欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

正则表达式学习参考 正则入门学习资料

程序员文章站 2022-05-29 13:45:18
1 概述 正则表达式(regular expression)是一种匹配模式,描述的是一串文本的特征。 正如自然语言中“高大”、“坚固”等词语抽象出来描述事物特征一样,正则表...
1 概述
正则表达式(regular expression)是一种匹配模式,描述的是一串文本的特征。

正如自然语言中“高大”、“坚固”等词语抽象出来描述事物特征一样,正则表达式就是字符的高度抽象,用来描述字符串的特征。

正则表达式(以下简称正则,regex)通常不独立存在,各种编程语言和工具作为宿主语言提供对正则的支持,并根据自身语言的特点,进行一定的剪裁或扩展。

正则入门很容易,有限的语法规则很容易掌握,但是目前正则的普及率并不高,主要是因为正则的流派众多,各种宿主语言提供的文档都过多的关注于自身的一些细节,而这些细节通常是初学者并不需要关注的。

当然,如果想要深入的了解正则表达式,这些细节又是必须被关注的,这是后话,让我们先从正则的基础开始,进入正则表达式的世界。

2 正则表达式基础
2.1 基本概念
2.1.1 字符串组成

正则表达式学习参考 正则入门学习资料

对于字符串“a5”,是由两个字符“a”、“5”以及三个位置组成的,这一点对于正则表达式的匹配原理理解很重要。

2.1.2  占有字符和零宽度

正则表达式匹配过程中,如果子表达式匹配到的是字符内容,而非位置,并被保存到最终的匹配结果中,那么就认为这个子表达式是占有字符的;如果子表达式匹配的仅仅是位置,或者匹配的内容并不保存到最终的匹配结果中,那么就认为这个子表达式是零宽度的。

占有字符还是零宽度,是针对匹配的内容是否保存到最终的匹配结果中而言的。

占有字符是互斥的,零宽度是非互斥的。也就是一个字符,同一时间只能由一个子表达式匹配,而一个位置,却可以同时由多个零宽度的子表达式匹配。

2.1.3  正则表达式构成

正则表达式由两种字符构成。一种是在正则表达式中具体特殊意义的“元字符”,另一种是普通的“文本字符”。

元字符可以是一个字符,如“^”,也可以是一个字符序列,如“\w”。

2.2     元字符(meta character

2.2.1  [] 字符组(character classes)

字符组可以匹配[ ]中包含的任意一个字符。虽然可以是任意一个,但只能是一个。

字符组支持由连字符“-”来表示一个范围。当“-”前后构成范围时,要求前面字符的码位小于后面字符的码位。

[^] 排除型字符组。排除型字符组表示任意一个未列出的字符,同样只能是一个。排除型字符组同样支持由连字符“-”来表示一个范围。

表达式

说明

[abc]

表示“a”或“b”或“c

[0-9]

表示0~9中任意一个数字,等价于[0123456789]

[\u4e00-\u9fa5]

表示任意一个汉字

[^a1<]

表示除“a”、“1”、“<”外的其它任意一个字符

[^a-z]

表示除小写字母外的任意一个字符

举例:

[0-9][0-9]”在匹配“windows 2003”时,匹配成功,匹配的结果为“20”。

[^inw]”在匹配“windows 2003”时,匹配成功,匹配的结果为“d”。

2.2.2  常见字符范围缩写

对于一些常用的字符范围,如数字等,由于非常常用,即使使用[0-9]这样的字符组仍显得麻烦,所以定义了一些元字符,来表示常见的字符范围。

表达式

说明

\d

任意一个数字,相当于[0-9],即0~9 中的任意一个

\w

任意一个字母或数字或下划线,相当于[a-za-z0-9_]

\s

任意空白字符,相当于[ \r\n\f\t\v]

\d

任意一个非数字字符,\d取反,相当于[^0-9]

\w

\w取反,相当于[^a-za-z0-9_]

\s

任意非空白字符,\s取反,相当于[^ \r\n\f\t\v]

举例:

\w\s\d”在匹配“windows 2003”时,匹配成功,匹配的结果为“s 2”。

2.2.3  . 小数点

小数点可以匹配除“\n”以外的任意一个字符。如果要匹配包括“\n”在内的所有字符,一般用[\s\s],或者是用“.”加(?s)匹配模式来实现。

表达式

说明

.

匹配除了换行符 \n 以外的任意一个字符

2.2.4  其它元字符

表达式

说明

^

匹配字符串开始的位置,不匹配任何字符

$

匹配字符串结束的位置,不匹配任何字符

\b

匹配单词边界,不匹配任何字符

举例:

^a”在匹配“cba”时,匹配失败,因为表达式要求开始位置后面是字符“a”,而“cba”显然是不满足的。

\d$”在匹配“123”时,匹配成功,匹配结果为“3”,这个表达式要求匹配结尾处的数字,如果结尾处不是数字,如“123abc”,则是匹配失败的。

2.2.5  转义字符

一些不可见字符,或是在正则中具有特殊意义的元字符,如想匹配字符本身,需要用“\”对其进行转义。

 

表达式

说明

\r\n

回车和换行

\\

匹配“\”本身

\^\$\.

分别匹配“^”、“$”和“.

以下字符在匹配其本身时,通常需要进行转义。在实际应用中,根据具体情况,需要转义的字符可能不止如下所列字符

 .  $  ^  {  [  (  |  )  *  +  ?  \

2.2.6  量词(quantifier

量词表示一个子表达式可以匹配的次数。量词可以用来修饰一个字符、字符组,或是用()括起来的子表达式。一些常用的量词被定义成独立的元字符。

表达式

说明

举例

{m}

表达式匹配m

\d{3}”相当于“\d\d\d

(abc){2}”相当于“abcabc

{m,n}

表达式匹配最少m次,最多n

\d{2,3}”可以匹配“12”或“321”等23位的数字

{m,}

表达式至少匹配m

[a-z]{8,}”表示至少8位以上的字母

?

表达式匹配0次或1次,相当于{0,1}

ab?”可以匹配“a”或“ab

*

表达式匹配0次或任意多次,相当于{0,}

<[^>]*>”中“[^>]*”表示0个或任意多个不是“>”的字符

+

表达式匹配1次或意多次,至少1次,相当于{1,}

\d\s+\d”表示两个数字中间,至少有一个以上的空白字符

注意:在不是动态生成的正则表达式中,不要出现“{1}”这样的量词,如“\w{1}”在结果上等价于“\w”,但是会降低匹配效率和可读性,属于画蛇添足的做法。

2.2.7  分支结构(alternation

当一个字符串的某一子串具有多种可能时,采用分支结构来匹配,“|”表示多个子表达式之间“或”的关系,“|”是以()限定范围的,如果在“|”的左右两侧没有()来限定范围,那么它的作用范围即为“|”左右两侧整体。

表达式

说明

|

多个子表达式之间取“或”的关系

举例:

^aa|b$”在匹配“cccb”时,是可以匹配成功的,匹配的结果是“b”,因为这个表达式表示匹配“^aa”或“b$”,而“b$”在匹配“cccb ”时是可以匹配成功的。

^(aa|b)$”在区配“cccb”时,是匹配失败的,因为这个表达式表示在“开始”和“结束”位置之间只能是“aa”或“b”,而“cccb”显然是不满足的。

3       正则表达式进阶

3.1     捕获组(capture group

捕获组就是把正则表达式中子表达式匹配的内容,保存到内存中以数字编号或手动命名的组里,以供后面引用。

表达式

说明

(expression)

普通捕获组,将子表达式expression匹配的内容保存到以数字编号的组里

(?<name> expression)

命名捕获组,将子表达式expression匹配的内容保存到以name命名的组里

普通捕获组(在不产生歧义的情况下,简称捕获组)是以数字进行编号的,编号规则是以“(”从左到右出现的顺序,从1开始进行编号。通常情况下,编号为0的组表示整个表达式匹配的内容。

命名捕获组可以通过捕获组名,而不是序号对捕获内容进行引用,提供了更便捷的引用方式,不用关注捕获组的序号,也不用担心表达式部分变更会导致引用错误的捕获组。

3.2     非捕获组

一些表达式中,不得不使用( ),但又不需要保存( )中子表达式匹配的内容,这时可以用非捕获组来抵消使用( )带来的副作用。

表达式

说明

(?:expression)

进行子表达式expression的匹配,并将匹配内容保存到最终的整个表达式的区配结果中,但expression匹配的内容不单独保存到一个组内

3.3     反向引用

捕获组匹配的内容,可以在正则表达式的外部程序中进行引用,也可以在表达式中进行引用,表达式中引用的方式就是反向引用。

反向引用通常用来查找重复的子串,或是限定某一子串成对出现。

表达式

说明

\1\2

对序号为12的捕获组的反向引用

\k<name>

对命名为name的捕获组的反向引用

举例:

(a|b)\1”在匹配“abaa”时,匹配成功,匹配到的结果是“aa”。“(a|b)”在尝试匹配时,虽然既可以匹配“a”,也可以匹配“b”,但是在进行反向引用时,对应()中匹配的内容已经是固定的了。

3.4     环视(look around

环视只进行子表达式的匹配,匹配内容不计入最终的匹配结果,是零宽度的。

环视按照方向划分有顺序和逆序两种,按照是否匹配有肯定和否定两种,组合起来就有四种环视。环视相当于对所在位置加了一个附加条件。

 

表达式

说明

(?<=expression)

逆序肯定环视,表示所在位置左侧能够匹配expression

(?<!expression)

逆序否定环视,表示所在位置左侧不能匹配expression

(?=expression)

顺序肯定环视,表示所在位置右侧能够匹配expression

(?!expression)

顺序否定环视,表示所在位置右侧不能匹配expression

举例:

(?<=windows )\d+”在匹配“windows 2003”时,匹配成功,匹配结果为“2003”。我们知道“\d+”表示匹配一个以上的数字,而“(?<=windows )”相当于一个附加条件,表示所在位置左侧必须为“windows ”,它所匹配的内容并不计入匹配结果。同样的正则在匹配“office 2003”时,匹配失败,因为这里任意一串数字子串的左侧都不是“windows ”。

(?!1)\d+”在匹配“123”时,匹配成功,匹配的结果为“23”。“\d+”匹配一个以上数字,但是附加条件“(?!1)”要求所在位置右侧不能是“1”,所以匹配成功的位置是“2”前面的位置。

3.5     忽略优先和匹配优先

或者叫做正则表达式匹配的贪婪与非贪婪模式。

标准量词修饰的子表达式,在可匹配可不匹配的情况下,总会先尝试进行匹配,称这种方式为匹配优先,或者贪婪模式。此前介绍的一些量词,“{m}”、“{m,n}”、“{m,}”、“?”、“*”和“+”都是匹配优先的。

一些nfa正则引擎支持忽略优先量词,也就是在标准量词后加一个“?”,此时,在可匹配可不匹配的情况下,总会先忽略匹配,只有在由忽略优先量词修饰的子表达式,必须进行匹配才能使整个表达式匹配成功时,才会进行匹配,称这种方式为忽略优先,或者非贪婪模式。忽略优先量词包括“{m}?”、“{m,n}?”、“{m,}?”、“??”、“*?”和“+?”。

举例:

源字符串:<div>aaa</div><div>bbb</div>

正则表达式1<div>.*</div>      匹配结果:<div>aaa</div><div>bbb</div>

正则表达式2<div>.*?</div>     匹配结果:<div>aaa</div>