正则表达式
发布时间:2020-12-13 22:59:48 所属栏目:百科 来源:网络整理
导读:1、什么是正则表达式 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
1、什么是正则表达式 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 2、入门 b是正则表达式规定的一个特殊代码(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,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 "."另一个元字符,匹配除了换行符以外的任意字
"*"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
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 3、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。 4、常用元字符 . 匹配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 5、字符转义 如果你想查找元字符本身的话,比如你查找.,或者*,就出现了问题:你没办法指定它们,因为它们会被解释成别的意思。这时你就得使用来取消这些字符的特殊意义。因此,你应该使用.和*。当然,要查找本身,你也得用. 6、重复(常用的限定符) * 重复零次或更多次 + 重复一次或更多次 ? 重复一次或零次 {n} 重复n次 {n,} 重复n次或更多次 {n,m} 重复n到m次 7、字符类 要想查找数字,字母或数字,空白是很简单的,因为已经有了对应这些字符集合的元字符,但是如果你想匹配没有预定义元字符的字符集合(比如元音字母a,e,i,o,u),应该怎么办? 很简单,你只需要在方括号里列出它们就行了,像[aeiou]就匹配任何一个英文元音字母,[.?!]匹配标点符号(.或?或!)。 我们也可以轻松地指定一个字符范围,像[0-9]代表的含意与d就是完全一致的:一位数字;同理[a-z0-9A-Z_]也完全等同于w(如果只考虑英文的话) 8、分枝条件 正则表达式里的分枝条件指的是有几种规则,如果满足其中任意一种规则都应该当成匹配,具体方法是用|把不同的规则分隔开5位数字,或者用连字号间隔的9位数字 之所以要给出这个例子是因为它能说明一个问题:使用分枝条件时,要注意各个条件的顺序 9、分组 我们已经提到了怎么重复单个字符(直接在字符后面加上限定符就行了) 重复多个字符可以用小括号来指定子表达式(也叫做分组),然后你就可以指定这个子表达式的重复次数了,你也可以对子表达式进行其它一些操作 10、反义 有时需要查找不属于某个能简单定义的字符类的字符
比如想查找除了数字以外,其它任意字符都行的情况,这时需要用到反义 11、常用的反义代码
W
匹配任意不是字母,数字,下划线,汉字的字符S 匹配任意不是空白符的字符 D 匹配任意非数字的字符 B 匹配不是单词开头或结束的位置 [^x] 匹配除了x以外的任意字符 [^aeiou] 匹配除了aeiou这几个字母以外的任意字符 匹配exp,并捕获文本到自动命名的组里 (?<name>exp) 匹配exp,并捕获文本到名称为name的组里,也可以写成(?'name'exp) (?:exp) 匹配exp,不捕获匹配的文本,也不给此分组分配组号 (?:exp)不会改变正则表达式的处理方式,只是这样的组匹配的内容不会像前两种那样被捕获到某个组里面,也不会拥有组号 匹配exp前面的位置 (?<=exp) 匹配exp后面的位置 (?!exp) 匹配后面跟的不是exp的位置 (?<!exp) 匹配前面不是exp的位置 这种类型的分组不对正则表达式的处理产生任何影响,用于提供注释让人阅读 <(w+)> # 查找尖括号括起来的字母或数字(即HTML/XML标签) ) # 前缀结束 .* # 匹配任意文本 (?= # 断言要匹配的文本的后缀 </1> # 查找尖括号括起来的内容:前面是一个"/",后面是先前捕获的标签 ) # 后缀结束 重复任意次,但尽可能少重复 +? 重复1次或更多次,但尽可能少重复 ?? 重复0次或1次,但尽可能少重复 {n,m}? 重复n到m次,但尽可能少重复 {n,}? 重复n次以上,但尽可能少重复 匹配时不区分大小写。 Multiline(多行模式) 更改^和$的含义,使它们分别在任意一行的行首和行尾匹配,而不仅仅在整个字符串的开头和结尾匹配。(在此模式下,$的精确含意是:匹配n之前的位置以及字符串结束前的位置.) Singleline(单行模式) 更改.的含义,使它与每一个字符匹配(包括换行符n)。 IgnorePatternWhitespace(忽略空白) 忽略表达式中的非转义空白并启用由#标记的注释。 ExplicitCapture(显式捕获) 仅捕获已被显式命名的组。 报警字符(打印它的效果是电脑嘀一声) b 通常是单词分界位置,但如果在字符类里使用代表退格 t 制表符,Tab r 回车 v 竖向制表符 f 换页符 n 换行符 e Escape nn ASCII代码中八进制代码为nn的字符 xnn ASCII代码中十六进制代码为nn的字符 unnnn Unicode代码中十六进制代码为nnnn的字符 cN ASCII控制字符。比如cC代表Ctrl+C A 字符串开头(类似^,但不受处理多行选项的影响) Z 字符串结尾或行尾(不受处理多行选项的影响) z 字符串结尾(类似$,但不受处理多行选项的影响) G 当前搜索的开头 p{name} Unicode中命名为name的字符类,例如p{IsGreek} (?>exp) 贪婪子表达式 (?<x>-<y>exp) 平衡组 (?im-nsx:exp) 在子表达式exp中改变处理选项 (?im-nsx) 为表达式后面的部分改变处理选项 (?(exp)yes|no) 把exp当作零宽正向先行断言,如果在这个位置能匹配,使用yes作为此组的表达式;否则使用no (?(exp)yes) 同上,只是使用空表达式作为no (?(name)yes|no) 如果命名为name的组捕获到了内容,使用yes作为表达式;否则使用no (?(name)yes) 同上,只是使用空表达式作为no 例子:S+匹配不包含空白符的字符串 <a[^>]+>匹配用尖括号括起来的以a开头的字符串 12、后向引用
使用小括号指定一个子表达式后,匹配这个子表达式的文本(也就是此分组捕获的内容)可以在表达式或其它程序中作进一步的处理 默认情况下,每个分组会自动拥有一个组号,规则是:从左向右,以分组的左括号为标志,第一个出现的分组的组号为1,第二个为2,以此类推
分组0对应整个正则表达式
实际上组号分配过程是要从左向右扫描两遍的:第一遍只给未命名组分配,第二遍只给命名组分配--因此所有命名组的组号都大于未命名的组号
你可以使用这样的语法来剥夺一个分组对组号分配的参与权 后向引用用于重复搜索前面某个分组匹配的文本
你也可以自己指定子表达式的组名
要指定一个子表达式的组名,请使用这样的语法:(?<Word>w+)(或者把尖括号换成'也行:(?'Word'w+)) 这样就把w+的组名指定为Word了 要反向引用这个分组捕获的内容,你可以使用k<Word>,所以上一个例子也可以写成这样:b(?<Word>w+)bs+k<Word>b。 使用小括号的时候,还有很多特定用途的语法 13、常用分组语法 捕获 (exp) 零宽断言:用于查找在某些内容(但并不包括这些内容)之前或之后的东西,也就是说它们像b,^,$那样用于指定一个位置,这个位置应该满足一定的条件(即断言),因此它们也被称为零宽断言 (?=exp) 负向零宽断言它只匹配一个位置,并不消费任何字符 注释 (?#comment) 小括号的另一种用途是通过语法(?#comment)来包含注释
要包含注释的话,最好是启用“忽略模式里的空白符”选项,这样在编写表达式时能任意的添加空格,Tab,换行,而实际使用时这些都将被忽略 启用这个选项后,在#后面到这一行结束的所有文本都将被当成注释忽略掉。例如,我们可以前面的一个表达式写成这样: (?<= # 断言要匹配的文本的前缀 14、贪婪与懒惰 当正则表达式中包含能接受重复的限定符时,通常的行为是(在使整个表达式能得到匹配的前提下)匹配尽可能多的字符 以这个表达式为例:a.*b,它将会匹配最长的以a开始,以b结束的字符串。如果用它来搜索aabab的话,它会匹配整个字符串aabab。这被称为贪婪匹配。 有时,我们更需要懒惰匹配,也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式,只要在它后面加上一个问号?。这样.*?就意味着匹配任意数量的重复,但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧: a.*?b匹配最短的,以a开始,以b结束的字符串。如果把它应用于aabab的话,它会匹配aab(第一到第三个字符)和ab(第四到第五个字符)。 为什么第一个匹配是aab(第一到第三个字符)而不是ab(第二到第三个字符)?简单地说,因为正则表达式有另一条规则,比懒惰/贪婪规则的优先级更高:最先开始的匹配拥有最高的优先权——The match that begins earliest wins。 15、懒惰限定符 *? 16、处理选项 .Net中常用的正则表达式选项:
IgnoreCase(忽略大小写)
17、平衡组/递归匹配
这里介绍的平衡组语法是由.Net Framework支持的;其它语言/库不一定支持这种功能,或者支持此功能但需要使用不同的语法 这里需要用到以下的语法构造: (?'group') 把捕获的内容命名为group,并压入堆栈(Stack) (?'-group') 从堆栈上弹出最后压入堆栈的名为group的捕获内容,如果堆栈本来为空,则本分组的匹配失败 (?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话,继续匹配yes部分的表达式,否则继续匹配no部分 (?!) 零宽负向先行断言,由于没有后缀表达式,试图匹配总是失败 我们需要做的是每碰到了左括号,就在压入一个"Open",每碰到一个右括号,就弹出一个,到了最后就看看堆栈是否为空--如果不为空那就证明左括号比右括号多,那匹配就应该失败 正则表达式引擎会进行回溯(放弃最前面或最后面的一些字符),尽量使整个表达式得到匹配 平衡组的一个最常见的应用就是匹配HTM 18、一些常用语法 a报警字符(打印它的效果是电脑嘀一声) b 通常是单词分界位置,但如果在字符类里使用代表退格 t 制表符,Tab r 回车 v 竖向制表符 f 换页符 n 换行符 e Escape nn ASCII代码中八进制代码为nn的字符 xnn ASCII代码中十六进制代码为nn的字符 unnnn Unicode代码中十六进制代码为nnnn的字符 cN ASCII控制字符。比如cC代表Ctrl+C A 字符串开头(类似^,但不受处理多行选项的影响) Z 字符串结尾或行尾(不受处理多行选项的影响) z 字符串结尾(类似$,但不受处理多行选项的影响) G 当前搜索的开头 p{name} Unicode中命名为name的字符类,例如p{IsGreek} (?>exp) 贪婪子表达式 (?<x>-<y>exp) 平衡组 (?im-nsx:exp) 在子表达式exp中改变处理选项 (?im-nsx) 为表达式后面的部分改变处理选项 (?(exp)yes|no) 把exp当作零宽正向先行断言,如果在这个位置能匹配,使用yes作为此组的表达式;否则使用no (?(exp)yes) 同上,只是使用空表达式作为no (?(name)yes|no) 如果命名为name的组捕获到了内容,使用yes作为表达式;否则使用no (?(name)yes) 同上,只是使用空表达式作为no (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |