正则表达式基础

本文内容是对书籍《正则表达式必知必会》的提炼

 

正则表达式

用来匹配和处理文本的字符串，主要功能是查找和替换。

正则的语法简单，难点在于使用这些语法，学习方法是多实践。

纯文本

Ben

匹配Ben这个文本，注意区分大小写，Ben和ben是不一样的

英文句号，匹配任意一个字符

salsa.

可以匹配，salsa1或者salsa2

.a.

可以匹配，aaa或者1ab

有一个英文句号不能匹配，那就是换行符

反斜杠，匹配特殊字符

如果表达式中需要的就是一个英文句号，就在句号前面加一个反斜杠

.a.\.

可以匹配，aaa. 或者 1ab.

要匹配反斜杠，就在前面在加个反斜杠

匹配多个字符中的一个

[ns]a\.xls

可以匹配，na.xls或者sa.xls，但是不会匹配 aa.xls

 

[0-9] = [0123456789]

[a-z] = [abcd….xyz]

[A-Z0-9a-z] = [ABC…XYZ012…789abc…xyz]

取非匹配

除了这些字符，其他的都可以匹配

[ns]a[^0-9]\.xls

可以匹配 naa.xls，不能匹配 na0.xls

空白元字符

元字符	说明
[\b]	回退一个字符
\f	换页符
\n	换行符
\r	回车符
\t	制表符
\v	垂直制表符

 

在windows里面\r\n匹配一个换行，但是unix系统中\n就可以匹配换行

匹配特定的字符类别

匹配数字

元字符	说明
\d	任何一个数字字符，等价于[0-9]
\D	任何一个非数字字符，等价于[^0-9]

匹配字母和数字

元字符	说明
\w	任何一个字母（大小写均可）数字字符或下划线，等价于[a-zA-Z0-9_]
\W	任何一个非字母数字字符和下划线，等价于[^a-zA-Z0-9_]

匹配空白字符

元字符	说明
\s	任何一个空白字符，等价于[\f\n\t\r\v]
\S	任何一个非空白字符，等价于[^\f\n\t\r\v]

使用POSIX字符类

许多正则表达式都支持POSIX字符类

重复匹配

正则表达式的真正威力所在就是重复匹配

+号，匹配一个或者多个字符

问题，如何写一个邮箱匹配模式

\w@\w\.\w

可是这个只能匹配 a@b.c 这种，不能匹配 b@forta.com 和 how@forta.com

使用+号就可以实现这个功能

\w+@\w+\.\w+

但是我们发现，这个模式无法匹配 ben.forta@forta.com 和 ben@forta.help.com

我们可以使用+号来匹配字符集

[\w.]+@[\w.]+\.\w+

最后一个+号没有匹配字符集的原因是那样会匹配 ben.forta@forta.com. 这种最后有英文句号的情况

但是我们这个模式可以匹配邮箱最前面有英文句号的情况 .ben.forta@forta.com

注意：在字符集合里面，特殊字符可以不用转义，但是也可以转义，[\w.] == [\w\.]

*号，匹配0个或多个字符

*号和+号类似，只是+号至少匹配一个，而*号匹配可有可无的字符或字符集

利用*号，我们可以解决上面的问题，先用\w+匹配第一个字符，然后用[\w.]*匹配@之前，第一个字符之后的字符

\w+[\w.]*@[\w.]+\.\w+

疑问：去掉第一个加号，答案也是对的吧？ \w[\w.]*@[\w.]+\.\w+

解答：答案也是对的，但是第一种在语义上更容易理解

?号，匹配0个或一个字符

假设我们要匹配网址URL

http://[\w./]+

可以匹配 http://forta.com 但是不能匹配 https://forta.com

修改成

https?://[\w./]+

即可

{}花括号，匹配的重复次数

?号，*号和+号都不能限制匹配的确定次数，比如我想只匹配6次，这就需要使用花括号

问题：匹配十六进制颜色码，需要匹配#034EFD，#FFFFFF这样的字符串

解法1：

#[0-9a-fA-F] [0-9a-fA-F] [0-9a-fA-F] [0-9a-fA-F] [0-9a-fA-F] [0-9a-fA-F]

解法2：

#[0-9a-fA-F]{6}

匹配的区间

如果要匹配至少多少次，最多多少次呢，可以使用{2, 4}，这样表示至少匹配2次，最多匹配4次

如果只说明至少匹配多少次，没说最多匹配的次数，使用{2, }，省略了4，表示至少匹配2次，最多无限次

防止过度匹配

例子：如果我们要匹配网页标签，比如<B>，应该如何匹配

<Bb>.*</Bb>

如果文本是这样的，<B>ak</B> and <B>hk</B>，那么这个模式会将其全部匹配，只得到一条结果，而不是两个结果，因为*,+这些符号默认是贪婪匹配，对于一个结果，它会一直找到文档末尾，所以需要防止过度匹配的时候，要使用这些字符的懒惰版本

贪婪性元字符	懒惰性元字符
*	*?
+	+?
{n, }	{n, }?

懒惰匹配版本模式

<Bb>.*?</Bb>

这样便可以解决问题

位置匹配

\b，单词边界

边界匹配用来解决在什么地方进行字符串匹配操作的问题。

文本：the cat scattered his food all over the room.

模式：

cat

结果：the cat scattered his food all over the room.

\b用来匹配单词的开始和结尾，它匹配的是这样一个位置，这个位置位于一个能够用来构成单词的字符（\w：字母，数字和下划线）和一个不能用来构成单词的字符（\W）之间。

所以使用

\bcat\b

将只匹配第一个cat

如果想要匹配第二个cat呢？使用\B

\Bcat\B

字符串匹配，^（字符串开头） 和 &（字符串结尾）

例子：匹配XML文档

<\?xml.*\?>

可以匹配 <?xml version=”1.0”?>，但是如果这个文本出现在文档的第二行，那这就不是一个xml文档

^<\?xml.*\?>

只要在模式前面加上^，表示匹配字符串开头，就可以解决这个问题

 

例子：匹配web页面的</html>标签，这个标签后面不应该有任何东西

</[Hh][Tt][Mm][Ll]>&

(?m)，分行模式

启用分行模式之后，^和&将会匹配每一行的开头和结尾

(?m)必须出现在文档的最前面

()，子表达式

例子1：在网页开发中，经常会使用 &nbsp; 这个来表示空格，比如 Windows&nbsp; &nbsp;2000，显示出来是Windows 2000,

 {2, }

0在上面这个例子中，我们试图使用匹配 &nbsp; &nbsp; ，但是因为元字符只是对前一个字符有效，所有我们只能匹配到类似&bnsp;;;;;;;这样的字符串

解决办法，使用子表达式

( ){2, }

 

例子2：匹配IP地址

\d{1, 3}\.\d{1, 3}\.\d{1, 3}\.\d{1, 3}

可以匹配，10.0.0.55 这样的IP地址

使用子表达式

(\d{1, 3}\.){3}\d{1, 3}

字表达式的嵌套

例子3：准确IP地址匹配

在例子2中，我们匹配的IP地址模式存在一定的问题，因为IP地址每个数字最大不超过255，可是我们的模式可以匹配999这样的数，在正则表达式中，我们需要定义清除想要什么，不想要什么。

1. 任何一个1位或2位的数字
2. 任何一个以1开头的3位数字
3. 任何一个以2开头，第2位数据在0~4之间的3位数字
4. 任何一个以25开头，第三位数字在0-5之间的3位数字

(((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))\.){3}(((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5])))

在这个模式中，| 表示或的意思，在分号的左边和右边最好使用子表达式括起来

回溯引用，前后一致匹配

回溯引用的意思是，模式的后面一部分引用了前面的字表达式。使用\1 ~ \n 来引用前面的子表达式，第一个字表达式就是\1，第二个是\2，依次类推。

例子1：找到网页中所有的标题标签，从h1-h6

模式：

<[Hh][1-6]>.*?</[Hh][1-6]>

这个模式可以匹配到所有的h1-h6，并且是懒惰式搜索，但是有一个问题，就是此模式可以匹配到<h2>..</h3>这样的非法标签，如何解决呢，这就需要使用回溯引用了。

模式：

<([Hh][1-6])>.*?</\1>

将 [Hh][1-6] 变成一个子表达式，然后再后面用 \1 引用，这样\1能匹配的值就和之前的表达式一样，就不会出现匹配到<h2>..</h3>的问题。

 

例子2：有如下一段文本，找到文本中连续重复出现的单词

This is a block of of text.

Several words here are are repeated, and and they should not be.

模式：

[\s]+(\w+)[\s]\1

前后查找

例子1：找到网页文档中<title></title>中包含的内容

模式：

<title>.*?</title>

可以匹配，<title>hello world</title>，但是我们需要的是内容，而不需要<title>这个标签，找到之后还要用代码进行提取，比较麻烦。正则可以实现这个需求，也就是让匹配的文本不出现在结果中。

（?=）, 向前查找

后面的匹配结果不出现在结果中。

http://www.baidu.com

ftp://www.forta.com

https://mail.qq.com

例子2：提取URL的协议名

模式：

.*:

匹配结果：http: , ftp: , https: ，虽然结果基本正确，但是我们并不需要用来匹配的冒号：，因为冒号在最后面，所以我们使用向前查找，语法是，?=

模式：

.*(?=:)

结果中就不包含冒号了，需要注意的地方是，?=必须用字表达式括起来。

（?<=）向后查找

和向前查找类似，只是前面的匹配字符不会出现在结果中。

ABC01: $23.45

HGG42: $5.32

BAIDU: $0.23

例子：提取出数据库中的价格。

模式：

\$[0-9.]+

可以匹配到正确的结果，但是我们不需要价格前面的$符号，可以使用向后查找

(?<=\$)[0-9.]+

注意：向前查找所查找的字符串长度是可变的，可以和英文句号，+号之类的元字符结合起来，但是向后查找只能是固定长度的字符串

对前后查找取非（略）

比较少用，不学了

嵌入条件(略)