正则表达式 30
30
30
30 分钟入门教程
版本: v2.31 (2009-4-11) 作者: deerchao 转载请注明 来源
目录
跳过目录
1 本文目标
2 如何使用本教程
3 正则表达式到底是什么东西?
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 分枝条件
11 反义
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 最后 , 来点广告 ……
23 网上的资源及本文参考文献
24 更新纪录
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
30
30
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 —— 除非你是超人 :)
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?
清除格式 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 )
对其进行匹配的源字符串
对正则表达式或其中一部分的说明
隐藏边注 本文右边有一些注释,主要是用来提供一些相关信息,或者给没有程
序员背景的读者解释一些基本概念,通常可以忽略。
正则表达式到底是什么东西?
字符 是计算机软件处理文字时最基本的单位,可能是字母,数字,标点符号, 空
格,换行符,汉字等等。 字符串 是 0 个或更多个字符的序列。 文本 也就是文字,字符
串。说某个字符串 匹配 某个正则表达式,通常是指这个字符串里有一部分(或几部 分
分别)能满足表达式给出的条件。
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)
(wildcard)
(wildcard)
(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
) 。
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 。
这几乎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,
metacharact
metacharact
metacharact
metacharact er
er
er
er
),
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, 标
点符号或者换行来分隔的,但是 \b 并不匹配这些单词分隔字符中的任何一个,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
使用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 。
换行符就是 '\n',ASCII 编码为 10( 十六进制 0x0A) 的字符。
如果同时使用其它元字符,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 是个新的元字符,匹配 一位数字 (0 ,或 1 ,或 2 ,或 …… )
。
- 不是元字符
,
只匹配它本身 —— 连字符 ( 或者减号,或者中横线,或者随你怎么称呼它 ) 。
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
其它可用的测试工具 :
•
RegexBuddy
•
Javascript 正则表达式在线测试工具
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,所以找一种工具对正则表达式进行测试是很有必要的。
不同的环境下正则表达式的一些细节是不相同的,本教程介绍的是微软 .Net
Framework 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 . 正则表达式里还有更 多
的元字符,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 。
对中文 / 汉字的特殊处理是由 .Net 提供的正则表达式引擎支持的,其它环境下的
具体情况请查看相关文档。
下面来看看更多的例子:
\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:就是不少于一个的连 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 。
\b\w{6}\b 匹配 刚好 6 个字符的单词 。
正则表达式引擎通常会提供一个 “ 测试指定的字符串是否匹配一个正则表达式 ”
的方法,如 JavaScript 里的 RegExp.test() 方法或 .NET 里的 Regex.IsMatch() 方法。这 里
的匹配是指是字符串里有没有符合表达式规则的部分。如果不使用 ^ 和 $ 的话,对于
\d{5,12} 而言,使用这样的方法就只能保证字符串里 包含 5 到 12 连续位数字 ,而不是 整
个字符串就是 5 到 12 位数字。
元字符 ^ (和数字 6 在同一个键位上的符号)和 $ 都匹配一个位置,这和 \b 有点类
似。 ^ 匹配你要用来查找的字符串的开头, $ 匹配结尾。这两个代码在验证输入的内 容
时非常有用,比如一个网站如果要求你填写的 QQ 号必须为 5 位到 12 位数字时,可以
表 1.
1.
1.
1. 常用的元字符代码
说明
.
匹配除换行符以外的任意字符
\w
匹配字母或数字或下划线或汉字
\s
匹配任意的空白符
\d
匹配数字
\b
匹配单词的开始或结束
^
匹配字符串的开始
$
匹配字符串的结束