程序员必须掌握的基本正则表达式

2007-09-24 来自：xuejinyoulan  [收藏到我的网摘]

来源：IT168
　　正则表达式是什么东东？
　　正则表达式是使用一套特殊符号模式做为表达格式的字符串，主要用处是描述和解析文本。许多程序员（甚至一些不错的高手）都无视（也不用）正则表达式，我认为这是一个耻辱，因为在解决很多问题的时候，正则表达式常常让我们有得心应手的感觉。一旦你掌握了，就会发现它能解决无数真实世界的问题。

　　正则表达式的工作方式就象Windows或者*nix系统里面的文件名替代符 - 你可以使用特定的*或者?来指定一系列文件。但是使用正则表达式的特殊字符或者metacharacters（元字符）来表示这类事情会更准确。

　　正则表达式把大多数字符当作直接字符，就好像正则表达式 mike，将只会匹配按顺序的字符序列m - i - k - e。与此同时正则表达式使用一个采用元字符的扩展集合，可以表示非常复杂的文字匹配。

　　认识元字符： ^[](){}.*?\|+$ 以及在某些时候出现的 -
我知道它们看上去很恐怖，但是一旦你了解它们就会知道它们是很可爱的符号。

　　行定位点: ‘^’ 和 ‘$’
‘^’ (读成：caret) 和 ‘$’ (读成：dollar) 这两个元字符分别代表一行文字的开始和结束。就象我前面举的例子，正则表达式mike会匹配字符序列m - i - k – e，可是它会匹配一行中的所有位置 (比如，它会匹配 “I’m mike”或者 “carmike”)。 ‘^’字符被用来限定匹配行的开始，因此^mike 将只会寻找以mike开始的行。同样，表达式mike$将只会寻找m - i - k - e在一行末尾的(当然还是会匹配 ‘carmike’)。

　　如果我们联合使用这两个行定位点字符，我们可以搜索在多行文字中寻找包含的特殊字符串序列。比如：表达式 ^mike$ 将只会匹配占有单独一行的单词mike，一个字不多一个字不少。同样，表达式 ^$ 对于发现空行（一行开始就是本行结束的那种）很有用。

　　字符分类: ‘[]’
　　一对方括号被称为一个字符分类, 你可以用来匹配任何一个或多个字符。假设你想匹配单词 ‘gray’，同时也想找一下被拼写成 ‘grey’的单词。 使用一个字符分类将允许你匹配这两者 -- 正则表达式 gr[ea]y 被解读成 “匹配这样的字符串 - 一个g, 跟着是r, 跟着或者是一个e或者是一个a, 跟着一个y”。

　　如果你用 [^ ... ] 代替 [ ... ], 这个分类将匹配后面列出来字符以外的任何字符。首字符 ^ 表示“否定"列表 - 不同于你列出所有希望包含的字符，你是去列出所有不想包含的字符。 注意在这里使用的^ (caret) 字符，它在字符分类方式之外使用表示另外的意思 - 用来匹配文字行的开始（见文章前面部分）。

　　字符分类中的元字符: ‘-’
　　在一个字符分类中，字符分类中的元字符 ‘-’ (dash) 用来指出一个字符范围。考虑字符分类 [01234567890abcdefABCDEF]，采用’-’的话我们可以这样写[0-9a-fA-F]，方便了不少吧。有一点大家要注意的，这个’-’符号只有用一个字符分类中才被认为是元字符，在其他位置，它只是简单的匹配普通的’-’字符，没有任何其他意义。

　　但是且慢，我看到有人举手质疑。假如在一个字符分类里面，’-’字符做为第一个字符出现的时候，会把它认为成什么呢？比如[-A-F]，问题很好，注意：这是一个例外，如果在字符分类中，’-’字符是第一个出现的字符，那我们把它当作普通字符而不是元字符处理（因为实际上它不可能表示一个字符范围，范围需要有开始和结束字符），这个时候它只会匹配一个普通的’-’字符。引申开来，我们再说一个例外：S’?’和’.’在大多数情况下都是正则表达式的元字符，但是有个例外是在字符分类中，当它们在字符分类中的时候（比如在：[-0-9.?]，它们只是代表一个普通字符，唯一的特殊字符（元字符）是0和9中间的’-’）。

　　用一个句点: ‘.’匹配任何字符
　　‘.’ 元字符（一般读成a dot 或者point）是一种匹配任何字符的写法。在你想在一个字符串的指定位置匹配一个任意字符的时候，它显得非常可爱。再强调一遍，在字符分类中，’.’就不是一个元字符了。到现在为止，你开始看出一些门道来了吧？哪些是元字符哪些不是元字符在字符分类里面和外面是不一样的。

　　选择性元字符: ‘|’
　　‘|’ 元字符（读成pipe）的意思是“or”。它允许你把多个表达式合成到一个表达式，然后匹配里面任何单个表达式的结果。这些子表达式被称为备选项。

　　例如：Mike 和 Michael 是两个独立的正则表达式，但是Mike|Michael 这样来写的话，这个正则表达式匹配任意一个单词。

　　圆括号在这里可以被用来限制备选的范围。我们可以使用圆括号来达到和上面这个正则表达式同样的目的，同时缩短它长度，正则表达式Mi(ke|chael) 同样匹配Mike或者Michael。当然，在实际程序中我还是会用第一种写法，虽然长了一点，可是更容易理解，因此也更容易维护。

　　匹配可选项: ‘?’
　　‘?’ 元字符（读成：question mark）意味着可选。它放在正则表达式的某个位置的一个字符后面，这个字符允许在匹配结果中出现，也可以不出现。当然，我们可以肯定的是：这个’?’字符只能跟在一个普通字符而不是元字符后面。

　　如果我想匹配英式或者美式拼法的单词‘flavor’ ，我会用正则表达式flavou?r，它被解读成：“匹配一个字符串：f，跟着一个l，跟着一个a，跟着一个v，跟着一个o，跟着一个可选的u，跟着一个r”。

　　数量符号: ‘+’ and ‘*’
　　象’?’字符一样，‘+’ （读成plus）和‘*’（读成star）元字符影响前导字符（就是在这个符号前面的字符）可以在匹配字符串中出现的数量 （使用前面说的‘?’的话，相当于前导字符可以出现0次或一次）。元字符‘+’ 匹配前面出现的项目一次或更多次，而‘*’ 则表示匹配任何次，包括0次。

　　如果我想通过在一场足球比赛中解说员说’goal’的声音次数来统计比分的话，我应该用正则表达式go+al， 它可以匹配‘goal’，也可以匹配一些激情主播的‘gooooooooooooooooal’ （但肯定不会是 ‘gal’)。

　　前面的三个元字符：’?’、’+’、’*’一般又叫做计量符。因为它们影响前面项目的数量。

　　数量范围: ‘{}’
　　‘{最小, 最大}’ 这个元字符序列允许你指定特定项目可以被匹配的最少和最大次数。例如go{1,5}al 可以用来限制我们上面的例子，只匹配1到5次o。同样的{0,1} 其实就等同于一个’?’元字符。

　　转义字符: ‘\’
　　‘\’ 元字符（读成：backslash）被用来转换指定的元字符的含义，以便于你可以把它们当成普通字符来匹配。例如，你打算匹配字符’?’或者’\’，你就可以在它们前面加上一个’\’字符，这样它们就被转换成普通字符的含义，就好像这样写：‘\?’ or ‘\\’.

　　如果在一个非元字符前面使用’\’的话，那么根据你使用正则表达式的语言不同，会有不同的含义，必须参阅相应的手册。比较普遍采用的是perl兼容的正则表达式（PCREs），你可以在这里查看the perldoc page for perl regular expressions. PCREs用得非常普遍，在PHP、 Ruby和ECMAScript/Javascript还有很多语言中都可以使用。

　　用圆括号匹配: ‘()’
　　大部分正则表达式工具允许你用圆括号设定一个特定的表达式子集。比如，我们可以用一个正则表达式http://([^/]+)去匹配一个URL的域名部分。下面让我们把这个正则表达式分解开，看看它是如何工作的。

　　这个表达式的起始部分非常直白：它必须匹配“h - t - t - p - : - / - /”这样的字符序列。这个初始序列之后就是圆括号了，它被用来捕捉符合它们包围的子表达式的字符。在现在的例子中，子表达式是‘[^/]+’，用上面学到的知识，我们知道它实际上是匹配除了‘/’字符以外的任何字符一次到多次。对于一个像是 http://immike.net/blog/Some-blog-post的URL，‘immike.net’ 将会被这个圆括号里面的表达式所匹配。

　　希望进一步学习?
　　本文中，我只是介绍了正则表达式可以做的一些工作的皮毛。如果你想进一步学习，可以阅读Jeffrey Friedl的大作：Mastering Regular Expressions。 Friedl的这本书写得很棒，它非常容易理解，阅读起来很愉快，让你非常有兴趣读完，绝不是那种干巴巴的教科书。