正则表达式(Regular Expression, RegEx)学习入门

1. 概述

正则表达式(Regular Expression, RegEx)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

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次	\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*次 |\d{2,3}可以匹配12或321等*2*到*3*位的数字 | |{m,}| 表达式至少匹配*m*次 |[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1和2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

未完 ......

点击访问原文（进入后根据右侧标签，快速定位到本文）