http://www.unibetter.com/deerchao/zhengzhe-biaodashi-jiaocheng-se.htm
正则表达式30分钟入门教程
版本：v2.3 (2008-4-13) 作者： deerchao 转载请注明 来源
目录
- 本文目标
- 如何使用本教程
- 正则表达式到底是什么东西？
- 入门
- 测试正则表达式
- 元字符
- 字符转义
- 重复
- 字符类
- 分枝条件
- 反义
- 分组
- 后向引用
- 零宽断言
- 负向零宽断言
- 注释
- 贪婪与懒惰
- 处理选项
- 平衡组/递归匹配
- 还有些什么东西没提到
- 联系作者
- 最后,来点广告...
- 网上的资源及本文参考文献
- 更新说明
本文目标
30分钟内让你明白正则表达式是什么，并对它有一些基本的了解，让你可以在自己的程序或网页里使用它。
如何使用本教程
最重要的是——请给我 30分钟 ，如果你没有使用正则表达式的经验，请不要试图在30 秒 内入门——除非你是超人 :)
别被下面那些复杂的表达式吓倒，只要跟着我一步一步来，你会发现正则表达式其实并 没有 你想像中的那么困难。当然，如果你看完了这篇教程之后，发现自己明白了很多，却又几乎什么都记不得，那也是很正常的——我认为，没接触过正则表达式的人在看完这篇教程后，能把提到过的语法记住80%以上的可能性为零。这里只是让你明白基本的原理，以后你还需要多练习，多使用，才能熟练掌握正则表达式。
除了作为入门教程之外，本文还试图成为可以在日常工作中使用的正则表达式语法参考手册。就作者本人的经历来说，这个目标还是完成得不错的——你看，我自己也没能把所有的东西记下来，不是吗？
清除格式 文本格式约定： 专业术语 元字符/语法格式 正则表达式 正则表达式中的一部分(用于分析) 对其进行匹配的源字符串 对正则表达式或其中一部分的说明
隐藏边注 本文右边有一些注释，主要是用来提供一些相关信息，或者给没有程序员背景的读者解释一些基本概念，通常可以忽略。
正则表达式到底是什么东西？
字符 是计算机软件处理文字时最基本的单位，可能是字母，数字，标点符号，空格，换行符，汉字等等。 字符串 是0个或更多个字符的序列。 文本 也就是文字，字符串。说某个字符串 匹配 某个正则表达式，通常是指这个字符串里有一部分（或几部分分别）能满足表达式给出的条件。
在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的需要。 正则表达式 就是用于描述这些规则的工具。换句话说，正则表达式就是记录文本规则的代码。
很可能你使用过Windows/Dos下用于文件查找的 通配符(wildcard) ，也就是 * 和 ? 。如果你想查找某个目录下的所有的Word文档的话，你会搜索 *.doc 。在这里， * 会被解释成任意的字符串。和通配符类似，正则表达式也是用来进行文本匹配的工具，只不过比起通配符，它能更精确地描述你的需求——当然，代价就是更复杂——比如你可以编写一个正则表达式，用来查找 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 )。
入门
学习正则表达式的最好方法是从例子开始，理解例子之后再自己对例子进行修改，实验。下面给出了不少简单的例子，并对它们作了详细的说明。
假设你在一篇英文小说里查找 hi ，你可以使用正则表达式 hi 。
这几乎是最简单的正则表达式了，它可以精确匹配这样的字符串： 由两个字符组成，前一个字符是h,后一个是i 。通常，处理正则表达式的工具会提供一个忽略大小写的选项，如果选中了这个选项，它可以匹配 hi , HI , Hi , hI 这四种情况中的任意一种。
不幸的是，很多单词里包含 hi 这两个连续的字符，比如 him , history , high 等等。用 hi 来查找的话，这里边的 hi 也会被找出来。如果要 精确地查找hi这个单词 的话，我们应该使用 /bhi/b 。
/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 。
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出现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 。现在 /bhi/b.*/bLucy/b 的意思就很明显了： 先是一个单词hi,然后是任意个任意字符(但不能是换行)，最后是Lucy这个单词 。
换行符就是'/n',ASCII编码为10(十六进制0x0A)的字符。
如果同时使用其它元字符，我们就能构造出功能更强大的正则表达式。比如下面这个例子：
0/d/d-/d/d/d/d/d/d/d/d 匹配这样的字符串： 以0开头，然后是两个数字，然后是一个连字号“-”，最后是8个数字 (也就是中国的电话号码。当然，这个例子只能匹配区号为3位的情形)。
这里的 /d 是个新的元字符，匹配 一位数字(0，或1，或2，或……) 。 - 不是元字符，只匹配它本身——连字符或者减号。
为了避免那么多烦人的重复，我们也可以这样写这个表达式： 0/d{2}-/d{8} 。 这里 /d 后面的 {2} ( {8} )的意思是前面 /d 必须连续重复匹配2次(8次) 。
测试正则表达式
其它可用的测试工具:
如果你不觉得正则表达式很难读写的话，要么你是一个天才，要么，你不是地球人。正则表达式的语法很令人头疼，即使对经常使用它的人来说也是如此。由于难于读写，容易出错，所以找一种工具对正则表达式进行测试是很有必要的。
由于在不同的环境下正则表达式的一些细节是不相同的，本教程介绍的是微软 .Net Framework 2.0下正则表达式的行为，所以，我向你介绍一个.Net下的工具 Regex Tester 。首先你确保已经安装了 .Net Framework 2.0 ，然后 下载Regex Tester 。这是个绿色软件，下载完后打开压缩包,直接运行RegexTester.exe就可以了。
下面是Regex Tester运行时的截图：
元字符
现在你已经知道几个很有用的元字符了，如 /b , . , * ，还有 /d .正则表达式里还有更多的元字符，比如 /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。
下面来看看更多的例子：
/ba/w*/b 匹配 以字母 a 开头的单词——先是某个单词开始处( /b )，然后是字母 a ,然后是任意数量的字母或数字( /w* )，最后是单词结束处( /b ) 。
好吧，现在我们说说正则表达式里的单词是什么意思吧：就是多于一个的连续的 /w 。不错，这与学习英文时要背的成千上万个同名的东西的确关系不大 :)
/d+ 匹配 1个或更多连续的数字 。这里的 + 是和 * 类似的元字符，不同的是 * 匹配 重复任意次(可能是0次) ，而 + 则匹配 重复1次或更多次 。
/b/w{6}/b 匹配 刚好6个字母/数字的单词 。
代码 说明
| . | 匹配除换行符以外的任意字符 |
| /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 |
元字符 ^ （和数字6在同一个键位上的符号）和 $ 都匹配一个位置，这和 /b 有点类似。 ^ 匹配你要用来查找的字符串的开头， $ 匹配结尾。这两个代码在验证输入的内容时非常有用，比如一个网站如果要求你填写的QQ号必须为5位到12位数字时，可以使用： ^/d{5,12}$ 。
这里的 {5,12} 和前面介绍过的 {2} 是类似的，只不过 {2} 匹配 只能不多不少重复2次 ， {5,12} 则是 重复的次数不能少于5次，不能多于12次 ，否则都不匹配。
因为使用了 ^ 和 $ ，所以输入的整个字符串都要用来和 /d{5,12} 来匹配，也就是说整个输入 必须是5到12个数字 ，因此如果输入的QQ号能匹配这个正则表达式的话，那就符合要求了。
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 。
字符转义
如果你想查找元字符本身的话，比如你查找 . ,或者 * ,就出现了问题：你没办法指定它们，因为它们会被解释成别的意思。这时你就得使用 / 来取消这些字符的特殊意义。因此，你应该使用 /. 和 /* 。当然，要查找 / 本身，你也得用 // .
例如： unibetter/.com 匹配 unibetter.com ， C://Windows 匹配 C:/Windows 。
重复
你已经看过了前面的 * , + , {2} , {5,12} 这几个匹配重复的方式了。下面是正则表达式中所有的限定符(指定数量的代码，例如*,{5,12}等)：
代码/语法 说明
| * | 重复零次或更多次 |
| + | 重复一次或更多次 |
| ? | 重复零次或一次 |
| {n} | 重复n次 |
| {n,} | 重复n次或更多次 |
| {n,m} | 重复n到m次 |
下面是一些使用重复的例子：
Windows/d+ 匹配 Windows后面跟1个或更多数字
^/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)
字符类
要想查找数字，字母或数字，空白是很简单的，因为已经有了对应这些字符集合的元字符，但是如果你想匹配没有预定义元字符的字符集合(比如元音字母a,e,i,o,u),应该怎么办？
很简单，你只需要在方括号里列出它们就行了，像 [aeiou] 就匹配 任何一个英文元音字母 ， [.?!] 匹配 标点符号(.或?或!) 。
我们也可以轻松地指定一个字符 范围 ，像 [0-9] 代表的含意与 /d 就是完全一致的： 一位数字 ；同理 [a-z0-9A-Z_] 也完全等同于 /w （如果只考虑英文的话）。
下面是一个更复杂的表达式： /(?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。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} )。
分枝条件
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。
分组
我们已经提到了怎么重复单个字符（直接在字符后面加上限定符就行了）；但如果想要重复多个字符又该怎么办？你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，你也可以对子表达式进行其它一些操作(后面会有介绍)。
(/d{1,3}/.){3}/d{1,3} 是一个 简单的IP地址匹配 表达式。要理解这个表达式，请按下列顺序分析它： /d{1,3} 匹配 1到3位的数字 ， (/d{1,3}/.){3} 匹配 三位数字加上一个英文句号(这个整体也就是这个 分组 )重复3次 ，最后再加上 一个一到三位的数字 ( /d{1,3} )。
IP地址中每个数字都不能大于255，大家千万不要被《24》第三季的编剧给忽悠了...
不幸的是，它也将匹配 256.300.888.999 这种不可能存在的IP地址。如果能使用算术比较的话，或许能简单地解决这个问题，但是正则表达式中并不提供关于数学的任何功能，所以只能使用冗长的分组，选择，字符类来描述一个正确的IP地址： ((2[0-4]/d|25[0-5]|[01]?/d/d?)/.){3}(2[0-4]/d|25[0-5]|[01]?/d/d?) 。
理解这个表达式的关键是理解 2[0-4]/d|25[0-5]|[01]?/d/d? ，这里我就不细说了，你自己应该能分析得出来它的意义。
反义
有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外，其它任意字符都行的情况，这时需要用到 反义 ：
代码/语法 说明
| /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 。
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 。难以理解？请看示例：
/b(/w+)/b/s+/1/b 可以用来匹配 重复的单词 ，像 go go , 或者 kitty kitty 。这个表达式首先是 一个单词 ，也就是 单词开始处和结束处之间的多于一个的字母或数字 ( /b(/w+)/b )，这个单词会被捕获到编号为1的分组中，然后是 1个或几个空白符 ( /s+ )，最后是 分组1中捕获的内容（也就是前面匹配的那个单词） ( /1 )。
你也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，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
| (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 |
我们已经讨论了前两种语法。第三个 (?:exp) 不会改变正则表达式的处理方式，只是这样的组匹配的内容 不会像前两种那样被捕获到某个组里面，也不会拥有组号 。
零宽断言
地球人，是不是觉得这些术语名称太复杂，太难记了？我也和你一样。知道有这么一种东西就行了，它叫什么，随它去吧！“无名，万物之始...”
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 。最好还是拿例子来说明吧：
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。
(?=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 。
(?<=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) , 零宽度正回顾后发断言 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)。
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
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。考虑这个表达式： 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
| *? | 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
| 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。 |
| RightToLeft(从右向左查找) | 匹配从右向左而不是从左向右进行。 |
| ExplicitCapture(显式捕获) | 仅捕获已被显式命名的组。 |
| ECMAScript(JavaScript兼容模式) | 使表达式的行为与它在JavaScript里的行为一致。 |
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。
平衡组/递归匹配
这里介绍的平衡组语法是由.Net Framework支持的；其它语言／库不一定支持这种功能，或者支持此功能但需要使用不同的语法。
有时我们需要匹配像 ( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构 ，这时简单地使用 /(.+/) 则只会匹配到最左边的左括号和最右边的右括号之间的内容(这里我们讨论的是贪婪模式，懒惰模式也有下面的问题)。假如原来的字符串里的左括号和右括号出现的次数不相等，比如 ( 5 / ( 3 + 2 ) ) ) ，那我们的匹配结果里两者的个数也不会相等。有没有办法在这样的字符串里匹配到最长的，配对的括号之间的内容呢？
为了避免 ( 和 /( 把你的大脑彻底搞糊涂，我们还是用尖括号代替圆括号吧。现在我们的问题变成了如何把 xx <aa <bbb> <bbb> aa> yy 这样的字符串里，最长的配对的尖括号内的内容捕获出来？
这里需要用到以下的语法构造：
- (?'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
如果你不是一个程序员（或者你自称程序员但是不知道堆栈是什么东西），你就这样理解上面的三种语法吧：第一个就是在黑板上写一个"group"，第二个就是从黑板上擦掉一个"group"，第三个就是看黑板上写的还有没有"group"，如果有就继续匹配yes部分，否则就匹配no部分。
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。
< #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> .
还有些什么东西没提到
我已经描述了构造正则表达式的大量元素，还有一些我没有提到的东西。下面是未提到的元素的列表，包含语法和简单的说明。你可以在网上找到更详细的参考资料来学习它们--当你需要用到它们的时候。如果你安装了MSDN Library,你也可以在里面找到关于.net下正则表达式详细的文档。
代码/语法 说明
| /a | 报警字符(打印它的效果是电脑嘀一声) |
| /b | 通常是单词分界位置，但如果在字符类里使用代表退格 |
| /t | 制表符，Tab |
| /r | 回车 |
| /v | 竖向制表符 |
| /f | 换页符 |
| /n | 换行符 |
| /e | Escape |
| /0nn | ASCII代码中八进制代码为nn的字符 |
| /xnn | ASCII代码中十六进制代码为nn的字符 |
| /unnnn | Unicode代码中十六进制代码为nnnn的字符 |
| /cN | ASCII控制字符。比如/cC代表Ctrl+C |
| /A | 字符串开头(类似^，但不受处理多行选项的影响) |
| /Z | 字符串结尾或行尾(不受处理多行选项的影响) |
| /z | 字符串结尾(类似$，但不受处理多行选项的影响) |
| /G | 当前搜索的开头 |
| /p{name} | Unicode中命名为name的字符类，例如/p{IsGreek} |
| (?>exp) | 贪婪子表达式 |
| (?<x>-<y>exp) | 平衡组 |
| (?im-nsx:exp) | 在子表达式exp中改变处理选项 |
| (?im-nsx) | 为表达式后面的部分改变处理选项 |
| (?(exp)yes|no) | 把exp当作零宽正向先行断言，如果在这个位置能匹配，使用yes作为此组的表达式；否则使用no |
| (?(exp)yes) | 同上，只是使用空表达式作为no |
| (?(name)yes|no) | 如果命名为name的组捕获到了内容，使用yes作为表达式；否则使用no |
| (?(name)yes) | 同上，只是使用空表达式作为no |
联系作者
好吧,我承认,我骗了你,读到这里你肯定花了不止30分钟.相信我,这是我的错,而不是因为你太笨.我之所以说"30分钟",是为了让你有信心,有耐心继续下去.既然你看到了这里,那证明我的阴谋成功了.被忽悠的感觉很爽吧？
要投诉我,或者觉得我其实可以做得更好,或者有任何其它问题,欢迎来 我的博客 让我知道.
<script type="text/javascript"> //<![CDATA[ function getCSSRule(ruleName, deleteFlag) { ruleName=ruleName.toLowerCase(); if (document.styleSheets) { for (var i=0; i<document.styleSheets.length; i++) { var styleSheet=document.styleSheets[i]; var ii=0; var cssRule=false; do { if (styleSheet.cssRules) { cssRule = styleSheet.cssRules[ii]; } else { cssRule = styleSheet.rules[ii]; } if (cssRule) { if (cssRule.selectorText.toLowerCase()==ruleName) { if (deleteFlag=='delete') { if (styleSheet.cssRules) { styleSheet.deleteRule(ii); } else { styleSheet.removeRule(ii); } return true; } else { return cssRule; } } } ii++; } while (cssRule) } } return false; } function killCSSRule(ruleName) { return getCSSRule(ruleName,'delete'); } function addCSSRule(ruleName) { if (document.styleSheets) { if (!getCSSRule(ruleName)) { if (document.styleSheets[0].addRule) { document.styleSheets[0].addRule(ruleName, null,0); } else { // Browser is IE? document.styleSheets[0].insertRule(ruleName+' { }', 0); } } } return getCSSRule(ruleName); } //]]> </script>最后,来点广告...
网上的资源及本文参考文献
- 微软的正则表达式教程
- System.Text.RegularExpressions.Regex类(MSDN)
- 专业的正则表达式教学网站(英文)
- 关于.Net下的平衡组的详细讨论（英文）
- Mastering Regular Expressions (Second Edition)
更新说明
- 2006-3-27 第一版
-
2006-10-12 第二版
- 修正了几个细节上的错误和不准确的地方
- 增加了对处理中文时的一些说明
- 更改了几个术语的翻译（采用了MSDN的翻译方式）
- 增加了平衡组的介绍
- 放弃了对The Regulator的介绍，改用Regex Tester
-
2007-3-12 V2.1
- 修正了几个小的错误
- 增加了对处理选项(RegexOptions)的介绍
-
2007-5-28 V2.2
- 重新组织了对零宽断言的介绍
- 删除了几个不太合适的示例，添加了几个实用的示例
- 其它一些微小的更改
-
2007-8-3 V2.21
- 修改了几处文字错误
- 修改/添加了对$,/b的精确说明
- 承认了作者是个骗子
- 给RegexTester添加了Singleline选项的相关功能
-
2008-4-13 v2.3
- 调整了部分章节的次序
- 修改了页面布局，删除了专门的参考节
- 针对读者的反馈，调整了部分内容
Validated XHTML 1.0 Strict Validated CSS 2.1 <script type="text/javascript"> //<![CDATA[ google_ad_client = "pub-1134642721173543"; /* FireFox - 正则 unibetter，创建于 08-2-15 */ google_ad_slot = "1367490761"; google_ad_output = "textlink"; google_ad_format = "ref_text"; google_cpa_choice = ""; // on file //]]> </script><script src="http://pagead2.googlesyndication.com/pagead/show_ads.js" type="text/javascript"></script><script>window.google_render_ad();</script><script language="JavaScript1.1" src="http://googleads.g.doubleclick.net/cpa/ads?&oe=utf-8client=ca-pub-1134642721173543&dt=1231741364811&lmt=1210043684&output=textlink&slotname=1367490761&correlator=1231741364717&url=http%3A%2F%2Fwww.unibetter.com%2Fdeerchao%2Fzhengzhe-biaodashi-jiaocheng-se.htm&region=_google_cpa_region_&eid=6083027&ea=0&ref=http%3A%2F%2Fwww.unibetter.com%2Fdeerchao%2Fzhengzhe-biaodashi-jiaocheng.htm&frm=0&ga_vid=1210900324.1231741365&ga_sid=1231741365&ga_hid=615668978&flash=9.0.124.0&u_h=768&u_w=1024&u_ah=738&u_aw=1024&u_cd=32&u_tz=480&u_his=1&u_java=true&dtd=31"></script> 气体检测仪
