正则表达式学习笔记

• 正则表达式学习笔记
  • 一、简介
    • 1、为什么是用正则表达式
    • 2、发展历史
    • 3、应用领域
  • 二、语法
    • 1、普通字符
    • 2、非打印字符
    • 3、特殊字符
    • 4、限定符
    • 5、定位符
    • 6、选择和反向引用
  • 三、元字符
  • 四、运算符优先级
  • 五、匹配规则
    • 1、基本模式匹配
    • 2、字符簇
    • 3、确定重复出现
  • 六、示例

Regular Expression正则表达式，是一种文本模式，包括普通字符（a-z，A-Z）和特殊字符（元字符）。

正则表达式使用打个字符来描述、匹配一系列匹配某个句法规则的字符串。

一、简介

初学者一般都不太熟悉正则表达式的专业术语，但一般程序员都会用过*和?两个符号，作为通配符，分别是配多个和单个字符。

1
2
3
4
5
6
7

data1.dat
data2.dat
#可以用data?.dat同时匹配如上两个
data3.dat
data4.dat
data123.dat
#如上，则需要data*.dat才能匹配到data123.dat这个。

1、为什么是用正则表达式

典型的搜索和替换操作，需要提供确切的匹配文本。正则表达式相比具有更高的灵活性：

• 测试字符串内的模式

  例如可以测试输入的字符串，是否包含特定格式，此种称为数据验证。

• 替换文本

  正则表达式来识别特定文本、删除和替换。

• 基于模式匹配从字符串中提取子字符串。

  可以查找文档内或者输入域内的特定字符。

2、发展历史

正则表达式雏形出现于生理学神经系统的研究中。后来被数学家Stephen Kleene用于描述正则集的代数表示，而形成正则表达式这个术语，虽有有应用于Unix系统的搜索算法，于是开始了计算机领域内的正则表达式的使用。

3、应用领域

正则表达式在许多软件中得到广泛应用，类Unix系统、HP系统，php、c#、java等。

二、语法

正则表达式(regular expression)描述的是一种字符串匹配模式，可用于检查是否包含、替换或取出符合条件的字符串。

• 列表目录时，使用*通配符的做法不属于正则表达式的范畴，因为在RegExp中*的含义不同
• 构造正则表达式的方式类似数学表达式。

1、普通字符

普通字符是指没有显式指定为元字符的所有可打印和不可打印字符，大小写字母、数字、表达符号和一些其他符号。

2、非打印字符

非打印字符也可以是正则表达式的组成部分，如下列转义序列的非打印字符：

3、特殊字符

包含特殊含义的字符，如*符号，通配符，若搜索本身的*符号，就需要转义匹配\*。特殊字符可以理解为正则表达式的关键字，若要匹配它们自己本身，就要用转义符\。

4、限定符

限定符用来指定正则表达式的一个给顶组件，必须要出现多少次才能满足匹配。有一下六种

章节编号亦可能大于9，正则表达式匹配正解标题

1

/Chapter [1-9](0-9)*/

*、+和?限定符都是贪婪的，尽可能多的匹配文字，在其后加上一个?则可实现非贪婪或最小匹配

1
2

#匹配<开始到>结束之间的所有内容。
/<.*>/

5、定位符

定位符可以是正则表达式固定到行首或行尾。用于描述字符串或单词的边界，^和$分别表示字符串的开始和结束。\b表示单词的前或后边界，\B表示非单词的边界。

注意：不能将限定符与定位点一起使用。由于在紧靠换行或者字边界的前面或后面不能有==一个以上==位置，因此不允许诸如^*之类的表达式。

• 匹配一行文本开始处的文本，在RegExp开始使用^字符。这与()内的^意思不同。
• 匹配一行文本结束处的文本，在RegExp结尾使用$字符。

示例：

1
2
3
4
5
6
7
8
9

#匹配章节标题，其只含两个尾随数字
/^Chapter [1-9][0-9]{0,1}/
#匹配真正标题，而非包含交叉引用，则标题独占一行。
/^Chapter [1-9][0-9]{0,1}$/
#字符边界匹配，以下两个分别匹配Chapter的前三和后三个字符。
/\bCha/
/ter\b/
#非字符边界，匹配Chapter中的apt，而不匹配边界的aptitude中的apt
/\Bapt/

6、选择和反向引用

用圆括号()括起来所有选择项，相邻选择项用|分隔。如此有副作用，相关的匹配会被缓存，则用?:放在第一选项前来消除副作用。

?:、?=、?!属于非捕获元，而?=还表示正向预查，在任何开始匹配圆括号内正则表达式模式的位置来匹配搜索字符串。?!反向预查，在任何开始不匹配该正则表达式模式的位置来匹配搜索字符串。

正则表达式模式添加()会导致相关匹配存储到一个临时缓冲区，所有匹配子项都按照正则模式从左到右存储。1开始到99个子表达式缓存。缓冲区都可以用\n访问，其中n表示特定缓冲区的一位或两位十进制数。

反向引用，常用相邻单词的匹配，

1
2
3
4

Is is the cost of of gasoline going up up?
#如上句子包含重复单词，若不需要重复单词而定位到该句子
/\b([a-z]+) \1\b/gi
#如上捕获表达式，[a-z]+指定一个或多个字母。单词的第二个匹配项正好由括号表达式匹配。\1指定第一个字匹配项。\b保证了只检测整个单词。全局标记g和忽略大小写标记i

如上示例中使用到全局标记g和大小写忽略标记i

反向引用还可以分解资源指示符URI组件

1
2
3

http://www.google.com:80/android/index.html
#使用正则表达式
/(\w+):\/\/([^/:]+)(:\d*)?([^# ])/

说明：第一个括号用于获取http协议部分，在://之前。第二个表达式，捕获域名地址，匹配/和:之外的一个或多个字符。第三个捕获端口号，:后面的0个或多个只能重复一次该表达式，最后的括号补货地址路径/符号的页面信息。

三、元字符

下表包含元字符的完整列表以及他们在正则表达式上下文中的行为：

四、运算符优先级

正则表达式从左到右进行计算，类似算术运算，遵循优先级：

五、匹配规则

1、基本模式匹配

模式是正则表达式最基本的元素，它们是一组描述字符串特征的字符。可以很简单，有普通字符组成，也可以很复杂由特殊字符构成。

1

^once

如上模式，包含特殊字符^表示该模式只匹配以once开头的字符串。”once upon a time”匹配，”There once was a man from NewYork”则不匹配。

1

bucket$

$符号表示结尾，如上匹配”Who kept all of this cash in a bucket”，则不匹配”buckets”。如果^和$同时使用，则精准匹配。

1

^bucket$

如上只能匹配bucket这个单词，如果不适用特殊字符，仅用普通字符，如once，则匹配所有包含once的字符串。这里的字符是普通字符，有的特殊字符，如空格、制表符、标点等，可能就需要用转义符配合来匹配。

1
2

#匹配制表符，则不是匹配\t这两个字符的字面意思，若匹配\t本义，则用\\t转义后的表示法。
^\t

2、字符簇

用方括号构建字符簇，用于更为自由的使用正则表达式来实现我们需要的搜索与验证功能。

1
2
3
4
5
6
7
8
9
10

#元音字符簇
[AaEeIiOoUu]
#如上则匹配所有元音字符，但只能匹配一个。
[a-z]#匹配所有小写字母
[A-Z]#匹配所有大写字母
[a-zA-Z]#匹配所有字母
[0-9]#匹配所有数字
[0-9\.\-]#匹配所有数字，句号和减号
[ \f\r\t\n]#匹配所有空白字符
#字符簇可以结合^和$符号使用，做精准匹配。

^在方括号内，表示非的意思，用于排除，剔除

1
2
3
4
5

//如下，则表示第一个字符不能是数字
^[^0-9][0-9]$
[^a-z] //除了小写字母以外的所有字符 
[^\\\/\^] //除了(\)(/)(^)之外的所有字符 
[^\"\'] //除了双引号(")和单引号(')之外的所有字符

特殊字符.表示除了新行之外的所有字符。”.”模式，则可以匹配除了空串和仅有”新行“的之外字符串。

PHP正则表达式有一些内置的字符簇。

3、确定重复出现

匹配一个单词或一组数字就需要使用可重复的匹配方式，在字符或字符簇后用{}来确定重复出现的次数。

{}表示集合，内部的数字结构，确定结合的范围或者元素次数。

1
2
3
4

^[a-zA-Z0-9_]{1,}$ //所有包含一个以上的字母、数字或下划线的字符串 
^[1-9][0-9]*$ //所有的正整数 
^\-{0,1}[0-9]{1,}$ //所有的整数 
^[-]?[0-9]+\.?[0-9]+$ //所有的浮点数

如上最后一个较为复杂，-表示负号，可选。.表示小数点，通过^与$符号配合，限定数字的结构，浮点数。其实?代表的是{0,1}表示一个或者没有，所以用?代替了{}来限定范围个数。

1
2

//一样的
^\-?[0-9]{1,}\.?[0-9]{1,}$

而*与{0,}相等，表示0个或多个前面的元素。+与{1,}相等，表示一个或多个前面的内容，如此上面简化为：

1
2
3
4

^[a-zA-Z0-9_]+$ //所有包含一个以上的字母、数字或下划线的字符串 
^[0-9]+$ //所有的正整数 
^\-?[0-9]+$ //所有的整数 
^\-?[0-9]+\.?[0-9]*$ //所有的浮点数

六、示例

• 简单表达式

  1 2 3 4 5 6

  #单字匹配 /a/ /7/ /M/ #多匹配的单字符 /a7M/

  注意没有字符串联符号，只须在字符后直接写字符就可以。

• 字符匹配

  .匹配除\n之外的所有字符。

  1 2 3 4

  #匹配a开头c结尾的三个字符 /a.c/ #要匹配文件名，带后缀的，那么.需要转义 /filename\.txt/

• 中括号表达式

  方括号[]构建字符簇，但是注意两个特殊字符：

  • ]由于右方括号也是表达式的一个符号，若要匹配原本它自身，则放在字符簇的第一位。
  • \斜杠符号，要匹配自身，需要转义\\。

  1 2 3 4 5 6 7 8 9 10 11

  #这两种写法等效。格式中空格是不可缺少的。但是指定范围的方式，需要字符的Unicode码大小顺序来写范围。 /Chapter [12345]/ /Chapter [1-5]/ #连接符 [\-] [-a-z] [a-z-] #开始值小于连字符，结束字符大于或等于连字符， [!--] [!-~]

  • ^在中括号内表示非，用于排除

• 替换和分组

  |符号用于替换。如下表示出现在行首或行尾，后面跟一个或两个数字的Chapter或Section：

  1 2 3 4

  #需要用()来限定需要替换的范围，如果不加()，那么会将Chapter与|后面所有的等价位置，而不是和Section等价。 /^(Chapter|Section) [1-9][0-9]{0,1}$/ #如上搜索结果会被捕获并存储，有时候多个子表达式，会引起误会。需要清除缓存。 /^(?:Chapter|Section) [1-9][0-9]{0,1}$/

• 其他示例

  | 正则表达式 | 描述 |
  | —————————————- | —————————————- |
  | /\b([a-z]+)\1\b/gi | 一个单词连续出现的位置 |
  | /(\w+):\/\/([^/:]+)(:\d*)?([^#*])/ | 将一个URL解析为协议、域、端口、相对路径 |
  | /^(?:Chapter|Section)[1-9][0-9]{0,1}$/ | 定位章节位置 |
  | /[-a-z]/ | a-z和- |
  | /ter\b/ | 末尾边界符 |
  | /\Bapt/ | 非边界符 |
  | /Windows(?=95|98|NT)/ | 可匹配Windows95或Windows98或WindowsNT，当找到一个匹配后，从Windows后面开始进行下一次的检索匹配。 |
  | /^\s$/ | 匹配空行 |
  | /\d{2}-\d{5}/ | 验证由两位数、一个连字符、5位数组成的ID号。 |
  | /<\s\(\S+)(\s[^>]*)?>[\s\S]*<\s*\/\1\s*>/ | 匹配HTML标记。 |

Note:各个编程语言中的正则表达式可能略微还有差异，如java中特殊元字符可能就需要\\b来代替\b符号，用双斜杠代替原有的单斜杠。使用中稍加注意。

• ← Previous Post
• Next Post →