正则表达式高级学习技巧

2020-03-16 21:20:52

字体：大中小

来源：转载

供稿：网友

什么是RE?

想必各位大大在做文件查找的时侯都有使用过万用字符”*”，比如说想查找在Windows目录下所有的Word文件时，你可能就会用”*.doc”这样的方式来做查找，因为”*”所代表的是任意的字符。RE所做的就是类似这样的功能，但其功能更为强大。

写程序时，常需要比对字符串是否符合特定样式，RE最主要的功能就是来描述这特定的样式，因此可以将RE视为特定样式的描述式，举个例子来说，”/w+”所代表的就是任何字母与数字所组成的非空字符串(non-nullstring)。在.NETframework中提供了非常强大的类别库，藉此可以很轻易的使用RE来做文字的查找与取代、对复杂标头的译码及验证文字等工作。

接下来，就让我们来体验一些例子吧。

一些简单的例子

假设要查找文章中Elvis后接有alive的文字符串的话，使用RE可能会经过下列的过程，括号是所下RE的意思：

1.elvis(查找elvis)

上述代表所要查找的字符顺序为elvis。在.NET中可以设定乎略字符的大小写，所以”Elvis”、”ELVIS”或者是”eLvIs”都是符合1所下的RE。但因为这只管字符出现的顺序为elvis，所以pelvis也是符合1所下的RE。可以用2的RE来改进。

2./belvis/b(将elvis视为一整体的字查找，如elvis、Elvis乎略字符大小写时)

“/b”在RE中有特别的意思，在上述的例子中所指的就是字的边界，所以/belvis/b用/b把elvis的前后边界界定出来，也就是要elvis这个字。

假设要将同一行里elvis后接有alive的文字符串找出来，此时就会用到另外二个特别意义的字符”.”及”*”。”.”所代表就是除了换行字符的任意字符，而”*”所代表的是重复*之前项目直到找到符合RE的字符串。所以”.*”所指的就是除了换行字符外的任意数目的字符数。所以查找同一行里elvis后接有alive的文字符串找出来，则可下如3之RE。

3./belvis/b.*/balive/b(查找elvis后面接有alive的文字符串，如elvisisalive)

用简单之特别字符就可以组成功能强大的RE，但也发现当使用越来越多的特别字符时，RE就会越来越难看得懂了。

再看看另外的例子

组成有效的电话号码

假使要从网页上收集顾客格式为xxx-xxxx的7位数字的电话号码，其中x是数字，RE可能会这样写。

4./b/d/d/d-/d/d/d/d(查找七位数字之电话号码，如123-1234)

每一个/d代表一个数字。”-”则是一般的连字符号，为避免太多重复的/d，RE可以改写成如5的方式。

5./b/d{3}-/d{4}(查找七位数字电话号码较好的方法，如123-1234)

在/d后的{3}，代表重复前一个项目三次，也就是相等于/d/d/d。

RE的学习及测试工具Expresso

因为RE不易阅读及使用者容易会下错RE的特性，Jim大大开发了一个工具软件Expresso，用来帮助使用者学习及测试RE，除了上面所述的网址之外，也可以上Ultrapico网站。安装完expresso后，在expression%20%20library中，jim大大把文章的例子都建立在其中，可以边看文章边测试，也可以试着修改范例所下的re，马上可以看到结果，小弟觉得非常好用。各位大大可以试试。/"。安装完Expresso后，在ExpressionLibrary中，Jim大大把文章的例子都建立在其中，可以边看文章边测试，也可以试着修改范例所下的RE，马上可以看到结果，小弟觉得非常好用。各位大大可以试试。

.NET中RE的基础概念

特殊字符

有些字符有特别的意义，比如之前所看到的”/b”、”.”、”*”、”/d”等。”/s”所代表的是任意空格符，比如说spaces、tabs、newlines等.。”/w”代表是任意字母或数字字符。

再看一些例子吧

6./ba/w*/b(查找a开头的字，如able)

这RE描述要查找一个字的开始边界(/b)，再来是字母”a”，再加任意数目的字母数字(/w*)，再接结束这个字的结束边界(/b)。

7./d+(查找数字字符串)

“+”和”*”非常相似，除了+至少要重复前面的项目一次。也就是说至少有一个数字。

8./b/w{6}/b(查找六个字母数字的字，如ab123c)

下表为RE常用的特殊字符

.除了换行字符的任意字符

/w任意字母数字字符

/s任意空格符

/d任意数字字符

/b界定字的边界

^文章的开头，如”^The''用以表示出现于文章开头的字符串为”The”

$文章的结尾，如”End$”用以表示出现在文章的结尾为”End”

特殊字符”^”及”$”是用来查找某些字必需是文章的开头或结尾，这在验证输入是否符合某一样式时特别用有，比如说要验证七位数字的电话号码，可能会输入如下9的RE。

9.^/d{3}-/d{4}$(验证七位数字之电话号码)

这和第5个RE相同，但其前后都无其它的字符，也就是整串字符串只有这七个数字的电话号码。在.NET中如果设定Multiline这个选项，则”^”和”$”会每行进行比较，只要某行的开头结尾符合RE即可，而不是整个文章字符串做一次比较。

转意字符(Escapedcharacters)

有时可能会需要”^”、”$”单纯的字面意义(literalmeaning)而不要将它们当成特殊字符，此时”/”字符就是用来移除特殊字符特别意义的字符，因此”/^”、”/.”、”//”所代表的就是”^”、”.”、”/”的字面意义。

重复前述项目

在前面看过”{3}”及”*”可以用来重复前述字符，之后我们会看到如何用同样的语法重复整个次描述(subexpressions)。下表是使用重复前述项目的一些方式。

*重复任意次数

+重复至少一次

?重复零次或一次

{n}重复n次

{n,m}重复至少n次，但不超过m次

{n,}重复至少n次

再来试一些例子吧

10./b/w{5,6}/b(查找五个或六个字母数字字符的字，如as25d、d58sdf等)

11./b/d{3}/s/d{3}-/d{4}(查找十个数字的电话号码，如800123-1234)

12./d{3}-/d{2}-/d{4}(查找社会保险号码，如123-45-6789)

13.^/w*(每行或整篇文章的第一个字)

在Espresso可试试有Multiline和没Multiline的不同。

匹配某范围的字符

有时需要查找某些特定的字符时怎么辨?这时中括号”[]”就派上了用场。因此[aeiou]所要查找的是”a”、”e”、”i”、”o”、”u”这些元音，[.?!]所要查找的是”.”、”?”、”!”这些符号，在中括号中的特殊字符的特别意义都会被移除，也就是解译成单纯的字面意义。也可以指定某些范围的字符，如”[a-z0-9]”，所指的就是任意小写字母或任意数字。

接下来再看一个比较初复杂查找电话号码的RE例子

14./(?/d{3}[(]/s?/d{3}[-]/d{4}(查找十位数字之电话号码，如(080)333-1234)

这样的RE可查找出较多种格式的电话号码，如(080)123-4567、5112546654等。”/(?”代表一个或零个左小括号”(“，而”[(]”代表查找一个右小括号”)”或空格符，”/s?”指一个或零个空格符组。但这样的RE会将类似”800)45-3321”这样的电话找出来，也就是括号没有对称平衡的问题，之后会学到择一(alternatives)来决解这样的问题。

不包含在某特定字符组里(Negation)

有时需要查找在包含在某特定字符组里的字符，下表说明如何做类似这样的描述。

/W不是字母数字的任意字符

/S不是空格符的任意字符

/D不是数字字符的任意字符

/B不在字边界的位置

[^x]不是x的任意字符

[^aeiou]不是a、e、i、o、u的任意字符

15./S+(不包含空格符的字符串)

择一(Alternatives)

有时会需要查找几个特定的选择，此时”|”这个特殊字符就派上用场了，举例来说，要查找五个数字及九个数字(有”-”号)的邮政编码。

16./b/d{5}-/d{4}/b|/b/d{5}/b(查找五个数字及九个数字(有”-”号)的邮政编码)

在使用Alternatives时需要注意的是前后的次序，因为RE在Alternatives中会优先选择符合最左边的项目，16中，如果把查找五个数字的项目放在前面，则这RE只会找到五个数字的邮政编码。了解了择一，可将14做更好的修正。

17.(/(/d{3}/)|/d{3})/s?/d{3}[-]/d{4}(十个数字的电话号码)

群组(Grouping)

括号可以用来介定一个次描述，经由次描述的介定，可以针对次描述做重复或及他的处理。

18.(/d{1,3}/.){3}/d{1,3}(寻找网络地址的简单RE)

此RE的意思第一个部分(/d{1,3}/.){3}，所指的是，数字最小一位最多三位，并且后面接有”.”符号，此类型的共有三个，之后再接一到三位的数字，也就是如192.72.28.1这样的数字。

但这样会有个缺点，因为网络地址数字最多只到255，但上述的RE只要是一到三位的数字都是符合的，所以这需要让比较的数字小于256才行，但只单独使用RE并无法做这样的比较。在19中使用择一来将地址的限制在所需要的范围内，也就是0到255。

19.((2[0-4]/d|25[0-5]|[01]?/d/d?)/.){3}(2[0-4]/d|25[0-5]|[01]?/d/d?)(寻找网络地址)

有没有发觉RE越来越像外星人说的话了?就以简单的寻找网络地址，直接看RE都满难理解的哩。

ExpressoAnalyzerView

Expresso提供了一个功能，它可以将所下的RE变成树状的说明，一组组的分开说明，提供了一个好的除错环境。其它的功能，如部分符合(PartialMatch只查找反白RE的部分)及除外符合(ExcludeMatch只不查找反白RE的部分)就留给各位大大试试啰。

当次描述用括号群组起来时，符合次描述的文字可用在之后的程序处理或RE本身。在预设的情型下，所符合的群组是由数字命名，由1开始，由顺序是由左至右，这自动群组命名，可在Expresso中的skeletonview或resultview中看到。

Backreference是用来查找群组中抓取的符合文字所相同的文字。举例来说”/1”所指符合群组1所抓取的文字。

20./b(/w+)/b/s*/1/b(寻找重复字，此处说的重复是指同样的字，中间有空白隔开如dogdog这样的字)

(/w+)会抓取至少一个字符的字母或数字的字，并将它命名为群组1，之后是查找任意空格符，再接和群组1相同的文字。

如果不喜欢群组自动命名的1，也可以自行命名，以上述例子为例，(/w+)改写为(?/w+)，这就是将所抓取的群组命名为Word，Backreference就要改写成为/k

21./b(?/w+)/b/s*/k/b(使用自行命名群组抓取重复字)

使用括号还有许多特别的语法元素，比较通用的列表如下：

抓取(Captures)

(exp)符合exp并抓取它进自动命名的群组

(?exp)符合exp并抓取它进命名的群组name

(?:exp)符合exp，不抓取它

Lookarounds

(?=exp)符合字尾为exp的文字

(?<=exp)符合前缀为exp的文字

(?!exp)符合后面没接exp字尾的文字

批注Comment

(?#comment)批注

PositiveLookaround

接下来要谈的是lookahead及lookbehindassertions。它们所查找的是目前符合之前或之后的文字，并不包含目前符合本身。这些就如同”^”及”/b”特殊字符，本身并不会对应任何文字(用来界定位置)，也因此称做是zero-widthassertions，看些例子也许会清楚些。

(?=exp)是一个”zero-widthpositivelookaheadassertion”。它指的就是符合字尾为exp的文字，但不包含exp本身。

22./b/w+(?=ing/b)(字尾为ing的字，比如说filling所符合的就是fill)

(?<=exp)是一个”zero-widthpositivelookbehindassertion”。它指的就是符合前缀为exp的文字，但不包含exp本身。

23.(?<=/bre)/w+/b(前缀为re的字，比如说repeated所符合的就是peated)

24.(?<=/d)/d{3}/b(在字尾的三位数字，且之前接一位数字)

25.(?<=/s)/w+(?=/s)(由空格符分隔开的字母数字字符串)

NegativeLookaround

之前有提到，如何查找一个非特定或非在特定群组的字符。但如果只是要验证某字符不存在而不要对应这些字符进来呢?举个例子来说，假设要查找一个字，它的字母里有q但接下来的字母不是u，可以用下列的RE来做。

26./b/w*q[^u]/w*/b(一个字，其字母里有q但接下来的字母不是u)

这样的RE会有一个问题，因为[^u]要对应一个字符，所以若q是字的最后一个字母，[^u]这样的下法就会将空格符对应下去，结果就有可能会符合二个字，比如说”Iraqhaha”这样的文字。使用NegativeLookaround就能解决这样的问题。

27./b/w*q(?!u)/w*/b(一个字，其字母里有q但接下来的字母不是u)

这是”zero-widthnegativelookaheadassertion”。

28./d{3}(?!/d)(三个位的数字，其后不接一个位数字)

同样的，可以使用(?

29.(?

30.(?<=<(/w+)>.*(?=<///1>(HTML卷标间的文字)

这使用lookahead及lookbehindassertion来取出HTML间的文字，不包括HTML卷标。

请批注(CommentsPlease)

括号还有个特殊的用途就是用来包住批注，语法为”(?#comment)”，若设定”IgnorePatternWhitespace”选项，则RE中的空格符当RE使用时会乎略。此选项设定时，”#”之后的文字会乎略。

31.HTML卷标间的文字，加上批注

(?<=　#查找前缀，但不包含它

<(/w+)>#HTML标签

)#结束查找前缀

.*#符合任何文字

(?=#查找字尾，但不包含它

<///1>#符合所抓取群组1之字符串，也就是前面小括号的HTML标签

)#结束查找字尾

寻找最多字符的字及最少字符的字(GreedyandLazy)

当RE下要查找一个范围的重复时(如”.*”)，它通常会寻找最多字符的符合字，也就是Greedymatching。举例来说。

32.a.*b(开始为a结束为b的最多字符的符合字)

若有一字符串是”aabab”，使用上述RE所得到的符合字符串就是”aabab”，因为这是寻找最多字符的字。有时希望是符合最少字符的字也就是lazymatching。只要将重复前述项目的表加上问号(?)就可以把它们全部变成lazymatching。因此”*?”代表的就是重复任意次数，但是使用最少重复的次数来符合。举个例子来说：

33.a.*?b(开始为a结束为b的最少字符的符合字)

若有一字符串是”aabab”，使用上述RE第一个所得到的符合字符串就是”aab”再来是”ab”，因为这是寻找最少字符的字。

*?重复任意次数，最少重复次数为原则

+?重复至少一次，最少重复次数为原则

??重复零次或一次，最少重复次数为原则

{n,m}?重复至少n次，但不超过m次，最少重复次数为原则

{n,}?重复至少n次，最少重复次数为原则

还有什么没提到呢?

到目前为止，已经提到了许多建立RE的元素，当然还有许多元素没有提到，下表整理了一些没提到的元素，在最左边的字段的数字是说明在Expresso中的例子。

#语法说明

/aBell字符

/b通常是指字的边界，在字符组里所代表的就是backspace