正則表達式

正則表達式（regular expression）就是用一个“字符串”来描写叙述一个特征。然后去验证还有一个“字符串”是否符合这个特征。

比方 表达式“ab+” 描写叙述的特征是“一个 'a' 和 随意个 'b' ”。那么 'ab', 'abb', 'abbbbbbbbbb' 都符合这个特征。

    正則表達式能够用来：（1）验证字符串是否符合指定特征，比方验证是否是合法的邮件地址。（2）用来查找字符串，从一个长的文本中查找符合指定特征的字符串，比查找固定字符串更加灵活方便。

（3）用来替换，比普通的替换更强大。

   正則表達式学习起来事实上是非常简单的，不多的几个较为抽象的概念也非常easy理解。

之所以非常多人感觉正則表達式比較复杂，一方面是由于大多数的文档没有做到由浅入深地解说，概念上没有注意先后顺序，给读者的理解带来困难；还有一方面。各种引擎自带的文档一般都要介绍它特有的功能。然而这部分特有的功能并非我们首先要理解的。

    文章中的每个举例，都能够点击进入到測试页面进行測试。

闲话少说，開始。

1. 正則表達式规则

1.1 普通字符

    字母、数字、汉字、下划线、以及后边章节中没有特殊定义的标点符号，都是"普通字符"。表达式中的普通字符，在匹配一个字符串的时候，匹配与之同样的一个字符。

     举例1：表达式 "c"。在匹配字符串 "abcde" 时。匹配结果是：成功。匹配到的内容是："c"；匹配到的位置是：開始于2，结束于3。

（注：下标从0開始还是从1開始，因当前编程语言的不同而可能不同）

     举例2：表达式 "bcd"。在匹配字符串 "abcde" 时，匹配结果是：成功；匹配到的内容是："bcd"；匹配到的位置是：開始于1。结束于4。

---

1.2 简单的转义字符

    一些不便书写的字符，採用在前面加 "\" 的方法。这些字符事实上我们都已经熟知了。

表达式	可匹配
\r, \n	代表回车和换行符
\t	制表符
\\	代表 "\" 本身

    还有其它一些在后边章节中有特殊用处的标点符号，在前面加 "\" 后，就代表该符号本身。比方：^, $ 都有特殊意义，假设要想匹配字符串中 "^" 和 "$" 字符，则表达式就须要写成 "\^" 和 "\$"。

表达式	可匹配
\^	匹配 ^ 符号本身
\$	匹配 $ 符号本身
\.	匹配小数点（.）本身

    这些转义字符的匹配方法与 "普通字符" 是类似的。

也是匹配与之同样的一个字符。

     举例1：表达式 "\$d"，在匹配字符串 "abc$de" 时，匹配结果是：成功。匹配到的内容是："$d"；匹配到的位置是：開始于3，结束于5。

---

1.3 可以与 '多种字符' 匹配的表达式

    正則表達式中的一些表示方法。能够匹配 '多种字符' 当中的随意一个字符。比方，表达式 "\d" 能够匹配随意一个数字。尽管能够匹配当中随意字符，可是仅仅能是一个，不是多个。这就好比玩扑克牌时候，大小王能够取代随意一张牌，可是仅仅能取代一张牌。

表达式	可匹配
\d	随意一个数字。0~9 中的随意一个
\w	随意一个字母或数字或下划线，也就是 A~Z,a~z,0~9,_ 中随意一个
\s	包含空格、制表符、换页符等空白字符的当中随意一个
.	小数点能够匹配除了换行符（\n）以外的随意一个字符

     举例1：表达式 "\d\d"，在匹配 "abc123" 时，匹配的结果是：成功；匹配到的内容是："12"。匹配到的位置是：開始于3。结束于5。

     举例2：表达式 "a.\d"，在匹配 "aaa100" 时，匹配的结果是：成功；匹配到的内容是："aa1"；匹配到的位置是：開始于1，结束于4。

---

1.4 自己定义可以匹配 '多种字符' 的表达式

    使用方括号 [ ] 包括一系列字符，可以匹配当中随意一个字符。用 [^ ] 包括一系列字符，则可以匹配当中字符之外的随意一个字符。

相同的道理，尽管可以匹配当中随意一个，可是仅仅能是一个，不是多个。

表达式	可匹配
[ab5@]	匹配 "a" 或 "b" 或 "5" 或 "@"
[^abc]	匹配 "a","b","c" 之外的随意一个字符
[f-k]	匹配 "f"~"k" 之间的随意一个字母
[^A-F0-3]	匹配 "A"~"F","0"~"3" 之外的随意一个字符

     举例1：表达式 "[bcd][bcd]" 匹配 "abc123" 时，匹配的结果是：成功；匹配到的内容是："bc"。匹配到的位置是：開始于1。结束于3。

     举例2：表达式 "[^abc]" 匹配 "abc123" 时，匹配的结果是：成功；匹配到的内容是："1"；匹配到的位置是：開始于3，结束于4。

---

1.5 修饰匹配次数的特殊符号

    前面章节中讲到的表达式，不管是仅仅能匹配一种字符的表达式。还是能够匹配多种字符当中随意一个的表达式，都仅仅能匹配一次。假设使用表达式再加上修饰匹配次数的特殊符号。那么不用反复书写表达式就能够反复匹配。

    用法是："次数修饰"放在"被修饰的表达式"后边。

比方："[bcd][bcd]" 能够写成 "[bcd]{2}"。

表达式	作用
{n}	表达式反复n次。比方： "\w{2}" 相当于 "\w\w"。 "a{5}" 相当于 "aaaaa"
{m,n}	表达式至少反复m次，最多反复n次，比方： "ba{1,3}"能够匹配 "ba"或"baa"或"baaa"
{m,}	表达式至少反复m次。比方： "\w\d{2,}"能够匹配 "a12","_456","M12344"...
?	匹配表达式0次或者1次，相当于 {0,1}。比方： "a[cd]? "能够匹配 "a","ac","ad"
+	表达式至少出现1次，相当于 {1,}，比方： "a+b"能够匹配 "ab","aab","aaab"...
*	表达式不出现或出现随意次，相当于 {0,}。比方： "\^*b"能够匹配 "b","^^^b"...

     举例1：表达式 "\d+\.?

\d*" 在匹配 "It costs $12.5" 时，匹配的结果是：成功；匹配到的内容是："12.5"。匹配到的位置是：開始于10。结束于14。

     举例2：表达式 "go{2,8}gle" 在匹配 "Ads by goooooogle" 时。匹配的结果是：成功；匹配到的内容是："goooooogle"；匹配到的位置是：開始于7，结束于17。

---

1.6 其它一些代表抽象意义的特殊符号

    一些符号在表达式中代表抽象的特殊意义：

表达式	作用
^	与字符串開始的地方匹配，不匹配不论什么字符
$	与字符串结束的地方匹配，不匹配不论什么字符
\b	匹配一个单词边界，也就是单词和空格之间的位置，不匹配不论什么字符

    进一步的文字说明仍然比較抽象，因此，举例帮助大家理解。

     举例1：表达式 "^aaa" 在匹配 "xxx aaa xxx" 时，匹配结果是：失败。由于 "^" 要求与字符串開始的地方匹配，因此，仅仅有当 "aaa" 位于字符串的开头的时候，"^aaa" 才干匹配， 比方："aaa xxx xxx"。

     举例2：表达式 "aaa$" 在匹配 "xxx aaa xxx" 时。匹配结果是：失败。由于 "$" 要求与字符串结束的地方匹配。因此，仅仅有当 "aaa" 位于字符串的结尾的时候，"aaa$" 才干匹配， 比方："xxx xxx aaa"。

     举例3：表达式 ".\b." 在匹配 "@@@abc" 时，匹配结果是：成功。匹配到的内容是："@a"；匹配到的位置是：開始于2，结束于4。

    进一步说明："\b" 与 "^" 和 "$" 类似，本身不匹配不论什么字符，可是它要求它在匹配结果中所处位置的左右两边。当中一边是 "\w" 范围，还有一边是 非"\w" 的范围。

     举例4：表达式 "\bend\b" 在匹配 "weekend,endfor,end" 时，匹配结果是：成功。匹配到的内容是："end"；匹配到的位置是：開始于15。结束于18。

    一些符号能够影响表达式内部的子表达式之间的关系：

表达式	作用
|	左右两边表达式之间 "或" 关系，匹配左边或者右边
( )	(1). 在被修饰匹配次数的时候，括号里的表达式能够作为总体被修饰 (2). 取匹配结果的时候。括号里的表达式匹配到的内容能够被单独得到

     举例5：表达式 "Tom|Jack" 在匹配字符串 "I'm Tom, he is Jack" 时，匹配结果是：成功。匹配到的内容是："Tom"；匹配到的位置是：開始于4，结束于7。匹配下一个时，匹配结果是：成功。匹配到的内容是："Jack"；匹配到的位置时：開始于15，结束于19。

     举例6：表达式 "(go\s*)+" 在匹配 "Let's go go go!" 时，匹配结果是：成功；匹配到内容是："go go go"；匹配到的位置是：開始于6，结束于14。

     举例7：表达式 "￥(\d+\.?\d*)" 在匹配 "＄10.9,￥20.5" 时。匹配的结果是：成功。匹配到的内容是："￥20.5"。匹配到的位置是：開始于6，结束于10。单独获取括号范围匹配到的内容是："20.5"。

---

2. 正則表達式中的一些高级规则

2.1 匹配次数中的贪婪与非贪婪

    在使用修饰匹配次数的特殊符号时，有几种表示方法可以使同一个表达式可以匹配不同的次数，比方："{m,n}", "{m,}", "?

", "*", "+"，详细匹配的次数随被匹配的字符串而定。

这样的反复匹配不定次数的表达式在匹配过程中，总是尽可能多的匹配。比方。针对文本 "dxxxdxxxd"，举比例如以下：

表达式	匹配结果
(d)(\w+)	"\w+" 将匹配第一个 "d" 之后的全部字符 "xxxdxxxd"
(d)(\w+)(d)	"\w+" 将匹配第一个 "d" 和最后一个 "d" 之间的全部字符 "xxxdxxx"。尽管 "\w+" 也可以匹配上最后一个 "d"。可是为了使整个表达式匹配成功。"\w+" 可以 "让出" 它本来可以匹配的最后一个 "d"

    由此可见。"\w+" 在匹配的时候。总是尽可能多的匹配符合它规则的字符。尽管第二个举例中。它没有匹配最后一个 "d"，但那也是为了让整个表达式可以匹配成功。同理。带 "*" 和 "{m,n}" 的表达式都是尽可能地多匹配，带 "?

" 的表达式在可匹配可不匹配的时候，也是尽可能的 "要匹配"。

这 种匹配原则就叫作 "贪婪" 模式 。

    非贪婪模式：

    在修饰匹配次数的特殊符号后再加上一个 "?

" 号，则能够使匹配次数不定的表达式尽可能少的匹配。使可匹配可不匹配的表达式，尽可能的 "不匹配"。

这样的匹配原则叫作 "非贪婪" 模式，也叫作 "勉强" 模式。假设少匹配就会导致整个表达式匹配失败的时候。与贪婪模式类似，非贪婪模式会最小限度的再匹配一些，以使整个表达式匹配成功。举比例如以下，针对文本 "dxxxdxxxd" 举例：

表达式	匹配结果
(d)(\w+? )	"\w+? " 将尽可能少的匹配第一个 "d" 之后的字符。结果是："\w+?" 仅仅匹配了一个 "x"
(d)(\w+? )(d)	为了让整个表达式匹配成功。"\w+? " 不得不匹配 "xxx" 才干够让后边的 "d" 匹配，从而使整个表达式匹配成功。因此。结果是："\w+?" 匹配 "xxx"

    很多其它的情况，举比例如以下：

     举例1：表达式 "<td>(.*)</td>" 与字符串 "<td><p>aa</p></td> <td><p>bb</p></td>" 匹配时，匹配的结果是：成功；匹配到的内容是 "<td><p>aa</p></td> <td><p>bb</p></td>" 整个字符串， 表达式中的 "</td>" 将与字符串中最后一个 "</td>" 匹配。

 

     举例2：相比之下。表达式 "<td>(.*?

)</td>" 匹配举例1中相同的字符串时。将仅仅得到 "<td><p>aa</p></td>"， 再次匹配下一个时。能够得到第二个 "<td><p>bb</p></td>"。

---

2.2 反向引用 \1, \2...

    表达式在匹配时，表达式引擎会将小括号 "( )" 包括的表达式所匹配到的字符串记录下来。

在获取匹配结果的时候，小括号包括的表达式所匹配到的字符串能够单独获取。

这一点，在前面的举例中，已经多次展示了。在实际应用场合中，当用某种边界来查找，而所要获取的内容又不包括边界时，必须使用小括号来指定所要的范围。比方前面的 "<td>(.*?)</td>"。

    事实上，"小括号包括的表达式所匹配到的字符串" 不仅是在匹配结束后才干够使用，在匹配过程中也能够使用。表达式后边的部分，能够引用前面 "括号内的子匹配已经匹配到的字符串"。

引用方法是 "\" 加上一个数字。"\1" 引用第1对括号内匹配到的字符串，"\2" 引用第2对括号内匹配到的字符串……以此类推，假设一对括号内包括还有一对括号。则外层的括号先排序号。换句话说。哪一对的左括号 "(" 在前。那这一对就先排序号。

    举比例如以下：

     举例1：表达式 "('|")(.*?)(\1)" 在匹配 " 'Hello', "World" " 时，匹配结果是：成功；匹配到的内容是：" 'Hello' "。再次匹配下一个时，能够匹配到 " "World" "。

     举例2：表达式 "(\w)\1{4,}" 在匹配 "aa bbbb abcdefg ccccc 111121111 999999999" 时。匹配结果是：成功。匹配到的内容是 "ccccc"。

再次匹配下一个时，将得到 999999999。这个表达式要求 "\w" 范围的字符至少反复5次， 注意与 "\w{5,}" 之间的差别。

     举例3：表达式 "<(\w+)\s*(\w+(=('|").*?

\4)?

\s*)*>.*?</\1>" 在匹配 "<td id='td1' style="bgcolor:white"></td>" 时，匹配结果是成功。假设 "<td>" 与 "</td>" 不配对，则会匹配失败；假设改成其它配对。也能够匹配成功。

---

2.3 预搜索。不匹配。反向预搜索。不匹配

    前面的章节中。我讲到了几个代表抽象意义的特殊符号："^"，"$"，"\b"。

它们都有一个共同点，那就是：它们本身不匹配不论什么字符。仅仅是对 "字符串的两头" 或者 "字符之间的缝隙" 附加了一个条件。理解到这个概念以后，本节将继续介绍第二种对 "两头" 或者 "缝隙" 附加条件的，更加灵活的表示方法。

    正向预搜索："(?=xxxxx)"，"(?

!xxxxx)"

    格式："(?

=xxxxx)"。在被匹配的字符串中。它对所处的 "缝隙" 或者 "两头" 附加的条件是：所在缝隙的右側，必须可以匹配上 xxxxx 这部分的表达式。

由于它仅仅是在此作为这个缝隙上附加的条件，所以它并不影响后边的表达式去真正匹配这个缝隙之后的字符。这就类似 "\b"。本身不匹配不论什么字符。"\b" 仅仅是将所在缝隙之前、之后的字符取来进行了一下推断。不会影响后边的表达式来真正的匹配。

     举例1：表达式 "Windows (?=NT|XP)" 在匹配 "Windows 98, Windows NT, Windows 2000" 时，将仅仅匹配 "Windows NT" 中的 "Windows "，其它的 "Windows " 字样则不被匹配。

     举例2：表达式 "(\w)((?=\1\1\1)(\1))+" 在匹配字符串 "aaa ffffff 999999999" 时，将能够匹配6个"f"的前4个，能够匹配9个"9"的前7个。这个表达式能够读解成：反复4次以上的字母数字，则匹配其剩下最后2位之前的部分。当然，这个表达式能够不这样写，在此的目的是作为演示之用。

    格式："(?!xxxxx)"，所在缝隙的右側。必须不能匹配 xxxxx 这部分表达式。

     举例3：表达式 "((?!\bstop\b).)+" 在匹配 "fdjka ljfdl stop fjdsla fdj" 时，将从头一直匹配到 "stop" 之前的位置，假设字符串中没有 "stop"，则匹配整个字符串。

     举例4：表达式 "do(?!\w)" 在匹配字符串 "done, do, dog" 时，仅仅能匹配 "do"。

在本条举例中，"do" 后边使用 "(?

!\w)" 和使用 "\b" 效果是一样的。

    反向预搜索："(?<=xxxxx)"。"(?<!xxxxx)"

    这两种格式的概念和正向预搜索是类似的，反向预搜索要求的条件是：所在缝隙的 "左側"。两种格式分别要求必须可以匹配和必须不可以匹配指定表达式，而不是去推断右側。

与 "正向预搜索" 一样的是：它们都是对所在缝隙的一种附加条件。本身都不匹配不论什么字符。

    举例5：表达式 "(?<=\d{4})\d+(?=\d{4})" 在匹配 "1234567890123456" 时。将匹配除了前4个数字和后4个数字之外的中间8个数字。因为 JScript.RegExp 不支持反向预搜索，因此。本条举例不可以进行演示。非常多其它的引擎可以支持反向预搜索，比方：Java 1.4 以上的 java.util.regex 包。.NET 中System.Text.RegularExpressions 命名空间，以及本站推荐的最简单易用的 DEELX 正则引擎。

---

3. 其它通用规则

    另一些在各个正則表達式引擎之间比較通用的规则，在前面的解说过程中没有提到。

3.1 表达式中，能够使用 "\xXX" 和 "\uXXXX" 表示一个字符（"X" 表示一个十六进制数）

形式	字符范围
\xXX	编号在 0 ~ 255 范围的字符，比方： 空格能够使用 "\x20" 表示
\uXXXX	不论什么字符能够使用 "\u" 再加上其编号的4位十六进制数表示。比方： "\u4E2D"

3.2 在表达式 "\s"，"\d"，"\w"，"\b" 表示特殊意义的同一时候，相应的大写字母表示相反的意义

表达式	可匹配
\S	匹配全部非空白字符（"\s" 可匹配各个空白字符）
\D	匹配全部的非数字字符
\W	匹配全部的字母、数字、下划线以外的字符
\B	匹配非单词边界。即左右两边都是 "\w" 范围或者左右两边都不是 "\w" 范围时的字符缝隙

3.3 在表达式中有特殊意义，须要加入 "\" 才干匹配该字符本身的字符汇总

字符	说明
^	匹配输入字符串的開始位置。要匹配 "^" 字符本身，请使用 "\^"
$	匹配输入字符串的结尾位置。要匹配 "$" 字符本身，请使用 "\$"
( )	标记一个子表达式的開始和结束位置。要匹配小括号，请使用 "\(" 和 "\)"
[ ]	用来自己定义可以匹配 '多种字符' 的表达式。 要匹配中括号，请使用 "\[" 和 "\]"
{ }	修饰匹配次数的符号。要匹配大括号，请使用 "\{" 和 "\}"
.	匹配除了换行符（\n）以外的随意一个字符。要匹配小数点本身，请使用 "\."
?	修饰匹配次数为 0 次或 1 次。要匹配 "?" 字符本身，请使用 "\?"
+	修饰匹配次数为至少 1 次。 要匹配 "+" 字符本身。请使用 "\+"
*	修饰匹配次数为 0 次或随意次。 要匹配 "*" 字符本身，请使用 "\*"
|	左右两边表达式之间 "或" 关系。匹配 "|" 本身。请使用 "\|"

3.4 括号 "( )" 内的子表达式，假设希望匹配结果不进行记录供以后使用。能够使用 "(?:xxxxx)" 格式

     举例1：表达式 "(?

:(\w)\1)+" 匹配 "a bbccdd efg" 时，结果是 "bbccdd"。括号 "(?:)" 范围的匹配结果不进行记录，因此 "(\w)" 使用 "\1" 来引用。

3.5 经常使用的表达式属性设置简单介绍：Ignorecase，Singleline，Multiline，Global

表达式属性	说明
Ignorecase	默认情况下，表达式中的字母是要区分大写和小写的。配置为 Ignorecase 可使匹配时不区分大写和小写。有的表达式引擎，把 "大写和小写" 概念延伸至 UNICODE 范围的大写和小写。
Singleline	默认情况下。小数点 "." 匹配除了换行符（\n）以外的字符。配置为 Singleline 可使小数点可匹配包含换行符在内的全部字符。
Multiline	默认情况下。表达式 "^" 和 "$" 仅仅匹配字符串的開始 ① 和结尾 ④ 位置。 如： ①xxxxxxxxx②\n ③xxxxxxxxx④ 配置为 Multiline 能够使 "^" 匹配 ① 外。还能够匹配换行符之后，下一行開始前 ③ 的位置。使 "$" 匹配 ④ 外，还能够匹配换行符之前，一行结束 ② 的位置。
Global	主要在将表达式用来替换时起作用，配置为 Global 表示替换全部的匹配。

---

4. 其它提示

4.1 假设想要了解高级的正则引擎还支持那些复杂的正则语法，可參见本站 DEELX 正则引擎的说明文档。

4.2 假设要要求表达式所匹配的内容是整个字符串，而不是从字符串中找一部分，那么能够在表达式的首尾使用 "^" 和 "$"。比方："^\d+$" 要求整个字符串仅仅有数字。

4.3 假设要求匹配的内容是一个完整的单词，而不会是单词的一部分，那么在表达式首尾使用 "\b"，比方： 使用 "\b(if|while|else|void|int……)\b" 来匹配程序中的keyword。

4.4 表达式不要匹配空字符串。

否则会一直得到匹配成功，而结果什么都没有匹配到。比方：准备写一个匹配 "123"、"123."、"123.5"、".5" 这几种形式的表达式时，整数、小数点、小数数字都能够省略，可是不要将表达式写成："\d*\.?\d*"，由于假设什么都没有，这个表达式也能够匹配成功。

 更好的写法是："\d+\.?\d*|\.\d+"。

4.5 能匹配空字符串的子匹配不要循环无限次。假设括号内的子表达式中的每一部分都能够匹配 0 次。而这个括号总体又能够匹配无限次，那么情况可能比上一条所说的更严重，匹配过程中可能死循环。

尽管如今有些正則表達式引擎已经通过办法避免了这样的情况出现死循环了。比方 .NET 的正則表達式，可是我们仍然应该尽量避免出现这样的情况。假设我们在写表达式时遇到了死循环，也能够从这一点入手。查找一下是否是本条所说的原因。

4.6 合理选择贪婪模式与非贪婪模式，參见话题讨论。

4.7 或 "|" 的左右两边。对某个字符最好仅仅有一边能够匹配。这样，不会由于 "|" 两边的表达式由于交换位置而有所不同。