[跟我学正则表达式] 3. 匹配字符集合-优快云博客

本文介绍了正则表达式中的字符集概念，包括如何匹配特定字符、使用区间简化字符集、以及如何排除某些字符。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在本章中你将看到如何处理字符集合。不像“ . ”符号仅仅是匹配特定的单个字符（前一章中学到的），集合可以使得选择更多字符，或者是一个字符区间。

匹配几个字符

在上一节已经学习到，“ . ”可以用来匹配任何一个字符。在上一节的最后一个例子中，“ .a ”用来匹配“ na ”和“ sa ”，也就是说“ . ”匹配了“ n ”和“ s ”。假设现在还有一个名为“ ca1.xls ”的文件，那如何继续只是匹配 na 和 sa 呢？因为“ . ”能够匹配 c ，所以这个文件名也会被匹配。

为了能够匹配 n 或者 s 而不包括其他字符，则你可能只是想匹配这两个字符。在正则表达式中，匹配一组定义好的字符可以使用“ [ ”“ ] ”元字符。在这两个元字符之间的字符组，都可以作为一个匹配字符（但是不是全部）。

下面是对上个例子的一个修改版本：

文本
sales1.xls
orders3.xls
sales2.xls
sales3.xls
apac1.xls
europe2.xls
na1.xls
na2.xls
sa1.xls
ca1.xls

正则表达式
[ns]a.\.xls

结果
sales1.xls
orders3.xls
sales2.xls
sales3.xls
apac1.xls
europe2.xls
na1.xls
na2.xls
sa1.xls
ca1.xls
分析

这里的正则表达式是使用 [ns] 开始的。这将匹配 n 或者 s （而不是 c 或者其他字符）。 [ 和 ] 则不匹配任何字符，这里用来定义集合。 a 匹配字面意义上的 a ，“ . ”则匹配任何一个字符，“ \. ”匹配“ . ”，而 xls 匹配字面意义上的 xls 。当使用此模式的时候，只有期望的文件名才会匹配。

注意：实际上[ns]a.\.xls也不是很准确。如果有一个 usa1.xls 的文件，也将会匹配。解决这个问题的方法涉及到位置匹配，将在第六章中介绍。

就如你所看到的，测试一个正则表达式实际上是很复杂的。检测一个模式是否匹配你想要的这是很容易的。最大的挑战在于是否不想要的就不会匹配上。

字符组一般可以用于不考虑大小写的搜索功能中，如下例：

文本

The phrase "regular expression" is often
abbreviated as RegEx or regex.

正则表达式
[Rr]eg[Ee]x

结果
The phrase "regular expression" is often
abbreviated as RegEx or regex .
分析

这里使用的模式包含了两个字符组： [Rr] 匹配 R 和 r ， [Ee] 匹配 E 和 e 。这样， RegEx 和 regex 都是匹配的。尽管如此， REGEX 还是不能匹配。

如果你只是想使用不区分大小写的匹配，上面的技术实际上是没有必要的。这种匹配方式只是在部分不区分大小写的时候有用。

使用字符组区间

让我们重新来看上面的例子。最后使用的模式，[ns]a.\.xls，还有一个问题。如果有一个文件名为sam.xls怎么办？这也同样可以匹配，因为“ . ”匹配所有的字符，而不仅仅是数字。

下面使用字符组来解决这个问题：

文本
sales1.xls
orders3.xls
sales2.xls
sales3.xls
apac1.xls
europe2.xls
sam.xls
na1.xls
na2.xls
sa1.xls
ca1.xls

正则表达式
[ns]a[0123456789]\.xls

结果
sales1.xls
orders3.xls
sales2.xls
sales3.xls
apac1.xls
europe2.xls
sam.xls
na1.xls
na2.xls
sa1.xls
ca1.xls
分析

在这个例子中，模式被修改成第一个字母必须是 n 或者 s ，而第二个字母必须是 a ，地三个字母则需要是数字（ [0123456789] ）。注意到最后的 sam.xls 并没有被匹配，这是因为字母 m 不匹配任何数字字符。

在使用正则表达式的时候，你可能会发现需要经常指定字符的范围（如 0 到 9 ， A 到 Z ）。为了简化字符区间的使用，正则表达式提供了一个特殊的元字符： - （连字符），用来指示区间。

下面是一个相同的例子，只是这次采用了区间的方式：

文本

sales1.xls
orders3.xls
sales2.xls
sales3.xls
apac1.xls
europe2.xls
sam.xls
na1.xls
na2.xls
sa1.xls
ca1.xls

正则表达式
[ns]a[0-9]\.xls

结果
sales1.xls
orders3.xls
sales2.xls
sales3.xls
apac1.xls
europe2.xls
sam.xls
na1.xls
na2.xls
sa1.xls
ca1.xls
分析

模式 [0-9] 和模式[0123456789]的功能是一样的，所以当然结果也是一样的。

区间不仅仅限于数字。下面的都是合法的区间：

A-Z 匹配所有的 A 到 Z 的大写字符。
a-z 匹配所有的 a 到 a 的小写字符。
A-F 匹配A到F的大写字符。
A-z 匹配从 ASCII A 到 ASCII z 的所有字符（你可能从来没有用过这个模式，因为这个模式不仅仅匹配所有字母，还匹配包含在 ASCII 表中 A 到 z 中的字符，如 [ 和 ^ 等）。

任何两个字符都可以作为区间的开始和结束。实际上，区间总是一些数字或者字符的集合。

需要注意的是，提供的区间不要结束的字符 ASCII 码比开始的 ASCII 码字还小，如 [3-1] 。这将不能工作，而且经常使得整个模式不能工作。

另外， - （连字符）仅仅只是在区间中才是元字符。而在集合之外， - 则是字面上的意思，匹配“ - ”，此时没有必要进行转义。

可以在一个集合中使用多个字符区间。如下面的模式匹配所有的大小写字母和数字。

[A-Za-z0-9]

这个模式实际上是下面的简写：

[ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz01234567890]

就像你所看到的，区间使得正则表达式更加简洁。

下面是一个查找 RGB 值的例子（颜色通过十六进制的表示法，用来表示红色、绿色和蓝色的分量）。在 Web 页面上， RGB 值被指定为#000000 (黑), #FFFFFF (白), #FF0000 (红)等等。 RGB 值可以为大写或者小写，所以#FF00ff (品红) 也是合法的。下面是个例子：

文本

正则表达式
#[0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f]

结果
<BODY BGCOLOR="#336633 " TEXT="#FFFFFF "
MARGINWIDTH="0" MARGINHEIGHT="0"
TOPMARGIN="0" LEFTMARGIN="0">
分析

这个模式中，包含了“ # ”作为字面字符，然后是六个重复的[0-9A-Fa-f]字符集合。这将匹配 # 后接六个字符，其中每个都必须是数字或者 A 到 F （无论是大写还是小写）。

非字符集的匹配

字符集合一般用于指定一组需要匹配的字符。但是有些时候，你的需求刚好相反——一组你不想匹配的字符。换句话说，任何字符除了这里定义的。

可以通过穷举所有想要的字符来做匹配（当需要的字符很多的时候长度将会很长），可以通过对于字符集合的否定来实现。下面是个例子：

文本
sales1.xls
orders3.xls
sales2.xls
sales3.xls
apac1.xls
europe2.xls
sam.xls
na1.xls
na2.xls
sa1.xls
ca1.xls
正则表达式
[ns]a[^0-9]\.xls
结果
sales1.xls
orders3.xls
sales2.xls
sales3.xls
apac1.xls
europe2.xls
sam.xls
na1.xls
na2.xls
sa1.xls
ca1.xls
分析