logo资料库

我见过的最好的正则表达式入门教程.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书 资料大小：0.53M 资料格式：pdf 举报 版权申诉
第1页 / 共13页
第2页 / 共13页
第3页 / 共13页
第4页 / 共13页
第5页 / 共13页
第6页 / 共13页
第7页 / 共13页
第8页 / 共13页
资料共13页，剩余部分请下载后查看
    我见过最好的正则表达式入门教程 目录： 本文目标 如何使用本教程 正则表达式到底是什么东西？ 入门 元字符 字符转义 重复 字符类 分枝条件 反义 分组 后向引用 零宽断言 负向零宽断言 注释 贪婪与懒惰 处理选项 平衡组/递归匹配 还有些什么东西没提到 本文目标 30 分钟内让你明白正则表达式是什么，并对它有一些基本的了解，让你可以在 自己的程序或网页里使用它。 如何使用本教程 别被下面那些复杂的表达式吓倒，只要跟着我一步一步来，你会发现正则表达式 其实并没有想像中的那么困难。当然，如果你看完了这篇教程之后，发现自己明 白了很多，却又几乎什么都记不得，那也是很正常的——我认为，没接触过正则 表达式的人在看完这篇教程后，能把提到过的语法记住 80%以上的可能性为零。 这里只是让你明白基本的原理，以后你还需要多练习，多使用，才能熟练掌握正 则表达式。
    除了作为入门教程之外，本文还试图成为可以在日常工作中使用的正则表达式语 法参考手册。就作者本人的经历来说，这个目标还是完成得不错的——你看，我 自己也没能把所有的东西记下来，不是吗？ 清除格式 文本格式约定：专业术语 元字符/语法格式 正则表达式 正则表达式 中的一部分(用于分析) 对其进行匹配的源字符串 对正则表达式或其中一部分的 说明 正则表达式到底是什么东西？ 在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的 需要。正则表达式就是用于描述这些规则的工具。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/Dos 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 Word 文档的话，你会搜索*.doc。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 010-12345678 或 0376-7654321)。 入门 学习正则表达式的最好方法是从例子开始，理解例子之后再自己对例子进行修改，实验。下 面给出了不少简单的例子，并对它们作了详细的说明。 假设你在一篇英文小说里查找 hi，你可以使用正则表达式 hi。 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 h,后一个是 i。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 hi,HI,Hi,hI 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 him,history,high 等等。 用 hi 来查找的话，这里边的 hi 也会被找出来。如果要精确地查找 hi 这个单词的 话，我们应该使用\bhi\b。 \b 是正则表达式规定的一个特殊代码（好吧，某些人叫它元字符，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。 如果需要更精确的说法，\b 匹配这样的位置：它的前一个字符和后一个字符不 全是(一个是,一个不是或不存在)\w。 假如你要找的是 hi 后面不远处跟着一个 Lucy，你应该用\bhi\b.*\bLucy\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\bhi\b.*\bLucy\b 的意思就很明显了：先是一个单词 hi,然后是任意个任意字符(但不能是换行)，最后是 Lucy 这个单词。 换行符就是'\n',ASCII 编码为 10(十六进制 0x0A)的字符。 如果同时使用其它元字符，我们就能构造出功能更强大的正则表达式。比如下面 这个例子： 0\d\d-\d\d\d\d\d\d\d\d 匹配这样的字符串：以 0 开头，然后是两个数字，然后 是一个连字号“-”，最后是 8 个数字(也就是中国的电话号码。当然，这个例子 只能匹配区号为 3 位的情形)。 这里的\d 是个新的元字符，匹配一位数字(0，或 1，或 2，或„„)。-不是元字符， 只匹配它本身——连字符(或者减号，或者中横线，或者随你怎么称呼它)。 为了避免那么多烦人的重复，我们也可以这样写这个表达式：0\d{2}-\d{8}。这里 \d 后面的{2}({8})的意思是前面\d 必须连续重复匹配 2 次(8 次)。 元字符 现在你已经知道几个很有用的元字符了，如\b,.,*，还有\d.正则表达式里还有更 多的元字符，比如\s 匹配任意的空白符，包括空格，制表符(Tab)，换行符，中文 全角空格等。\w 匹配字母或数字或下划线或汉字等。 对中文/汉字的特殊处理是由.Net 提供的正则表达式引擎支持的，其它环境下的 具体情况请查看相关文档。 下面来看看更多的例子： \ba\w*\b 匹配以字母 a 开头的单词——先是某个单词开始处(\b)，然后是字母 a, 然后是任意数量的字母或数字(\w*)，最后是单词结束处(\b)。
    好吧，现在我们说说正则表达式里的单词是什么意思吧：就是不少于一个的连续 的\w。不错，这与学习英文时要背的成千上万个同名的东西的确关系不大 :) \d+匹配 1 个或更多连续的数字。这里的+是和*类似的元字符，不同的是*匹配重 复任意次(可能是 0 次)，而+则匹配重复 1 次或更多次。 \b\w{6}\b 匹配刚好 6 个字符的单词。 表 1.常用的元字符 说明 代码 . 匹配除换行符以外的任意字符 \w 匹配字母或数字或下划线或汉字 \s 匹配任意的空白符 \d 匹配数字 \b 匹配单词的开始或结束 ^ 匹配字符串的开始 $ 匹配字符串的结束 元字符^（和数字 6 在同一个键位上的符号）和$都匹配一个位置，这和\b 有点 类似。^匹配你要用来查找的字符串的开头，$匹配结尾。这两个代码在验证输入 的内容时非常有用，比如一个网站如果要求你填写的 QQ 号必须为 5 位到 12 位 数字时，可以使用：^\d{5,12}$。 这里的{5,12}和前面介绍过的{2}是类似的，只不过{2}匹配只能不多不少重复 2 次， {5,12}则是重复的次数不能少于 5 次，不能多于 12 次，否则都不匹配。 因为使用了^和$，所以输入的整个字符串都要用来和\d{5,12}来匹配，也就是说 整个输入必须是 5 到 12 个数字，因此如果输入的 QQ 号能匹配这个正则表达式 的话，那就符合要求了。 和忽略大小写的选项类似，有些正则表达式处理工具还有一个处理多行的选项。 如果选中了这个选项，^和$的意义就变成了匹配行的开始处和结束处。 字符转义 如果你想查找元字符本身的话，比如你查找.,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。这时你就得使用\来取消这些字符的特 殊意义。因此，你应该使用\.和\*。当然，要查找\本身，你也得用\\. 例如：deerchao\.net 匹配 deerchao.net，C:\\Windows 匹配 C:\Windows。
    重复 你已经看过了前面的*,+,{2},{5,12}这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，例如*,{5,12}等)： 表 2.常用的限定符 说明 重复零次或更多次 重复一次或更多次 重复零次或一次 重复 n 次 重复 n 次或更多次 重复 n 到 m 次 代码/语法 * + ? {n} {n,} {n,m} 下面是一些使用重复的例子： Windows\d+匹配 Windows 后面跟 1 个或更多数字 ^\w+匹配一行的第一个单词(或整个字符串的第一个单词，具体匹配哪个意思得 看选项设置) 字符类 要想查找数字，字母或数字，空白是很简单的，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}。 “(”和“)”也是元字符，后面的分组节里会提到，所以在这里需要使用转义。 这个表达式可以匹配几种格式的电话号码，像(010)88886666，或 022-22334455， 或 02912345678 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})。
    分枝条件 不幸的是，刚才那个表达式也能匹配 010)12345678 或(022-87654321 这样的“不 正确”的格式。要解决这个问题，我们需要用到分枝条件。正则表达式里的分枝 条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法 是用|把不同的规则分隔开。听不明白？没关系，看例子： 0\d{2}-\d{8}|0\d{3}-\d{7}这个表达式能匹配两种以连字号分隔的电话号码：一种 是三位区号，8 位本地号(如 010-12345678)，一种是 4 位区号，7 位本地号 (0376-2233445)。 \(?0\d{2}\)?[- ]?\d{8}|0\d{2}[- ]?\d{8}这个表达式匹配 3 位区号的电话号码，其中 区号可以用小括号括起来，也可以不用，区号与本地号间可以用连字号或空格间 隔，也可以没有间隔。你可以试试用分枝条件把这个表达式扩展成也支持 4 位区 号的。 \d{5}-\d{4}|\d{5}这个表达式用于匹配美国的邮政编码。美国邮编的规则是 5 位数 字，或者用连字号间隔的 9 位数字。之所以要给出这个例子是因为它能说明一个 问题：使用分枝条件时，要注意各个条件的顺序。如果你把它改成\d{5}|\d{5}-\d{4} 的话，那么就只会匹配 5 位的邮编(以及 9 位邮编的前 5 位)。原因是匹配分枝条 件时，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管 其它的条件了。 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？你可以用小括号来指定子表达式(也叫做分组)， 然后你就可以指定这个子表达式的重复次数了，你也可以对子表达式进行其它一 些操作(后面会有介绍)。 (\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})。 IP 地址中每个数字都不能大于 255. 经常有人问我, 01.02.03.04 这样前面带有 0 的数字, 是不是正确的 IP 地址呢? 答案是: 是的, IP 地址里的数字可以包含有前 导 0 (leading zeroes). 不幸的是，它也将匹配 256.300.888.999 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?，这里我就不细说了， 你自己应该能分析得出来它的意义。 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： 表 3.常用的反义代码 说明 代码/语法 \W \S \D \B [^x] [^aeiou] 匹配除了 aeiou 这几个字母以外的任意字符 匹配任意不是字母，数字，下划线，汉字的字符 匹配任意不是空白符的字符 匹配任意非数字的字符 匹配不是单词开头或结束的位置 匹配除了 x 以外的任意字符 例子：\S+匹配不包含空白符的字符串。 ]+>匹配用尖括号括起来的以 a 开头的字符串。 后向引用 使用小括号指定一个子表达式后，匹配这个子表达式的文本(也就是此分组捕获 的内容)可以在表达式或其它程序中作进一步的处理。默认情况下，每个分组会 自动拥有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的 分组的组号为 1，第二个为 2，以此类推。 呃„„其实,组号分配还不像我刚说得那么简单： 分组 0 对应整个正则表达式 实际上组号分配过程是要从左向右扫描两遍的：第一遍只给未命名组分配， 第二遍只给命名组分配－－因此所有命名组的组号都大于未命名的组号 你可以使用(?:exp)这样的语法来剥夺一个分组对组号分配的参与权． 后向引用用于重复搜索前面某个分组匹配的文本。例如，\1 代表分组 1 匹配的 文本。难以理解？请看示例：
    \b(\w+)\b\s+\1\b 可以用来匹配重复的单词，像 go go, 或者 kitty kitty。这个表达 式首先是一个单词，也就是单词开始处和结束处之间的多于一个的字母或数字 (\b(\w+)\b)，这个单词会被捕获到编号为 1 的分组中，然后是 1 个或几个空白符 (\s+)，最后是分组 1 中捕获的内容（也就是前面匹配的那个单词）(\1)。 你也可以自己指定子表达式的组名。要指定一个子表达式的组名，请使用这样的 语法：(?\w+)(或者把尖括号换成'也行：(?'Word'\w+)),这样就把\w+的组名 指定为 Word 了。要反向引用这个分组捕获的内容，你可以使用\k,所以上 一个例子也可以写成这样：\b(?\w+)\b\s+\k\b。 使用小括号的时候，还有很多特定用途的语法。下面列出了最常用的一些： 分类 代码/语法 捕获 (exp) 表 4.常用分组语法 说明 匹配 exp,并捕获文本到自动命名的组里 (?exp) 匹配 exp,并捕获文本到名称为 name 的组里，也可以写 零宽 断言 (?:exp) (?=exp) (?<=exp) (?!exp) (?
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料