正则表达式学习笔记

前段时间在网上看到一篇关于正则表达学习的文章 感觉不错 就津津有味的学了起来 （点击查看原文地址）

1.常用：

* 前面的内容可以连续重复使用任意次以使表达式得到匹配 （重复零次或更多次）
+匹配重复一次或更多次
.匹配除了换行符以外的所有字符

\w匹配字母或数字或下划线或汉字
\s匹配任意的空白字符
\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
   

   例如：.* 不包含换行符的任意数量的任意字符
    ^\d{5,12}$ 匹配5-12位的数字串
         0\d{2,3}-\d{7,8} 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)


2.转移字符：
   比如要查找* . \ 等有一定含义的字符就需要转移字符 \* \. \\  \/



3.重复:
*重复零次或多次   （作用于其前面的字符）
+重复一次或多次   （作用于其前面的字符）
?重复零次或一次   （作用于其前面的字符）
{n}重复n次
{n,}重复n次或多次
{n,m}重复n次到m次(包括n、m)
  例如:window\d+ 匹配windows后面跟一个或多个数字
      ^\w+匹配一行的第一个单词(或整个字符串的第一个单词，具体匹配哪个意思得看选项设置)

4.字符类：
[aeoui]匹配任何一个英文元音字母
[.?!]匹配标点符号（.或?或!）
[0-9]含意和\d一样
[a-z0-9A-Z]和\w一样

  例如：\(?0\d{2}[) -]?\d{8}
        含义是：这个表达式可以匹配几种格式的电话号码，像(010)88886666，或022-22334455，或02912345678等。我们对它进行一些分析吧：首先是一个转义字符\(,它能出现0次或1次(?),然后是一个0，后面跟着2个数字(\d{2})，然后是)或-或空格中的一个，它出现1次或不出现(?)，最后是8个数字(\d{8})。


5.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。
   例如：\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}这个表达式匹配3位区号的电话号码，其中区号可以用小括号括起来，也可以不用，区号与本地号间可以用连字号或空格间隔，也可以没有间隔。
   分枝条件的执行：匹配分枝条件时，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管其它的条件了。
  例如：\d{5}-\d{4}|\d{5}这个表达式用于匹配美国的邮政编码。如果你把它改成\d{5}|\d{5}-\d{4}的话，那么就只会匹配5位的邮编(以及9位邮编的前5位)。

6.分组：
 如果想要重复多个字符可以用小括号来指定子表达式(也叫做分组)，然后就可以指定这个子表达式的重复次数了。
  例如：描述正确的IP:((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)  (用到了分组条件和分组)
 
7.反义：
 常用的反义代码：
 \W
 \S匹配任意不是空白符（空格、制表位、换行）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。
 [^aeoui]匹配除了aeoui这几个字符以外的任意字符。
 
  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。

8.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。
  后向引用用于重复搜索前面某个分组匹配的文本。

例如：\1代表分组1匹配的文本。
      \b(\w+)\b\s+\1\b可以用来匹配重复的单词，像go go, 或者kitty kitty。
      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，可以使用\k<Word>,所以上一个例子也可以写成这样：\b(?<Word>\w+)\b\s+\k<Word>\b。


注意：1.分组0对应整个正则表达式
      2.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
      3.可以使用(?:exp)这样的语法来剥夺一个分组对组号分配的参与权

使用小括号时，有很多特定的用途的语法：
1.捕获：
  (exp) 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
2.零宽断言：
  (?=exp) 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
3.注释：
  (?#comment) 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

9.零宽断言：
  接下来的四个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。
  例如：1.(?=exp)也叫零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式exp。比如\b\w+(?=ing\b)，匹配以ing结尾的单词的前面部分(除了ing以外的部分)，如查找I'm singing while you're dancing.时，它会匹配sing和danc。
        2.(?<=exp)也叫零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式exp。比如(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re以外的部分)，例如在查找reading a book时，它匹配ading。
        3.(?<=\s)\d+(?=\s)匹配以空白符间隔的数字(再次强调，不包括这些空白符)。（匹配前后有空白符的数字）
10.负向零宽断言：
 零宽度负预测先行断言(?!exp)，断言此位置的后面不能匹配表达式exp。例如：\d{3}(?!\d)匹配三位数字，而且这三位数字的后面不能是数字；\b((?!abc)\w)+\b匹配不包含连续字符串abc的单词。

同理，我们可以用(?<!exp),零宽度负回顾后发断言来断言此位置的前面不能匹配表达式exp：(?<![a-z])\d{7}匹配前面不是小写字母的七位数字。

一个更复杂的例子（这是重点）：(?<=<(\w+)>).*(?=<\/\1>)匹配不包含属性的简单HTML标签内里的内容。(<?(\w+)>)指定了这样的前缀：被尖括号括起来的单词(比如可能是<b>)，然后是.*(任意的字符串),最后是一个后缀(?=<\/\1>)。注意后缀里的\/，它用到了前面提过的字符转义；\1则是一个反向引用，引用的正是捕获的第一组，前面的(\w+)匹配的内容，这样如果前缀实际上是<b>的话，后缀就是</b>了。整个表达式匹配的是<b>和</b>之间的内容(再次提醒，不包括前缀和后缀本身)。

11.注释：
  小括号的另一种用途是通过语法(?#comment)来包含注释。例如：2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。
  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
      <(\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
12.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）。【ps: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】
 
 懒惰限定符：
         *? 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

13.处理选项：
  下面是.Net中常用的正则表达式选项：
     IgnoreCase(忽略大小写) 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。
 小贴士：在C#中，你可以使用Regex(String, RegexOptions)构造函数来设置正则表达式的处理选项。如：Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);
14.平衡组/递归匹配：
   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。【为防止混淆匹配的（）用<>代替】

<                         #最外层的左括号
    [^<>]*                #最外层的左括号后面的不是括号的内容
    (
        (
            (?'Open'<)    #碰到了左括号，在黑板上写一个"Open"
            [^<>]*       #匹配左括号后面的不是括号的内容
        )+
        (
            (?'-Open'>)   #碰到了右括号，擦掉一个"Open"
            [^<>]*        #匹配右括号后面不是括号的内容
        )+
    )*
    (?(Open)(?!))         #在遇到最外层的右括号前面，判断黑板上还有没有没擦掉的"Open"；如果还有，则匹配失败

>                         #最外层的右括号


平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配嵌套的<div>标签：<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>.