Oct 26

regular expression 正则表达式

文章目录

1. 前言

前言

总是遇见正则表达式，也没有仔细看过，今天看了几篇blog，简单做个笔记。
正则表达式：用于匹配满足某些规则的文本的代码。

元字符

常用元字符

. 匹配除换行符以外的任意字符。
* 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。
\w 匹配字母或者数字或者下划线或汉字。
\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。
\d 匹配一位数字0-9。
\b 匹配单词的开头或者结尾，即单词的分界处，并不是匹配具体的一个什么分割字符，就是匹配这么个位置。
^ 匹配字符串的开始。
$ 匹配字符串的结束。

如果你想查找元字符本身的话，需要使用转义字符\来取消这些字符的特殊意义。\.匹配.，\\匹配\。

例子

hi  ==> hi/history/high/white等;
\bhi\b  ==> 只会精确的匹配查找hi单词;
.* ==> 匹配任意数量的不含换行的字符
\bhi\b.*\blucy\b  ==> 显示一个单词hi，然后是人一个字符（但不能是换行），最后是lucy这个单词;
0\d\d-\d\d\d\d\d\d\d  ==> 以0开头，然后是两个数字，然后是一个连字符“-”，最后是7个数字（固定电话）;
\ba\w*\b ==> 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)。

限定符

常用限定符

* 重复0次或者更多次。
+ 重复1次或者更多次。
? 重复0次或者1次。
{n} 重复n次。
{n,} 重复n次或者更多次。
{n,m} 重复n次到m次。

0\d{2}-\d{8}  ==> {2}表示前面的\d必须连续重复匹配2次，所以意思同上（固定电话）;
\d+ ==> 匹配1个或更多连续的数字.
\b\w{6}\b ==> 匹配刚好6个字符的单词。
\d{5,12} ==> {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。
Windows\d+ ==> 匹配Windows后面跟1个或更多数字。

反义代码

常用反义字符

\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。

1 2	\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。

分组语法

通过()指定子表达式。
常用分组语法

捕获

(exp) 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，也可以写成(?’name’exp)。
(?:exp) 匹配exp,不捕获匹配的文本，也不给此分组分配组号。
零宽断言
断言：声明一个应该为真的事实。正则表达式中只有断言正确才会继续匹配。我们要捕获的内容前后必须是某些特定的内容，但又不捕获这些特定类容的时候，使用零宽断言。
(?=exp) 断言匹配内容的后面是表达式exp。
(?<=exp) 断言匹配内容的前面是表达式exp。
(?!exp) 断言匹配内容的后面不是表达式exp。

(?<!exp) 断言匹配内容的前面不是表达式exp。

‘industr(?:y|ies) ;
//匹配’industry’或’industries’返回值仅仅industry或者industries本身，而没有括号中的分组。
‘Windows (?=95|98|NT|2000)’;
//匹配 "Windows2000" 中的 "Windows"   
//不匹配 "Windows3.1" 中的 "Windows"。

注释

(?#comment) 这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释让人阅读。

\b\w+(?=ing\b) ==> 匹配以ing结尾的单词的前面部分(除了ing以外的部分)，如查找I'm singing while you're dancing.时，它会匹配sing和danc。
(?<=\bre)\w+\b ==> 会匹配以re开头的单词的后半部分(除了re以外的部分)，例如在查找reading a book时，它匹配ading。
(?<=\s)\d+(?=\s) ==> 匹配以空白符间隔的数字(再次强调，不包括这些空白符)。
\b\w*q[^u]\w*\b ==> 匹配包含后面不是字母u的字母q的单词。Iraq,Benq，这个表达式就会出错。
\b\w*q(?!u)\w*\b ==> 能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。
\d{3}(?!\d) ==> 匹配三位数字，而且这三位数字的后面不能是数字。
\b((?!abc)\w)+\b ==> 匹配不包含连续字符串abc的单词。
(?<=<(\w+)>).*(?=<\/\1>) ==> 匹配不包含属性的简单HTML标签内里的内容。

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（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。以这个表达式为例：a.b，它将会匹配最长的以a开始，以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。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）。
为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？简单地说，因为正则表达式有另一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权——The match that begins earliest wins。

懒惰限定符

*? 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。

其他

字符类
[aeiou] ==> 匹配任何一个英文元音字母a或e或i或o或u。
[.?!] ==> 匹配标点符号.或?或!。
[a-z0-9A-Z_] ==> 完全等同于\w（如果只考虑英文的话）。
分支条件
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。
0\d{2}-\d{8}|0\d{3}-\d{7} ==> 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)。
\d{5}-\d{4}|\d{5} ==> 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。
注意：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
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。
(\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.
((2[0-4]\d|25[0-5]|[01]?\d\d?).){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)

向后引用
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。
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。
• 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．

1
2
3

\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)。

“g”、”i” 和 “m”，分别用于指定全局匹配、区分大小写的匹配和多行匹配。

前言

元字符

限定符

反义代码

分组语法

捕获

零宽断言

注释

贪婪与懒惰

其他