C#正则表达式
[内容]
- 什么是正则表达式
- 涉及的基本的类
- 正则表达式基础知识
- 构建表达式基本方法
- 编写一个检验程序
- 参考资料
[正文]
对于初学者看到类似“\w+@\w+\.\w{1,3}”这样复杂没有规律的字符，就会莫名产生一种恐惧感。其实正则表达式和字符串(String)的使用同样非常简单。下面让我们逐步地走进正则表达式的世界！
什么是正则表达式
正则表达式是用来检验和操作字符串的强大工具。简单的理解正则表达式可以认为是一种特殊的验证字符串。正则表达式常见运用是验证用户输入信息格式，比如上面的那组“\w{1,}@\w{1,}\.\w{1”，实际上就是验证邮件地址是否合法的；当然正则表达式不仅仅是用于验证，可以说只要运用字符串的地方都可以使用正则表达式；
涉及的基本的类
正则表达式在英文中写作（Regular Expression），根据正则表达式的使用范围和单词意思，.NET将其命名空间设置为System.Text.RegularExpressions；
在该命名空间内包括了8个基本的类：Capture、CaptureCollection、Group、GroupCollection、Match、MatchCollection、Regex和RegexCompilationInfo如图１所示；
 |
| 图1 MSDN Library中正则表达式命名空间 |
|---|
| Capture | 用于单个表达式捕获结果 |
| CaptureCollection | 用于一个序列进行字符串捕获 |
| Group | 表示单个捕获的结果 |
| GroupCollection | 表示捕获组的集会 |
| Match | 表示匹配单个正则表达式结果 |
| MatchCollection | 表示通过迭代方式应用正则表达式到字符串中 |
| Regex | 表示不可变的正则表达式 |
| RegexCompilationInfo | 将编译正则表达式需要提供信息 |
[注意]
本文属于初学正则表达式的入门文章，对于高级的分组(Group)及其涉及语法等在这里不做介绍；
正则表达式基础知识
- 基本语法
在正则表达式中拥有一套自己的语法规则，常见语法包括；字符匹配、重复匹配、字符定位、转义匹配和其他高级语法（字符分组、字符替换和字符决策）；
字符匹配语法：
| 字符语法 | 语法解释 | 语法例子 |
|---|---|---|
| \d | 匹配数字（0~9） | ‘\d’匹配8,不匹配12； |
| \D | 匹配非数字 | ‘\D’匹配c,不匹配3； |
| \w | 匹配任意单字符 | ‘\w\w’ 匹配A3,不匹配@3； |
| \W | 匹配非单字符 | ‘\W’匹配@,不匹配c； |
| \s | 匹配空白字符 | ‘\d\s\d’匹配3 d,不匹配abc； |
| \S | 匹配非空字符 | ‘\S\S\S’匹配A#4,不匹配3 d； |
| . | 匹配任意字符 | ‘....’匹配A$ 5,不匹配换行； |
| […] | 匹配括号中任意字符 | [b-d]匹配b、c、d, 不匹配e； |
| [^…] | 匹配非括号字符 | [^b-z]匹配a,不匹配b-z的字符； |
重复匹配语法：
| 重复语法 | 语法解释 | 语法例子 |
|---|---|---|
| {n} | 匹配n次字符 | \d{3}匹配\d\d\d,不匹配\d\d或\d\d\d\d |
| {n,} | 匹配n次和n次以上 | \w{2}匹配\w\w和\w\w\w以上,不匹配\w |
| {n,m} | 匹配n次上m次下 | \s{1,3}匹配\s,\s\s,\s\s\s,不匹配\s\s\s\s |
| ? | 匹配0或1次 | 5?匹配5或0，不匹配非5和0 |
| + | 匹配一次或多次 | \S+匹配一个以上\S，不匹配非一个以上\S |
| * | 匹配0次以上 | \W*匹配0以上\W，不匹配非N*\W |
字符定位语法：
| 重复语法 | 语法解释 | 语法例子 |
|---|---|---|
| ^ | 定位后面模式开始位置 | |
| $ | 前面模式位于字符串末端 | |
| \A | 前面模式开始位置 | |
| \z | 前面模式结束位置 | |
| \Z | 前面模式结束位置(换行前) | |
| \b | 匹配一个单词边界 | |
| \B | 匹配一个非单词边界 |
转义匹配语法：
| 转义语法 | 涉及字符(语法解释) | 语法例子 |
|---|---|---|
| “\”+实际字符 | \ . * + ? | ( ) { }^ $ | 例如：\\匹配字符“\” |
| \n | 匹配换行 | |
| \r | 匹配回车 | |
| \t | 匹配水平制表符 | |
| \v | 匹配垂直制表符 | |
| \f | 匹配换页 | |
| \nnn | 匹配一个8进制ASCII | |
| \xnn | 匹配一个16进制ASCII | |
| \unnnn | 匹配4个16进制的Uniode | |
| \c+大写字母 | 匹配Ctrl-大写字母 | 例如：\cS-匹配Ctrl+S |
- 构造正则表达的方法
构造正则表达式需要涉及Regex类，在Regex类中包括：IsMatch()、Replace()、Split()和Match的类；
(1) IsMatch()方法;
IsMatch()方法实际上是一个返回Bool值得方法，如果测试字符满足正则表达式返回True否则返回False；
| 例１；判断是非成都地区电话号码合法； 分析：成都地区电话号码组成028********，前面为固定区号028，后面满足8位数字； 设计正则表达式：028\d{8}（解释：028区号固定，后面为8个数字\d组成）； 程序代码,如图2所示： |
 |
| 图2 “例1” IsMatch方法是用例 |
|---|
(2) Replace()方法；
Replace()方法实际上是一种替换的方法，替换匹配正则表达式匹配模式；
| 例2：在发布带有公开电子邮件地址的文章时，替换@位AT避免产生垃圾邮件； 分析：首先需要判断文章中电子邮箱地址，然后执行替换 设计正则表达式：判断电子邮箱表达式”\w{1,}@w{1,}\\.”; 程序代码：如图3所示； |
 |
| 图3 “例2”Replace方法是用例 |
|---|
(3) Split()方法；
Split()方法实际上是拆分的方法，根据匹配正则表达式进行拆分储存在字符串数组中；
| 例3：从群发邮件地址中读取所有邮件地址； 分析：群发邮件采用“;”作为分割符，需要通过“;”进行拆分 程序代码：如图4所示； |
 |
| 图4 “例3”Split方法是用例 |
|---|
构建表达式基本方法
构造Regex对象的构造函数包括两个重载，一个是不含参数的构造、另外一个是含有参数的构造函数；
- 基本形式Regex(string pattern);
- 重载形式Regex(string pattern,RegexOptions)；
补充：RegexOptions属于枚举类型，包括IgnoreCase(忽略大小写)、ReghtToLeft(从右向左)、None（默认）、CultureInvariant(忽略区域)、Multline(多行模式)和SingleLine（单行模式）；
| 例4，建立一个合法ISBN验证格式； 分析：ISBN格式为X-XXXXX-XXX-X; 正则表达式格式：\d-\d{5}-\d{3}-\d 构造该正则表达式函数Regex ISBNRegex = new Regex(表达式，参数为空) 详细代码：如图5所示； |
 |
| 图5 “例4”构造验证函数是用例 |
|---|
编写一个检验程序
为了方便自己在学习正则表达式和快速检验自己编写表达式语句是否正确，下面提供一个IsMatch()方法正则表达式验证器编写；
- 打开VS.NET,选择新建项目中的Visual C#项目的Windows应用程序，取名为“Regex_Tools”;
- 然后编写如图6所示的界面
图6 正则表达式IsMatch方法验证器 - 然后在该窗体声明中增加正则表达式命名空间声明using System.Text.RegularExpressions;
- 编写下列代码
- 编写一段私有的判断参数的方法，如图7所示；
图7私有验证参数判断方法 - 编写判断按钮的方法，如图8所示；
图8 IsMatch验证判断按钮方法 - 编写清空按钮的方法，所有的文本框等于空；
- 编写一段私有的判断参数的方法，如图7所示；
- 编译该程序，一个简单的正则表达式验证器就成功生成了；
应该掌握的基础知识
规则表达式的知识可能是不少编程人员“常学常忘”的知识之一。在这篇文章中，我们将假定你已经掌握了规则表达式的用法，尤其是Perl 5中表达式的用法。.NET的regexp类是Perl 5中表达式的一个超集，因此，从理论上说它将作为一个很好的起点。我们还假设你具有了C#的语法和.NET架构的基本知识。
如果你没有规则表达式方面的知识，我建议你从Perl 5的语法着手开始学习。在规则表达式方面的权威书籍是由杰弗里·弗雷德尔编写的《掌握表达式》一书，对于希望深刻理解表达式的读者，我们强烈建议阅读这本书。
RegularExpression组合体
regexp规则类包含在System.Text.RegularExpressions.dll文件中，在对应用软件进行编译时你必须引用这个文件，例如：
csc r:System.Text.RegularExpressions.dll foo.cs
命令将创建foo.exe文件，它就引用了System.Text.RegularExpressions文件。
名字空间简介
在名字空间中仅仅包含着6个类和一个定义，它们是：
Capture: 包含一次匹配的结果；
CaptureCollection: Capture的序列；
Group: 一次组记录的结果，由Capture继承而来；
Match: 一次表达式的匹配结果，由Group继承而来；
MatchCollection: Match的一个序列；
MatchEvaluator: 执行替换操作时使用的代理；
Regex: 编译后的表达式的实例。
Regex类中还包含一些静态的方法：
Escape: 对字符串中的regex中的转义符进行转义；
IsMatch: 如果表达式在字符串中匹配，该方法返回一个布尔值；
Match: 返回Match的实例；
Matches: 返回一系列的Match的方法；
Replace: 用替换字符串替换匹配的表达式；
Split: 返回一系列由表达式决定的字符串；
Unescape:不对字符串中的转义字符转义。
简单匹配
我们首先从使用Regex、Match类的简单表达式开始学习。
Match m = Regex.Match("abracadabra", "(a|b|r)+");
我们现在有了一个可以用于测试的Match类的实例，例如：if (m.Success)...
如果想使用匹配的字符串，可以把它转换成一个字符串：
Console.WriteLine("Match="+m.ToString());
这个例子可以得到如下的输出: Match=abra。这就是匹配的字符串了。
字符串的替换
简单字符串的替换非常直观。例如下面的语句：
string s = Regex.Replace("abracadabra", "abra", "zzzz");
它返回字符串zzzzcadzzzz，所有匹配的字符串都被替换成了zzzzz。
现在我们来看一个比较复杂的字符串替换的例子：
string s = Regex.Replace(" abra ", @"^\s*(.*?)\s*$", "$1");
这个语句返回字符串abra，其前导和后缀的空格都去掉了。
上面的模式对于删除任意字符串中的前导和后续空格都非常有用。在C#中，我们还经常使用字母字符串，在一个字母字符串中，编译程序不把字符“ \” 作为转义字符处理。在使用字符“\”指定转义字符时，@"..."是非常有用的。另外值得一提的是$1在字符串替换方面的使用，它表明替换字符串只能包含被替换的字符串。
匹配引擎的细节
现在，我们通过一个组结构来理解一个稍微复杂的例子。看下面的例子：
string text = "abracadabra1abracadabra2abracadabra3";
string pat = @"
( # 第一个组的开始
abra # 匹配字符串abra
( # 第二个组的开始
cad # 匹配字符串cad
)? # 第二个组结束（可选）
) # 第一个组结束
+ # 匹配一次或多次
";
//利用x修饰符忽略注释
Regex r = new Regex(pat, "x");
//获得组号码的清单
int[] gnums = r.GetGroupNumbers();
//首次匹配
Match m = r.Match(text);
while (m.Success)
{
//从组1开始
for (int i = 1; i < gnums.Length; i++)
{
Group g = m.Group(gnums[i]);
//获得这次匹配的组
Console.WriteLine("Group"+gnums[i]+"=["+g.ToString()+"]");
//计算这个组的起始位置和长度
CaptureCollection cc = g.Captures;
for (int j = 0; j < cc.Count; j++)
{
Capture c = cc[j];
Console.WriteLine(" Capture" + j + "=["+c.ToString()
+ "] Index=" + c.Index + " Length=" + c.Length);
}
}
//下一个匹配
m = m.NextMatch();
}
这个例子的输出如下所示：
Group1=[abra]
Capture0=[abracad] Index=0 Length=7
Capture1=[abra] Index=7 Length=4
Group2=[cad]
Capture0=[cad] Index=4 Length=3
Group1=[abra]
Capture0=[abracad] Index=12 Length=7
Capture1=[abra] Index=19 Length=4
Group2=[cad]
Capture0=[cad] Index=16 Length=3
Group1=[abra]
Capture0=[abracad] Index=24 Length=7
Capture1=[abra] Index=31 Length=4
Group2=[cad]
Capture0=[cad] Index=28 Length=3
我们首先从考查字符串pat开始，pat中包含有表达式。第一个capture是从第一个圆括号开始的，然后表达式将匹配到一个abra。第二个capture组从第二个圆括号开始，但第一个capture组还没有结束，这意味着第一个组匹配的结果是abracad ，而第二个组的匹配结果仅仅是cad。因此如果通过使用？符号而使cad成为一项可选的匹配，匹配的结果就可能是abra或abracad。然后，第一个组就会结束，通过指定+符号要求表达式进行多次匹配。
现在我们来看看匹配过程中发生的情况。首先，通过调用Regex的constructor方法建立表达式的一个实例，并在其中指定各种选项。在这个例子中，由于在表达式中有注释，因此选用了x选项，另外还使用了一些空格。打开x选项，表达式将会忽略注释和其中没有转义的空格。
然后，取得表达式中定义的组的编号的清单。你当然可以显性地使用这些编号，在这里使用的是编程的方法。如果使用了命名的组，作为一种建立快速索引的途径这种方法也十分有效。
接下来是完成第一次匹配。通过一个循环测试当前的匹配是否成功，接下来是从group 1开始重复对组清单执行这一操作。在这个例子中没有使用group 0的原因是group 0是一个完全匹配的字符串，如果要通过收集全部匹配的字符串作为一个单一的字符串，就会用到group 0了。
我们跟踪每个group中的CaptureCollection。通常情况下每次匹配、每个group中只能有一个capture，但本例中的Group1则有两个capture：Capture0和Capture1。如果你仅需要Group1的ToString，就会只得到abra，当然它也会与abracad匹配。组中ToString的值就是其CaptureCollection中最后一个Capture的值，这正是我们所需要的。如果你希望整个过程在匹配abra后结束，就应该从表达式中删除+符号，让regex引擎知道我们只需要对表达式进行匹配。
基于过程和基于表达式方法的比较
一般情况下，使用规则表达式的用户可以分为以下二大类：第一类用户尽量不使用规则表达式，而是使用过程来执行一些需要重复的操作；第二类用户则充分利用规则表达式处理引擎的功能和威力，而尽可能少地使用过程。
对于我们大多数用户而言，最好的方案莫过于二者兼而用之了。我希望这篇文章能够说明.NET语言中regexp类的作用以及它在性能和复杂性之间的优、劣点。
基于过程的模式
我们在编程中经常需要用到的一个功能是对字符串中的一部分进行匹配或其他一些对字符串处理，下面是一个对字符串中的单词进行匹配的例子：
string text = "the quick red fox jumped over the lazy brown dog.";
System.Console.WriteLine("text=[" + text + "]");
string result = "";
string pattern = @"\w+|\W+";
foreach (Match m in Regex.Matches(text, pattern))
{
// 取得匹配的字符串
string x = m.ToString();
// 如果第一个字符是小写
if (char.IsLower(x[0]))
// 变成大写
x = char.ToUpper(x[0]) + x.Substring(1, x.Length-1);
// 收集所有的字符
result += x;
}
System.Console.WriteLine("result=[" + result + "]");
正象上面的例子所示，我们使用了C#语言中的foreach语句处理每个匹配的字符，并完成相应的处理，在这个例子中，新创建了一个result字符串。这个例子的输出所下所示：
text=[the quick red fox jumped over the lazy brown dog.]
result=[The Quick Red Fox Jumped Over The Lazy Brown Dog.]
基于表达式的模式
完成上例中的功能的另一条途径是通过一个MatchEvaluator，新的代码如下所示：
static string CapText(Match m)
{
//取得匹配的字符串
string x = m.ToString();
// 如果第一个字符是小写
if (char.IsLower(x[0]))
// 转换为大写
return char.ToUpper(x[0]) + x.Substring(1, x.Length-1);
return x;
}
static void Main()
{
string text = "the quick red fox jumped over the
lazy brown dog.";
System.Console.WriteLine("text=[" + text + "]");
string pattern = @"\w+";
string result = Regex.Replace(text, pattern,
new MatchEvaluator(Test.CapText));
System.Console.WriteLine("result=[" + result + "]");
}
同时需要注意的是，由于仅仅需要对单词进行修改而无需对非单词进行修改，这个模式显得非常简单。
只能输入数字："^[0-9]*$"。
只能输入n位的数字："^\d{n}$"。
只能输入至少n位的数字："^\d{n,}$"。
只能输入m~n位的数字：。"^\d{m,n}$"
只能输入零和非零开头的数字："^(0|[1-9][0-9]*)$"。
只能输入有两位小数的正实数："^[0-9]+(.[0-9]{2})?$"。
只能输入有1~3位小数的正实数："^[0-9]+(.[0-9]{1,3})?$"。
只能输入非零的正整数："^\+?[1-9][0-9]*$"。
只能输入非零的负整数："^\-[1-9][]0-9"*$。
只能输入长度为3的字符："^.{3}$"。
只能输入由26个英文字母组成的字符串："^[A-Za-z]+$"。
只能输入由26个大写英文字母组成的字符串："^[A-Z]+$"。
只能输入由26个小写英文字母组成的字符串："^[a-z]+$"。
只能输入由数字和26个英文字母组成的字符串："^[A-Za-z0-9]+$"。
只能输入由数字、26个英文字母或者下划线组成的字符串："^\w+$"。
验证用户密码："^[a-zA-Z]\w{5,17}$"正确格式为：以字母开头，长度在6~18之间，只能包含字符、数字和下划线。
验证是否含有^%&’,;=?$\"等字符："[^%&’,;=?$\x22]+"。
只能输入汉字："^[\u4e00-\u9fa5]{0,}$"
验证Email地址："^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$"。
验证InternetURL："^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$"。
验证电话号码："^(\(\d{3,4}-)|\d{3.4}-)?\d{7,8}$"正确格式为："XXX-XXXXXXX"、"XXXX-XXXXXXXX"、"XXX-XXXXXXX"、"XXX-XXXXXXXX"、"XXXXXXX"和"XXXXXXXX"。
验证身份证号(15位或18位数字)："^\d{15}|\d{18}$"。
验证一年的12个月："^(0?[1-9]|1[0-2])$"正确格式为："01"～"09"和"1"～"12"。
验证一个月的31天："^((0?[1-9])|((1|2)[0-9])|30|31)$"正确格式为;"01"～"09"和"1"～"31"。
利用正则表达式限制网页表单里的文本框输入内容：
用正则表达式限制只能输入中文：onkeyup="value=value.replace(/[^\u4E00-\u9FA5]/g,’’)" onbeforepaste="clipboardData.setData(’text’,clipboardData.getData(’text’).replace(/[^\u4E00-\u9FA5]/g,’’))"
用正则表达式限制只能输入全角字符： onkeyup="value=value.replace(/[^\uFF00-\uFFFF]/g,’’)" onbeforepaste="clipboardData.setData(’text’,clipboardData.getData(’text’).replace(/[^\uFF00-\uFFFF]/g,’’))"
用正则表达式限制只能输入数字：onkeyup="value=value.replace(/[^\d]/g,’’) "onbeforepaste="clipboardData.setData(’text’,clipboardData.getData(’text’).replace(/[^\d]/g,’’))"
用正则表达式限制只能输入数字和英文：onkeyup="value=value.replace(/[\W]/g,’’) "onbeforepaste="clipboardData.setData(’text’,clipboardData.getData(’text’).replace(/[^\d]/g,’’))"
得用正则表达式从URL地址中提取文件名的javascript程序，如下结果为page1
以下是引用片段：
s="http://www.9499.net/page1.htm"
s=s.replace(/(.*\/){0,}([^\.]+).*/ig,"$2")
alert(s)
匹配双字节字符(包括汉字在内)：[^\x00-\xff]
应用：计算字符串的长度(一个双字节字符长度计2，ASCII字符计1)
以下是引用片段：
String.prototype.len=function(){return this.replace([^\x00-\xff]/g,"aa").length;}
匹配空行的正则表达式：\n[\s| ]*\r
匹配HTML标记的正则表达式：/<(.*)>.*<\/\1>|<(.*) \/>/
匹配首尾空格的正则表达式：(^\s*)|(\s*$)
以下是引用片段：
String.prototype.trim = function()
{
return this.replace(/(^\s*)|(\s*$)/g, "");
}
利用正则表达式分解和转换IP地址：
下面是利用正则表达式匹配IP地址，并将IP地址转换成对应数值的Javascript程序：
以下是引用片段：
function IP2V(ip)
{
re=/(\d+)\.(\d+)\.(\d+)\.(\d+)/g //匹配IP地址的正则表达式
if(re.test(ip))
{
return RegExp.$1*Math.pow(255,3))+RegExp.$2*Math.pow(255,2))+RegExp.$3*255+RegExp.$4*1
}
else
{
throw new Error("Not a valid IP address!")
}
}
