正则表达式 30 分钟入门教程
版本:v2.21 (2007-8-3) 作者:deerchao 来源:unibetter大学生社
区 转载请注明来源
目录
1. 本文目标
2. 如何使用本教程
3. 正则表达式到底是什么?
4. 入门
5. 测试正则表达式
6. 元字符
7. 字符转义
8. 重复
9. 字符类
10.反义
11.替换
12.分组
13.后向引用
14.零宽断言
15.负向零宽断言
16.注释
17.贪婪与懒惰
18.处理选项
19.平衡组/递归匹配
20.还有些什么东西没提到
21.联系作者
22.一些我认为你可能已经知道的术语的参考
23.网上的资源及本文参考文献
24.更新说明
本文目标
30 分钟内让你明白正则表达式是什么,并对它有一些基本的了解,让
你可以在自己的程序或网页里使用它。
如何使用本教程
最重要的是——请给我 30 分钟,如果你没有使用正则表达式的经验,
请不要试图在 30 秒内入门。当然,如果你是超人,那自然得另当别论。
别被下面那些复杂的表达式吓倒,只要跟着我一步一步来,你会发现
正则表达式其实并没有你想像中的那么困难。当然,如果你看完了这篇教
程之后,发现自己明白了很多,却又几乎什么都记不得,那也是很正常
的——我认为,没接触过正则表达式的人在看完这篇教程后,能把提到过
的语法记住 80%以上的可能性为零。这里只是让你明白基本的原理,以后
你还需要多练习,多使用,才能熟练掌握正则表达式。
除了作为入门教程之外,本文还试图成为可以在日常工作中使用的正
则表达式语法参考手册。就作者本人的经历来说,这个目标还是完成得不
错的——你看,我自己也没能把所有的东西记下来,不是吗?
文本格式约定:专业术语 元字符/语法格式 正则表达式 正则表达
式中的一部分(用于分析)
用于在其中搜索的字符串
对正则表达式或其
中一部分的说明清除格式
正则表达式到底是什么?
在编写处理字符串的程序或网页时,经常会有查找符合某些复杂规则
的字符串的需要。正则表达式就是用于描述这些规则的工具。换句话说,
正则表达式就是记录文本规则的代码。
很可能你使用过Windows/Dos下用于文件查找的通配符(wildcard),也
就是*和?。如果你想查找某个目录下的所有的Word文档的话,你会搜索
*.doc。在这里,*会被解释成任意的字符串。和通配符类似,正则表达式
也是用来进行文本匹配的工具,只不过比起通配符,它能更精确地描述你
的需求——当然,代价就是更复杂——比如你可以编写一个正则表达式,
用来查找所有以 0 开头,后面跟着 2-3 个数字,然后是一个连字号“-”,
最后是7或8位数字的字符串(像
010-12345678
或
0376-7654321
)。
正则表达式是用于进行文本匹配的工具,所以本文里多次提到了在字
符串里搜索/查找,这种说法的意思是在给定的字符串中,寻找与给定的正
则表达式相匹配的部分。有可能字符串里有不止一个部分满足给定的正则
表达式,这时每一个这样的部分被称为一个匹配。匹配在本文里可能会有
三种意思:一种是形容词性的,比如说一个字符串匹配一个表达式;一种
是动词性的,比如说在字符串里匹配正则表达式;还有一种是名词性的,
就是刚刚说到的“字符串中满足给定的正则表达式的一部分”。
入门
学习正则表达式的最好方法是从例子开始,理解例子之后再自己对例
子进行修改,实验。下面给出了不少简单的例子,并对它们作了详细的说
明。
假设你在一篇英文小说里查找hi,你可以使用正则表达式hi。
这是最简单的正则表达式了,它可以精确匹配这样的字符串:由两个
字符组成,前一个字符是h,后一个是i。通常,处理正则表达式的工具会提
供一个忽略大小写的选项,如果选中了这个选项,它可以匹配
hi
,
HI
,
Hi
,
hI
这四种情况中的任意一种。
不幸的是,很多单词里包含
hi
这两个连续的字符,比如
him
,
history
,
high
等等。用hi来查找的话,这里边的
hi
也会被找出来。如
果要精确地查找hi这个单词的话,我们应该使用\bhi\b。
\b是正则表达式规定的一个特殊代码(好吧,某些人叫它元字符,
metacharacter),代 表 着 单词的开头或结尾,也就是单词的分界处。虽然
通常英文的单词是由空格或标点符号或换行来分隔的,但是\b并不匹配这
些单词分隔符中的任何一个,它只匹配一个位置。(如果需要更精确的说
法,\b匹配这样的位置:它的前一个字符和后一个字符不全是(一个是,一
个不是或不存在)\w)
假如你要找的是hi后面不远处跟着一个Lucy,你应该用
\bhi\b.*\bLucy\b。
这里,.是另一个元字符,匹配除了换行符以外的任意字符。*同样是
元字符,不过它代表的不是字符,也不是位置,而是数量——它指定*前边
的内容可以连续重复出现任意次以使整个表达式得到匹配。因此,.*连在
一起就意味着任意数量的不包含换行的字符。现在\bhi\b.*\bLucy\b的意
思就很明显了:先是一个单词hi,然后是任意个任意字符(但不能是换行),
最后是Lucy这个单词。
如果同时使用其它的一些元字符,我们就能构造出功能更强大的正则
表达式。比如下面这个例子:
0\d\d-\d\d\d\d\d\d\d\d匹配这样的字符串:以 0 开头,然后是两个
数字,然后是一个连字号“-”,最后是 8 个数字(也就是中国的电话号码。
当然,这个例子只能匹配区号为 3 位的情形)。
这里的\d是一个新的元字符,匹配任意的数字(0,或 1,或 2,或……)。
-不是元字符,只匹配它本身——连字号。
为了避免那么多烦人的重复,我们也可以这样写这个表达式:
0\d{2}-\d{8}。 这里\d后面的{2}({8})的意思是前面\d必须连续重复匹配
2 次(8 次)。
测试正则表达式
如果你不觉得正则表达式很难读写的话,要么你是一个天才,要么,
你不是地球人。正则表达式的语法很令人头疼,即使对经常使用它的人来
说也是如此。由于难于读写,容易出错,所以很有必要创建一种工具来测
试正则表达式。
由于在不同的环境下正则表达式的一些细节是不相同的,本教程介绍
的是Microsoft .Net 2.0 下正则表达式的行为,所以,我向你介绍一个.Net
下的工具Regex Tester
。首先你确保已经安装了.Net Framework 2.0,然
后下载Regex Tester。这是个绿色软件,下载完后打开压缩包,直接运行
RegexTester.exe就可以了。
下面是 Regex Tester 运行时的截图:
元字符
现在你已经知道几个很有用的元字符了,如\b,.,*,还有\d.当然还有
更多的元字符可用,比如\s匹配任意的空白符,包括空格,制表符(Tab),
换行符,中文全角空格等。\w匹配字母或数字或下划线或汉字等。
下面来试试更多的例子:
\ba\w*\b匹配以字母a开头的单词——先是某个单词开始处(\b),然 后
是字母a,然后是任意数量的字母或数字(\w*),最后是单词结束处(\b)(好
吧,现在我们说说正则表达式里的单词是什么意思吧:就是几个连续的\w。
不错,这与学习英文时要背的成千上万个同名的东西的确关系不大)。
\d+匹配1 个或更多连续的数字。这里的+是和*类似的元字符,不同的
是*匹配重复任意次(可能是 0 次),而+则匹配重复 1 次或更多次。
评论0