正则表达式

正则表达式

关于正则表达式的基础知识，推荐正则表达式30分钟入门教程。

以下仅对某些特性做些总结：(红色字体表示正则表达式；黑色字体标源字符串；下划线部分表示匹配；如果有连续的多个匹配用绿色加下划线表示)

1 贪婪模式（默认）

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。

(?:<(\w+)>).*(</\1>)

<b><b>hello</b></b>

在前后两个括号里的内容可以匹配的前提下，‘.*’会尽可能多的匹配，所以上面的源字符串整体会被匹配到。

加上断言可以只匹配外层标签内的内容，通过这种方式迭代可以取出标签内的文本：

(?<=<(\w+)>).*(?=<\/\1>)

<b><b>hello</b></b>

 2 懒惰模式

在表示重复的限定符后面加‘?’可以切换到懒惰模式，即在可以匹配的情况下尽可能少的匹配。

• *?　　零个或者更多
• +?　　一个或者更多
• ??      零或者一
• {n,m}? 至少n个，最多m个
• {n,}     至少n个

示例：

a.*b

aabab

3 优先级

如果按照懒惰模式的定义，懒惰模式部分的示例应该匹配到两个‘ab’。但是正则中有个规则比懒惰／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。

用python代码解释下：

s = 'aabab'

ret = []
start = None
for index, char in enumerate(s):
    if start is None:
        if char == 'a':
            start = index
    else:
        if char == 'b':
            ret.append(s[start:index+1])
            start = None
print(ret)

4 或

和python中的逻辑或‘or’相同，正则表达式中的或也是短路操作，只要匹配到就会返回，忽略后面的选项。

示例：匹配0-255之间的任意数字（可以有前导0）：

[01]?\d\d?|2[0-4]\d|25[0-5]

1

01

187

249

256

# 匹配到的所有数字：1、01、187、24、9、25、6

这个正则表达式有三个分支，匹配的数字范围依次是：0-199, 200-249, 250-255。第一个条件其实可以匹配任意数字，因为任意大于200的数字都可以拆分成一位数和两位数的组合。

可以交换下选项的位置，改进版：

2[0-4]\d|25[0-5]|[01]?\d\d?

1

01

187

249

256

当然上面的版本也还是不满足需求，我们可以通过添加边界条件来控制，合适的边界条件会消除短路的影响。这里只是为了说明‘|’的短路规则。

5 单行模式和多行模式

正则表达式中几个元字符的含义：

• .     除换行符('\n')以外的任意字符
• ^    字符串的开始
• $    匹配字符串的结束

单行模式：. 可以匹配任意字符，包括换行符('\n')

多行模式：

• ^    匹配字符串开始以及'\n'之后的位置
• $    匹配字符串结束以及'\n'之前的位置

单行模式和多行模式可可以同时启用，它们改变的是不同元字符的行为。

 

参考：

[1] http://deerchao.net/tutorials/regex/regex.htm  正则表达式30分钟入门教程