字符串之正则表达式

发表于 3年以前 | 总阅读数：2230 次

前言：

授人以鱼不如授人以渔，大家在编程的时候总会遇到要查找某些复杂规则的字符串，例如在 linux 系统中，需要对多个文件里的某段代码进行替换，你是不是还在每个文件打开逐一目标替换？如果你也有这样的困惑那么正则表达式就是你必须会的技能。

1、什么是正则表达式

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个 “规则字符串” ，这个 “规则字符串” 用来表达对字符串的一种过滤逻辑。换句话说，正则表达式就是记录文本规则的代码。

很可能你使用过 Windows 下用于文件查找的通配符(wildcard)，也就是 * 和 ?。如果你想查找某个目录下的所有的 pdf 文档的话，可以直接搜索 *.pdf，如下：

在这里，* 会被解释成任意的字符串。和通配符类似，正则表达式也是用来进行文本匹配的工具，只不过比起通配符，它能更精确地描述你的需求。当然，代价就是更复杂，比如你可以编写一个正则表达式，用来查找所有以 0 开头，后面跟着 2-3 个数字，然后是一个连字号 “-” ，最后是 7 或 8 位数字的字符串(像 011-12345678 或 0856-7654321)。

2、入门

学习正则表达式的最好方法是从例子开始。

假如你在一篇英文期刊里查找 me，你可以使用正则表达式 me。

这几乎是最简单的正则表达式了，它可以精确匹配这样的字符串：由两个字符组成，前一个字符是 m, 后一个是 e。通常，处理正则表达式的工具会提供一个忽略大小写的选项，如果选中了这个选项，它可以匹配 me, ME, Me, mE 这四种情况中的任意一种。

不幸的是，很多单词里包含 hi 这两个连续的字符，比如 me, mean, measure等等。用 me 来查找的话，这里边的 me 也会被找出来。如果要精确地查找 me 这个单词的话，我们应该使用 \bme\b。

\b 是正则表达式规定的一个特殊代码（有些人叫它元字符，metacharacter），代表着单词的开头或结尾，也就是单词的分界处。虽然通常英文的单词是由空格，标点符号或者换行来分隔的，但是 \b 并不匹配这些单词分隔字符中的任何一个，它只匹配一个位置。

假如你要找的是 me 后面不远处跟着一个 james，你应该用 \bme\b.*\bjames\b。

这里 . 是另一个元字符，匹配除了换行符以外的任意字符。* 同样是元字符，不过它代表的不是字符，也不是位置，而是数量——它指定 * 前边的内容可以连续重复使用任意次以使整个表达式得到匹配。

因此 .* 连在一起就意味着任意数量的不包含换行的字符。现在\bme\b.*\bjames\b的意思就很明显了：先是一个单词 me 然后是任意个任意字符(但不能是换行)，最后是 james 这个单词。

3、元字符

正则表达式由一些普通字符和一些元字符（metacharacters）组成。普通字符包括大小写的字母和数字，而元字符则具有特殊的含义，要想真正的用好正则表达式，正确的理解元字符是最重要的事情。下表列出了常用的元字符

元字符	描述
.	匹配除 “\n” 和 "\r" 之外的任何单个字符。要匹配包括 “\n” 和 "\r" 在内的任何字符，请使用像 “[\s\S]” 的模式
\w	匹配包括下划线的任何单词字符。类似但不等价于 “[A-Za-z0-9_]” ，这里的 "单词" 字符使用 Unicode 字符集
\s	匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]
\d	匹配一个数字字符。等价于 [0-9] 。grep 要加上 -P， perl 正则支持
\b	匹配一个单词的边界，也就是指单词和空格间的位置（即正则表达式的 “匹配” 有两种概念，一种是匹配字符，一种是匹配位置，这里的 \b 就是匹配位置的）。例如， “er\b” 可以匹配 “never” 中的 “er” ，但不能匹配 “verb” 中的 “er”；“\b1_” 可以匹配 “123” 中的 “1”，但不能匹配 “213” 中的 “1”
^	匹配输入字行首。如果设置了 RegExp 对象的 Multiline 属性， ^ 也匹配 “\n” 或 “\r” 之后的位置。
$	匹配输入行尾。如果设置了 RegExp 对象的 Multiline 属性，$ 也匹配 “\n” 或 “\r” 之前的位置。

4、字符转义

如果想查找元字符本身的话，比如查找 . ,或者 * ,就出现了问题：你没办法指定它们，因为它们会被解释成别的意思。这时就得使用 \ 来取消这些字符的特殊意义。因此，应该使用 . 和 *。当然，要查找 \ 本身，也得用 \。

例如：mayday\.net 匹配 mayday.net ，C:\\Windows匹配C:\Windows。

5、重复

已经看过了前面的 * , + 几个匹配重复的方式了。下面是正则表达式中所有的限定符(指定数量的代码：

元字符	描述
*	匹配前面的子表达式任意次。例如，zo 能匹配 “z” ，也能匹配 “zo” 以及 “zoo” 。等价于{0,}。
+	匹配前面的子表达式一次或多次(大于等于1次）。例如，“zo+” 能匹配 “zo” 以及 “zoo”，但不能匹配 “z” 。+ 等价于 {1,}。
?	匹配前面的子表达式零次或一次。例如，“do(es)?” 可以匹配 “do” 或 “does” 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 n 次。例如， “o{2}” 不能匹配 “Bob” 中的 “o”，但是能匹配 “food” 中的两个 o。
{n,}	n 是一个非负整数。至少匹配 n 次。例如， “o{2,}” 不能匹配 “Bob” 中的 “o”，但能匹配 “foooood” 中的所有 o。“o{1,}” 等价于 “o+” 。“o{0,}” 则等价于 “o*”。
{n,m}	m 和 n 均为非负整数，其中 n<=m。最少匹配 n 次且最多匹配 m 次。例如， “o{1,3}” 将匹配 “fooooood” 中的前三个 o 为一组，后三个 o 为一组。“o{0,1}” 等价于 “o?”。请注意在逗号和两个数之间不能有空格。

6、字符类

要想查找数字、字母、数字、空白已经很简单，因为已经有了对应这些字符集合的元字符，但是如果你想匹配没有预定义元字符的字符集合(比如元音字母 a,e,i,o,u ),应该怎么办？

很简单，你只需要在方括号里列出它们就行了，像 [aeiou] 就匹配任何一个英文元音字母， [.?!] 匹配标点符号( . 或 ? 或 !)。

我们也可以轻松地指定一个字符范围，像 [0-9] 代表的含意与 \d 就是完全一致的：一位数字；同理 [a-z0-9A-Z_] 也完全等同于 \w （如果只考虑英文的话）。

下面是一个更复杂的表达式：\(?0\d{2}[) -]?\d{8}。

这个表达式可以匹配几种格式的电话号码，像 011-22884499 ，或 0845652452 等。我们对它进行一些分析吧：首先是一个转义字符 (,它能出现 0 次或 1 次 (?),然后是一个 0，后面跟着 2 个数字 (\d{2})，然后是)或-或空格中的一个，它出现 1 次或不出现(?)，最后是 8 个数字(\d{8})。

7、反义

有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外，其它任意字符都行的情况，这时需要用到反义

元字符	描述
\w	匹配任意不是字母，数字，下划线，汉字的字符
\s	匹配任意不是空白符的字符
\D	匹配任意非数字的字符
\B	匹配不是单词开头或结束的位置
[^x]	匹配除了 x 以外的任意字符
[^aeiou]	匹配除了 aeiou 这几个字母以外的任意字符

例子：

\S+ 匹配不包含空白符的字符串。<a[^>]+> 匹配用尖括号括起来的以 a 开头的字符串

8、分组

我们已经提到了怎么重复单个字符（直接在字符后面加上限定符就行了）；但如果想要重复多个字符又该怎么办？可以用小括号来指定子表达式(也叫做分组)，然后就可以指定这个子表达式的重复次数了，也可以对子表达式进行其它一些操作。

(\d{1,3}\.){3}\d{1,3} 是一个简单的 IP 地址匹配表达式。要理解这个表达式，请按下列顺序分析它：\d{1,3} 匹配 1 到 3 位的数字，(\d{1,3}\.){3} 匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复 3 次，最后再加上一个一到三位的数字(\d{1,3})。

可是也将匹配256.300.777.888这种不可能存在的 IP 地址。如果能使用算术比较的话，或许能简单地解决这个问题，但是正则表达式中并不提供关于数学的任何功能，所以只能使用冗长的分组，选择，字符类来描述一个正确的 IP 地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

理解这个表达式的关键是理解2[0-4]\d|25[0-5]|[01]?\d\d?，这里就不细说了，大家应该能分析得出来它的意义。

9、贪婪与懒惰

当正则表达式中包含能接受重复的限定符时，通常的行为是匹配尽可能多的字符。以这个表达式为例：b.*c ，它将会匹配最长的以 b 开始，以 c 结束的字符串。如果用它来搜索 babac 的话，它会匹配整个字符串 babac 。这被称为贪婪匹配。

有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号 ? 。这样 .*? 就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧：

a.*?b 匹配最短的，以 a 开始，以 b 结束的字符串。如果把它应用于 aabab 的话，它会匹配 aab（第一到第三个字符）和 ab（第四到第五个字符）。

限定符	描述
*?	重复任意次，但尽可能少重复
+?	重复 1 次或更多次，但尽可能少重复
??	重复 0 次或 1 次，但尽可能少重复
{n,m}?	重复 n 到 m 次，但尽可能少重复
{n,}?	重复 n 次以上，但尽可能少重复

10、处理选项

上面介绍了几个选项如忽略大小写，处理多行等，这些选项能用来改变处理正则表达式的方式。下面是 .Net 中常用的正则表达式选项：

限定符	描述
IgnoreCase	匹配时不区分大小写。
Multiline	更改 ^ 和的含义，使它们分别在任意一行的行首和行尾匹配，而不仅仅在整个字符串的开头和结尾匹配。在此模式下的精确含意是:匹配 \n 之前的位置以及字符串结束前的位置.)
Singleline	更改 . 的含义，使它与每一个字符匹配（包括换行符 \n）
IgnorePatternWhitespace	更改 . 的含义，使它与每一个字符匹配（包括换行符 \n ）
ExplicitCapture	仅捕获已被显式命名的组。