个字符

 

2.2.4  其它元字符

 

表达式	说明
^	匹配字符串开始的位置，不匹配任何字符
$	匹配字符串结束的位置，不匹配任何字符
\b	匹配单词边界，不匹配任何字符

 

举例：

“^a”在匹配“cba”时，匹配失败，由于表达式要求开始位置后面是字符“a”，而“cba”显然是不知足的。

“\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，若是结尾处不是数字，如“123abc”，则是匹配失败的。

2.2.5  转义字符

一些不可见字符，或是在正则中具备特殊意义的元字符，如想匹配字符自己，须要用“\”对其进行转义。

 

 

表达式	说明
\r，\n	回车和换行
\\	匹配“\”自己
\^，$，\.	分别匹配“^”、“$”和“.”

 

如下字符在匹配其自己时，一般须要进行转义。在实际应用中，根据具体状况，须要转义的字符可能不止以下所列字符

　.  $  ^  {  [  (  |  )  *  +  ?  \

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}”至关于“\d\d\d ” “(abc){2}”至关于“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，至关于{0,1}	“ab?”能够匹配“a”或“ab”
*	表达式匹配0次或任意屡次，至关于{0,}	“<[^>]*>”中“[^>]*”表示0个或任意多个不是“>”的字符
+	表达式匹配1次或意屡次，至少1次，至关于{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则表达式中，不要出现“{1}”这样的量词，如“\w{1}”在结果上等价于“\w”，可是会下降匹配效率和可读性，属于多此一举的作法。

2.2.7  分支结构（Alternation）

当一个字符串的某一子串具备多种可能时，采用分支结构来匹配，“|”表示多个子表达式之间“或”的关系，“|”是以()限定范围的，若是在“|”的左右两侧没有()来限定范围，那么它的做用范围即为“|”左右两侧总体。

 

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”，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“开始”和“结束”位置之间只能是“aa”或“b”，而“cccb”显然是不知足的。

3正则表达式进阶

3.1捕获组（Capture Group）

捕获组就是把正则表达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（在不产生歧义的状况下，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开始进行编号。一般状况下，编号为0的组表示整个表达式匹配的内容。

命名捕获组能够经过捕获组名，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，也不用担忧表达式部分变动会致使引用错误的捕获组。

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( )带来的反作用。

 

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最终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，能够在正则表达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。

反向引用一般用来查找重复的子串，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，虽然既能够匹配“a”，也能够匹配“b”，可是在进行反向引用时，对应()中匹配的内容已是固定的了。

3.4     环视（Look Around）

环视只进行子表达式的匹配，匹配内容不计入最终的匹配结果，是零宽度的。

环视按照方向划分有顺序和逆序两种，按照是否匹配有确定和否认两种，组合起来就有四种环视。环视至关于对所在位置加了一个附加条件。

 

 

表达式	说明
(?<=Expression)	逆序确定环视，表示所在位置左侧可以匹配Expression
(?<!Expression)	逆序否认环视，表示所在位置左侧不能匹配Expression
(?=Expression)	顺序确定环视，表示所在位置右侧可以匹配Expression
(?!Expression)	顺序否认环视，表示所在位置右侧不能匹配Expression

 

举例：

“(?<=Windows )\d+”在匹配“Windows 2003”时，匹配成功，匹配结果为“2003”。咱们知道“\d+”表示匹配一个以上的数字，而“(?<=Windows )”至关于一个附加条件，表示所在位置左侧必须为“Windows ”，它所匹配的内容并不计入匹配结果。一样的正则在匹配“Office 2003”时，匹配失败，由于这里任意一串数字子串的左侧都不是“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)”要求所在位置右侧不能是“1”，因此匹配成功的位置是“2”前面的位置。

3.5忽略优先和匹配优先

或者叫作正则表达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状况下，总会先尝试进行匹配，称这种方式为匹配优先，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状况下，总会先忽略匹配，只有在由忽略优先量词修饰的子表达式，必须进行匹配才能使整个表达式匹配成功时，才会进行匹配，称这种方式为忽略优先，或者非贪婪模式。忽略优先量词包括“{m}?”、“{m,n}?”、“{m,}?”、“??”、“*?”和“+?”。

举例：

源字符串：<div>aaa</div><div>bbb</div>

正则表达式1：<div>.*</div>      匹配结果：<div>aaa</div><div>bbb</div>

正则表达式2：<div>.*?</div>     匹配结果：<div>aaa</div>