正则表达式--笔记与实战(Eclipse文本替换）

<style> <!-- .p {text-indent:2em} --> </style>

今天下午“光荣”的分到了59个bug，磨刀不误砍柴工，先学一下正则表达式……

入门

\b 是正则表达式规定的一个特殊代码（好吧，某些人叫它 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 。

假如你要找的是 hi后面不远处跟着一个Lucy ，你应该用 \bhi\b.*\bLucy\b 。若要匹配"A B"，则使用 A\sB 或者 A\b\s\bB 等。 表达式 " . \b . " 在匹配 "@@@abc" 时 ，匹配结果是：成功；匹配到的内容是："@a"；匹配到的位置是：开始于2，结束于4。 表达式 " \b end \b " 在匹配 "weekend,endfor,end" 时 ，匹配结果是：成功；匹配到的内容是："end"；匹配到的位置是：开始于15，结束于18。

这里， . 是另一个元字符，匹配 除了换行符以外的任意字符 。 * 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 。?匹配 重复零次或一次 。

元字符

\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。

和忽略大小写的选项类似，有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项， ^ 和 $ 的意义就变成了 匹配行的开始处和结束处 。

分枝条件

\(?0\d{2}[) -]?\d{8} 。

“(”和“)”也是元字符，后面的分组节里会提到，所以在这里需要使用转义。

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。

不幸的是，刚才那个表达式也能匹配 010)12345678 或 (022-87654321 这样的“不正确”的格式。要解决这个问题，我们需要用到 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。听不明白？没关系，看例子：

0\d{2}-\d{8}|0\d{3}-\d{7} 这个表达式能 匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号(如010-12345678)，一种是4位区号，7位本地号(0376-2233445) 。

\(?0\d{2}\)?[- ]?\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 。你可以试试用分枝条件把这个表达式扩展成也支持4位区号的。

\d{5}-\d{4}|\d{5} 这个表达式用于匹配美国的邮政编码。美国邮编的规则是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 。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)。原因是匹配分枝条件时，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。

反义

代码/语法 说明 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

例：<a[^>]+> 匹配 用尖括号括起来的以a开头的字符串 。

分组与后向引用

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。例如： 描述一个正确的IP地址： ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?) 。

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 ， 分组0对应整个正则表达式。 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 。

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 (?:exp) 这样的语法来剥夺一个分组对组号分配的参与权。

你也可以自己指定子表达式的 组名 。 (?<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+)\b\s+\k<Word>\b 。

使用小括号的时候，还有很多特定用途的语法。下面列出了最常用的一些：

分类 代码/语法 说明 捕获 零宽断言 注释 常用分组语法

(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
(?=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
(?#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

零宽断言

断言用来声明一个应该为真的事实。正则表达式中只有当断言为真时才会继续进行匹配。 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 。

(?=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 。 \b(?=\w{7}\b)\w*clip\w*\b ，匹配包含clip的七个字符的单词。

(?<=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 。

假如你想要给一个很长的数字中每三位间加一个逗号(当然是从右边加起了)，你可以这样查找需要在前面和里面添加逗号的部分： ((?<=\d)\d{3})+\b ，用它对 1234567890 进行查找时结果是 234567890 。

下面这个例子同时使用了这两种断言： (?<=\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) 。

负向零宽断言

前面我们提到过怎么查找 不是某个字符或不在某个字符类里 的字符的方法(反义)。但是如果我们只是想要 确保某个字符没有出现，但并不想去匹配它 时怎么办？例如，如果我们想查找这样的单词--它里面出现了字母q,但是q后面跟的不是字母u,我们可以尝试这样：

\b\w*q[^u]\w*\b 匹配 包含 后面不是字母u的字母q 的单词 。但是如果多做测试(或者你思维足够敏锐，直接就观察出来了)，你会发现，如果q出现在单词的结尾的话，像 Iraq , Benq ，这个表达式就会出错。这是因为 [^u] 总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的 [^u] 将会匹配q后面的单词分隔符(可能是空格，或者是句号或其它的什么)，后面的 \w*\b 将会匹配下一个单词，于是 \b\w*q[^u]\w*\b 就能匹配整个 Iraq fighting 。 负向零宽断言 能解决这样的问题，因为它只匹配一个位置，并不 消费 任何字符。现在，我们可以这样来解决这个问题： \b\w*q(?!u)\w*\b 。

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 。

请详细分析表达式 (?<=<(\w+)>).*(?=<\/\1>) ，这个表达式最能表现零宽断言的真正用途。

一个更复杂的例子： (?<=<(\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)。

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。

代码/语法 说明 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

处理选项

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);

上面介绍了几个选项如忽略大小写，处理多行等，这些选项能用来改变处理正则表达式的方式。下面是.Net中常用的正则表达式选项：

名称 说明 表6.常用的处理选项

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.) 例如：默认情况下，表达式 "^" 和 "$" 只匹配字符串的开始 ① 和结尾 ④ 位置。如： ①xxxxxxxxx②\n ③xxxxxxxxx④ 配置为 Multiline 可以使 "^" 匹配 ① 外，还可以匹配换行符之后，下一行开始前 ③ 的位置，使 "$" 匹配 ④ 外，还可以匹配换行符之前，一行结束 ② 的位置。
Singleline(单行模式)	默认情况下，小数点 "." 匹配除了换行符（\n）以外的字符。配置为 Singleline 可使小数点可匹配包括换行符在内的所有字符。
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。

一个经常被问到的问题是：是不是只能同时使用多行模式和单行模式中的一种？答案是：不是。 这两个选项之间没有任何关系 ，除了它们的名字比较相似（以至于让人感到疑惑）以外。

其它语法

实战--牛刀小试

正则表达式--笔记与实战(Eclipse文本替换）