正则表达式入门

写程序7年，从我身边接触到的人来看，相当多的程序员把正则表达式看得很高深，甚至觉得是一道不可跨越的鸿沟。有此想法的原因很简单：只是因为你没有花上几个小时的时间去学习一下正则的基础。对，只需要几个小时，你就能编写出自己需要的正则表达式。为了引导这些不敢触碰正则的朋友，我特别写了这篇正则的入门文章，希望能够帮到你们。

正则表达式是什么？

比较正规的解释是：正则表达式使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。
在这里，我希望使用一个更为通俗的自然语言来描述它：正则表达式就是用一类字符的统称来描述这一大批字符。举个例子，正则里说汉字，那么其实它就涵盖了所有的中国文字。
现在你是否明白了正则到底是个什么东西了吧？仍不明白？不要紧，继续往下看，文中会通过一些简单的实例来帮助你对正则的理解。

为什么要用正则表达式？

可以这么说，正则表达式能做的，都能够通过正常的编程来实现。那么我们为什么还要学习正则呢？原因很简单：
1）正则表达式能够很大幅度的简化代码，实现起来也更为顺手；
2）用正则表达式去处理字符串，代码更容易理解；
3）通常来说，正则表达式的速度远比自己写逻辑要高很多；

正则表达式要怎么使用？

正则表达式具体怎么使用取决于你用什么编程语言，我们先看大家都熟悉的Javascript.

var reg = new RegExp("^[a-z]+$"); //也可以写成：var reg = /^[a-z]+$/;

^：表示字符串的开始
[a-z]：表示任意小写的字母
+：表示前边的字母至少出现1次，上不封顶
$：表示字符串的结束


应用一：reg.test("abcd") //true
从头到尾都是小写的英文字母，所有匹配成功，返回true


应用二：reg.test("8ddde") //false
因为开头不是字母，所以匹配失败，返回false


我们再看在C#中正则怎么使用（首先要引用名字空间：System.Text.RegularExpressions）。

Regex reg = new Regex("^[a-z]+$");
reg.IsMatch("abcd"); //true
reg.IsMatch("8ddde"); //false

前边所列举都是用正则去检测一个字符串是否是预期的规则，现则我们再用正则去获取一个大字符串中需要的内容。

var str = "正则表达式（Regular Expression）是对字符串操作的一种逻辑公式"
var reg = /[a-zA-z]+/g; //最后加个“g”表示查找所有符合条件的，不带“g”表示查找第一个符合条件的
var result = str.match(reg); //返回的result是一个数组，包含所有查找到的内容
// result[0]: Regular
// result[1]: Expression

再看C#中如何实现。

string str = "正则表达式（Regular Expression）是对字符串操作的一种逻辑公式"
Regex reg = new Regex("[a-zA-Z]+");
MatchCollection result = reg.Matches(str);
foreach (Match m in result) {
    Console.WriteLine(m.Value);
}

输出：
Regular
Expression

 

正则表达式中的元字符

 

要写出正则表达式，一定要知道表达式中可以使用哪些字符，代表哪些意思。这好比“人类”代表黄种人、白种人、黑种人等。下边列出了所有的元字符和对于的描述。

 

 

元字符	描述
\	将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。例如，“\n”匹配一个换行符。“\\n”匹配字符"n"。序列“\\”匹配“\”而“\(”则匹配“(”。
^	匹配输入字符串的开始位置。如果设置了RegExp对象的Multiline属性，^也匹配“\n”或“\r”之后的位置。
$	匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性，$也匹配“\n”或“\r”之前的位置。
*	匹配前面的子表达式零次或多次。例如，zo*能匹配“z”以及“zoo”。*等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，“zo+”能匹配“zo”以及“zoo”，但不能匹配“z”。+等价于{1,}。
?	匹配前面的子表达式零次或一次。例如，“do(es)?”可以匹配“does”或“does”中的“do”。?等价于{0,1}。
{n}	n是一个非负整数。匹配确定的n次。例如，“o{2}”不能匹配“Bob”中的“o”，但是能匹配“food”中的两个o。
{n,}	n是一个非负整数。至少匹配n次。例如，“o{2,}”不能匹配“Bob”中的“o”，但能匹配“foooood”中的所有o。“o{1,}”等价于“o+”。“o{0,}”则等价于“o*”。
{n,m}	m和n均为非负整数，其中n<=m。最少匹配n次且最多匹配m次。例如，“o{1,3}”将匹配“fooooood”中的前三个o。“o{0,1}”等价于“o?”。请注意在逗号和两个数之间不能有空格。
?	当该字符紧跟在任何一个其他限制符（*,+,?，{n}，{n,}，{n,m}）后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串“oooo”，“o?”将匹配单个“o”，而“o+”将匹配所有“o”。
.点	匹配除“\n”之外的任何单个字符。要匹配包括“\n”在内的任何字符，请使用像“[\s\S]”的模式。
(pattern)	匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到，在VBScript中使用SubMatches集合，在JScript中则使用$0…$9属性。要匹配圆括号字符，请使用“\(”或“\)”。
(?:pattern)	匹配pattern但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用或字符“(|)”来组合一个模式的各个部分是很有用。例如“industr(?:y|ies)”就是一个比“industry|industries”更简略的表达式。
(?=pattern)	正向肯定预查，在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如，“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”，但不能匹配“Windows3.1”中的“Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)	正向否定预查，在任何不匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”，但不能匹配“Windows2000”中的“Windows”。
(?<=pattern)	反向肯定预查，与正向肯定预查类似，只是方向相反。例如，“(?<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”，但不能匹配“3.1Windows”中的“Windows”。
(?<!pattern)	反向否定预查，与正向否定预查类似，只是方向相反。例如“(?<!95|98|NT|2000)Windows”能匹配“3.1Windows”中的“Windows”，但不能匹配“2000Windows”中的“Windows”。
x|y	匹配x或y。例如，“z|food”能匹配“z”或“food”。“(z|f)ood”则匹配“zood”或“food”。
[xyz]	字符集合。匹配所包含的任意一个字符。例如，“[abc]”可以匹配“plain”中的“a”。
[^xyz]	负值字符集合。匹配未包含的任意字符。例如，“[^abc]”可以匹配“plain”中的“plin”。
[a-z]	字符范围。匹配指定范围内的任意字符。例如，“[a-z]”可以匹配“a”到“z”范围内的任意小写字母字符。注意:只有连字符在字符组内部时,并且出两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身.
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，“[^a-z]”可以匹配任何不在“a”到“z”范围内的任意字符。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如，“er\b”可以匹配“never”中的“er”，但不能匹配“verb”中的“er”。
\B	匹配非单词边界。“er\B”能匹配“verb”中的“er”，但不能匹配“never”中的“er”。
\cx	匹配由x指明的控制字符。例如，\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则，将c视为一个原义的“c”字符。
\d	匹配一个数字字符。等价于[0-9]。
\D	匹配一个非数字字符。等价于[^0-9]。
\f	匹配一个换页符。等价于\x0c和\cL。
\n	匹配一个换行符。等价于\x0a和\cJ。
\r	匹配一个回车符。等价于\x0d和\cM。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。
\S	匹配任何非空白字符。等价于[^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于\x09和\cI。
\v	匹配一个垂直制表符。等价于\x0b和\cK。
\w	匹配包括下划线的任何单词字符。等价于“[A-Za-z0-9_]”。
\W	匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。
\xn	匹配n，其中n为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，“\x41”匹配“A”。“\x041”则等价于“\x04&1”。正则表达式中可以使用ASCII编码。
\num	匹配num，其中num是一个正整数。对所获取的匹配的引用。例如，“(.)\1”匹配两个连续的相同字符。
\n	标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式，则n为向后引用。否则，如果n为八进制数字（0-7），则n为一个八进制转义值。
\nm	标识一个八进制转义值或一个向后引用。如果\nm之前至少有nm个获得子表达式，则nm为向后引用。如果\nm之前至少有n个获取，则n为一个后跟文字m的向后引用。如果前面的条件都不满足，若n和m均为八进制数字（0-7），则\nm将匹配八进制转义值nm。
\nml	如果n为八进制数字（0-7），且m和l均为八进制数字（0-7），则匹配八进制转义值nml。
\un	匹配n，其中n是一个用四个十六进制数字表示的Unicode字符。例如，\u00A9匹配版权符号（©）。