1 概述

正則表達式(Regular Expression)是一種匹配模式，描述的是一串文本的特征。

正如自然語言中“高大”、“堅固”等詞語抽象出來描述事物特征一樣，正則表達式就是字符的高度抽象，用來描述字符串的特征。

正則表達式（以下簡稱正則，Regex）通常不獨立存在，各種編程語言和工具作為宿主語言提供對正則的支持，并根據自身語言的特點，進行一定的剪裁或擴展。

正則入門很容易，有限的語法規則很容易掌握，但是目前正則的普及率并不高，主要是因為正則的流派眾多，各種宿主語言提供的文檔都過多的關注于自身的一些細節，而這些細節通常是初學者并不需要關注的。

當然，如果想要深入的了解正則表達式，這些細節又是必須被關注的，這是后話，讓我們先從正則的基礎開始，進入正則表達式的世界。

2 正則表達式基礎

2.1 基本概念

2.1.1 字符串組成

對于字符串“a5”，是由兩個字符“a”、“5”以及三個位置組成的，這一點對于正則表達式的匹配原理理解很重要。

2.1.2 占有字符和零寬度

正則表達式匹配過程中，如果子表達式匹配到的是字符內容，而非位置，并被保存到最終的匹配結果中，那么就認為這個子表達式是占有字符的；如果子表達式匹配的僅僅是位置，或者匹配的內容并不保存到最終的匹配結果中，那么就認為這個子表達式是零寬度的。

占有字符還是零寬度，是針對匹配的內容是否保存到最終的匹配結果中而言的。

占有字符是互斥的，零寬度是非互斥的。也就是一個字符，同一時間只能由一個子表達式匹配，而一個位置，卻可以同時由多個零寬度的子表達式匹配。

2.1.3 正則表達式構成

正則表達式由兩種字符構成。一種是在正則表達式中具體特殊意義的“元字符”，另一種是普通的“文本字符”。

元字符可以是一個字符，如“^”，也可以是一個字符序列，如“\w”。

2.2 元字符（Meta Character）

2.2.1 […] 字符組(Character Classes)

字符組可以匹配[ ]中包含的任意一個字符。雖然可以是任意一個，但只能是一個。

字符組支持由連字符“-”來表示一個范圍。當“-”前后構成范圍時，要求前面字符的碼位小于后面字符的碼位。

[^…] 排除型字符組。排除型字符組表示任意一個未列出的字符，同樣只能是一個。排除型字符組同樣支持由連字符“-”來表示一個范圍。

表達式	說明
[abc]	表示“a”或“b”或“c”
[0-9]	表示0~9中任意一個數字，等價于[0123456789]
[\u4e00-\u9fa5]	表示任意一個漢字
[^a1]	表示除“a”、“1”、“”外的其它任意一個字符
[^a-z]	表示除小寫字母外的任意一個字符

舉例：

“[0-9][0-9]”在匹配“Windows 2003”時，匹配成功，匹配的結果為“20”。

“[^inW]”在匹配“Windows 2003”時，匹配成功，匹配的結果為“d”。

2.2.2 常見字符范圍縮寫

對于一些常用的字符范圍，如數字等，由于非常常用，即使使用[0-9]這樣的字符組仍顯得麻煩，所以定義了一些元字符，來表示常見的字符范圍。

表達式	說明
\d	任意一個數字，相當于[0-9]，即0~9 中的任意一個
\w	任意一個字母或數字或下劃線，相當于[a-zA-Z0-9_]
\s	任意空白字符，相當于[ \r\n\f\t\v]
\D	任意一個非數字字符，\d取反，相當于[^0-9]
\W	\w取反，相當于[^a-zA-Z0-9_]
\S	任意非空白字符，\s取反，相當于[^ \r\n\f\t\v]

舉例：

“\w\s\d”在匹配“Windows 2003”時，匹配成功，匹配的結果為“s 2”。

2.2.3 . 小數點

小數點可以匹配除“\n”以外的任意一個字符。如果要匹配包括“\n”在內的所有字符，一般用[\s\S]，或者是用“.”加(?s)匹配模式來實現。

表達式	說明
.	匹配除了換行符 \n 以外的任意一個字符

2.2.4 其它元字符

表達式	說明
^	匹配字符串開始的位置，不匹配任何字符
$	匹配字符串結束的位置，不匹配任何字符
\b	匹配單詞邊界，不匹配任何字符

舉例：

“^a”在匹配“cba”時，匹配失敗，因為表達式要求開始位置后面是字符“a”，而“cba”顯然是不滿足的。

“\d$”在匹配“123”時，匹配成功，匹配結果為“3”，這個表達式要求匹配結尾處的數字，如果結尾處不是數字，如“123abc”，則是匹配失敗的。

2.2.5 轉義字符

一些不可見字符，或是在正則中具有特殊意義的元字符，如想匹配字符本身，需要用“\”對其進行轉義。

表達式	說明
\r，\n	回車和換行
\\	匹配“\”本身
\^，\$，\.	分別匹配“^”、“$”和“.”

以下字符在匹配其本身時，通常需要進行轉義。在實際應用中，根據具體情況，需要轉義的字符可能不止如下所列字符

　. $ ^ { [ ( | ) * + ? \

2.2.6 量詞（Quantifier）

量詞表示一個子表達式可以匹配的次數。量詞可以用來修飾一個字符、字符組，或是用()括起來的子表達式。一些常用的量詞被定義成獨立的元字符。

表達式	說明	舉例
{m}	表達式匹配m次	“\d{3}”相當于“\d\d\d ” “(abc){2}”相當于“abcabc”
{m,n}	表達式匹配最少m次，最多n次	“\d{2,3}”可以匹配“12”或“321”等2到3位的數字
{m,}	表達式至少匹配m次	“[a-z]{8,}”表示至少8位以上的字母
?	表達式匹配0次或1次，相當于{0,1}	“ab?”可以匹配“a”或“ab”
*	表達式匹配0次或任意多次，相當于{0,}	“[^>]>”中“[^>]”表示0個或任意多個不是“>”的字符
+	表達式匹配1次或意多次，至少1次，相當于{1,}	“\d\s+\d”表示兩個數字中間，至少有一個以上的空白字符

注意：在不是動態生成的正則表達式中，不要出現“{1}”這樣的量詞，如“\w{1}”在結果上等價于“\w”，但是會降低匹配效率和可讀性，屬于畫蛇添足的做法。

2.2.7 分支結構（Alternation）

當一個字符串的某一子串具有多種可能時，采用分支結構來匹配，“|”表示多個子表達式之間“或”的關系，“|”是以()限定范圍的，如果在“|”的左右兩側沒有()來限定范圍，那么它的作用范圍即為“|”左右兩側整體。

表達式	說明
\|	多個子表達式之間取“或”的關系

舉例：

“^aa|b$”在匹配“cccb”時，是可以匹配成功的，匹配的結果是“b”，因為這個表達式表示匹配“^aa”或“b$”，而“b$”在匹配“cccb ”時是可以匹配成功的。

“^(aa|b)$”在區配“cccb”時，是匹配失敗的，因為這個表達式表示在“開始”和“結束”位置之間只能是“aa”或“b”，而“cccb”顯然是不滿足的。

3 正則表達式進階

3.1 捕獲組（Capture Group）

捕獲組就是把正則表達式中子表達式匹配的內容，保存到內存中以數字編號或手動命名的組里，以供后面引用。

表達式	說明
(Expression)	普通捕獲組，將子表達式Expression匹配的內容保存到以數字編號的組里
(?name> Expression)	命名捕獲組，將子表達式Expression匹配的內容保存到以name命名的組里

普通捕獲組（在不產生歧義的情況下，簡稱捕獲組）是以數字進行編號的，編號規則是以“(”從左到右出現的順序，從1開始進行編號。通常情況下，編號為0的組表示整個表達式匹配的內容。

命名捕獲組可以通過捕獲組名，而不是序號對捕獲內容進行引用，提供了更便捷的引用方式，不用關注捕獲組的序號，也不用擔心表達式部分變更會導致引用錯誤的捕獲組。

3.2 非捕獲組

一些表達式中，不得不使用( )，但又不需要保存( )中子表達式匹配的內容，這時可以用非捕獲組來抵消使用( )帶來的副作用。

表達式	說明
(?:Expression)	進行子表達式Expression的匹配，并將匹配內容保存到最終的整個表達式的區配結果中，但Expression匹配的內容不單獨保存到一個組內

3.3 反向引用

捕獲組匹配的內容，可以在正則表達式的外部程序中進行引用，也可以在表達式中進行引用，表達式中引用的方式就是反向引用。

反向引用通常用來查找重復的子串，或是限定某一子串成對出現。

表達式	說明
\1，\2	對序號為1和2的捕獲組的反向引用
\kname>	對命名為name的捕獲組的反向引用

舉例：

“(a|b)\1”在匹配“abaa”時，匹配成功，匹配到的結果是“aa”。“(a|b)”在嘗試匹配時，雖然既可以匹配“a”，也可以匹配“b”，但是在進行反向引用時，對應()中匹配的內容已經是固定的了。

3.4 環視（Look Around）

環視只進行子表達式的匹配，匹配內容不計入最終的匹配結果，是零寬度的。

環視按照方向劃分有順序和逆序兩種，按照是否匹配有肯定和否定兩種，組合起來就有四種環視。環視相當于對所在位置加了一個附加條件。

表達式	說明
(?=Expression)	逆序肯定環視，表示所在位置左側能夠匹配Expression
(?!Expression)	逆序否定環視，表示所在位置左側不能匹配Expression
(?=Expression)	順序肯定環視，表示所在位置右側能夠匹配Expression
(?!Expression)	順序否定環視，表示所在位置右側不能匹配Expression

舉例：

“(?=Windows )\d+”在匹配“Windows 2003”時，匹配成功，匹配結果為“2003”。我們知道“\d+”表示匹配一個以上的數字，而“(?=Windows )”相當于一個附加條件，表示所在位置左側必須為“Windows ”，它所匹配的內容并不計入匹配結果。同樣的正則在匹配“Office 2003”時，匹配失敗，因為這里任意一串數字子串的左側都不是“Windows ”。

“(?!1)\d+”在匹配“123”時，匹配成功，匹配的結果為“23”。“\d+”匹配一個以上數字，但是附加條件“(?!1)”要求所在位置右側不能是“1”，所以匹配成功的位置是“2”前面的位置。

3.5 忽略優先和匹配優先

或者叫做正則表達式匹配的貪婪與非貪婪模式。

標準量詞修飾的子表達式，在可匹配可不匹配的情況下，總會先嘗試進行匹配，稱這種方式為匹配優先，或者貪婪模式。此前介紹的一些量詞，“{m}”、“{m,n}”、“{m,}”、“?”、“*”和“+”都是匹配優先的。

一些NFA正則引擎支持忽略優先量詞，也就是在標準量詞后加一個“?”，此時，在可匹配可不匹配的情況下，總會先忽略匹配，只有在由忽略優先量詞修飾的子表達式，必須進行匹配才能使整個表達式匹配成功時，才會進行匹配，稱這種方式為忽略優先，或者非貪婪模式。忽略優先量詞包括“{m}?”、“{m,n}?”、“{m,}?”、“??”、“*?”和“+?”。

舉例：

源字符串：div>aaa/div>div>bbb/div>

正則表達式1：div>.*/div> 匹配結果：div>aaa/div>div>bbb/div>

正則表達式2：div>.*?/div> 匹配結果：div>aaa/div>

您可能感興趣的文章: