正则表达式到底是什么？ [p]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。[b]正则表达式[/b]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。[/p] [p]很可能你使用过windows/dos下用于文件查找的[b]通配符(wildcard)[/b]，也就是[color=#0000ff]*[/color]和[color=#0000ff]?[/color]。如果你想查找某个目录下的所有的word文档的话，你会搜索[color=red]*.doc[/color]。在这里，[color=#0000ff]*[/color]会被解释成任意的[url=http://cssrain.cn/demo/zhengze.htm#reference]字符串[/url]。和通配符类似，正则表达式也是用来进行[url=http://cssrain.cn/demo/zhengze.htm#reference]文本[/url][url=http://cssrain.cn/demo/zhengze.htm#reference]匹配[/url]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[u]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[/u](像[i]010-12345678[/i]或[i]0376-7654321[/i])。[/p] [p]正则表达式是用于进行文本匹配的工具，所以本文里多次提到了在字符串里搜索/查找，这种说法的意思是在给定的字符串中，寻找与给定的正则表达式相匹配的部分。有可能字符串里有不止一个部分满足给定的正则表达式，这时每一个这样的部分被称为一个匹配。[b]匹配[/b]在本文里可能会有三种意思：一种是形容词性的，比如说一个字符串匹配一个表达式；一种是动词性的，比如说在字符串里匹配正则表达式；还有一种是名词性的，就是刚刚说到的“字符串中满足给定的正则表达式的一部分”。[/p] 入门 [p]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。[/p] [p]假设你在一篇英文小说里查找[u]hi[/u]，你可以使用正则表达式[color=#ff0000]hi[/color]。[/p] [p]这是最简单的正则表达式了，它可以精确匹配这样的字符串：[u]由两个字符组成，前一个字符是h,后一个是i[/u]。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[i]hi[/i],[i]hi[/i],[i]hi[/i],[i]hi[/i]这四种情况中的任意一种。[/p] [p]不幸的是，很多单词里包含[i]hi[/i]这两个连续的字符，比如[i]him[/i],[i]history[/i],[i]high[/i]等等。用[color=#ff0000]hi[/color]来查找的话，这里边的[i]hi[/i]也会被找出来。如果要[u]精确地查找hi这个单词[/u]的话，我们应该使用[color=#ff0000]\bhi\b[/color]。[/p] [p][color=#008000]\b[/color]是正则表达式规定的一个特殊代码（好吧，某些人叫它[b]元字符，metacharacter[/b]），代表着[u]单词的开头或结尾，也就是单词的分界处[/u]。虽然通常英文的单词是由空格或标点符号或换行来分隔的，但是[color=#0000ff]\b[/color]并不匹配这些单词分隔符中的任何一个，它[b]只匹配一个位置[/b]。（如果需要更精确的说法，[color=#0000ff]\b[/color]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)[color=#0000ff]\w[/color]）[/p] [p]假如你要找的是[u]hi后面不远处跟着一个lucy[/u]，你应该用[color=#ff0000]\bhi\b.*\blucy\b[/color]。[/p] [p]这里，[color=#008000].[/color]是另一个元字符，匹配[u]除了换行符以外的任意字符[/u]。[color=#008000]*[/color]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*[u]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[/u]。因此，[color=#008000].*[/color]连在一起就意味着[u]任意数量的不包含换行的字符[/u]。现在[color=#ff0000]\bhi\b.*\blucy\b[/color]的意思就很明显了：[u]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[/u]。[/p] [p]如果同时使用其它的一些元字符，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：[/p] [p][color=#ff0000]0\d\d-\d\d\d\d\d\d\d\d[/color]匹配这样的字符串：[u]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[/u](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)。[/p] [p]这里的[color=#008000]\d[/color]是一个新的元字符，匹配[u]任意的数字(0，或1，或2，或……)[/u]。[color=#008000]-[/color]不是元字符，只匹配它本身——连字号。[/p] [p]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：[color=#ff0000]0\d{2}-\d{8}[/color]。 这里[color=#008000]\d[/color]后面的[color=#008000]{2}[/color]([color=#008000]{8}[/color])的意思是前面[color=#008000]\d[/color][u]必须连续重复匹配2次(8次)[/u]。[/p] 测试正则表达式 [p]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，所以很有必要创建一种工具来测试正则表达式。[/p] [p]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microsoft .net 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[url=http://dotnet2themax.com/blogs/fbalena/permalink,guid,13bce26d-7755-441e-92b3-1eb5f9e859f9.aspx]regex tester[/url]。首先你确保已经安装了[url=http://microsoft.com/downloads/details.aspx?displaylang=zh-cn&familyid=0856eacb-4362-4b0d-8edd-aab15c5e04f5].net framework 2.0[/url]，然后[url=http://unibetter.com/deerchao/downloads/regextester.zip]下载regex tester[/url]。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。[/p] [p]下面是regex tester运行时的截图：[/p] [p][img]http://css88.com/demo/zhenzhe/regextester.jpg[/img][/p] 元字符 [p]现在你已经知道几个很有用的元字符了，如[color=#0000ff]\b[/color],[color=#0000ff].[/color],[color=#0000ff]*[/color]，还有[color=#0000ff]\d[/color].当然还有更多的元字符可用，比如[color=#0000ff]\s[/color]匹配[u]任意的空白符，包括空格，制表符(tab)，换行符，中文全角空格等[/u]。[color=#0000ff]\w[/color]匹配[u]字母或数字或下划线或汉字等[/u]。[/p] [p]下面来试试更多的例子：[/p] [p][color=#ff0000]\ba\w*\b[/color]匹配[u]以字母[color=#008000]a[/color]开头的单词——先是某个单词开始处([color=#008000]\b[/color])，然后是字母[color=#008000]a[/color],然后是任意数量的字母或数字([color=#008000]\w*[/color])，最后是单词结束处([color=#008000]\b[/color])[/u]（好吧，现在我们说说正则表达式里的单词是什么意思吧：就是几个连续的[color=#0000ff]\w[/color]。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）。[/p] [p][color=#ff0000]\d+[/color]匹配[u]1个或更多连续的数字[/u]。这里的[color=#008000]+[/color]是和[color=#0000ff]*[/color]类似的元字符，不同的是[color=#0000ff]*[/color]匹配[u]重复任意次(可能是0次)[/u]，而[color=#0000ff]+[/color]则匹配[u]重复1次或更多次[/u]。[/p] [p][color=#ff0000]\b\w{6}\b[/color] 匹配[u]刚好6个字母/数字的单词[/u]。[/p] 表1.常用的元字符 代码 说明 [color=#0000ff].[/color] [u]匹配除换行符以外的任意字符[/u] [color=#0000ff]\w[/color] [u]匹配字母或数字或下划线或汉字[/u] [color=#0000ff]\s[/color] [u]匹配任意的空白符[/u] [color=#0000ff]\d[/color] [u]匹配数字[/u] [color=#0000ff]\b[/color] [u]匹配单词的开始或结束[/u] [color=#0000ff]^[/color] [u]匹配字符串的开始[/u] [color=#0000ff]$[/color] [u]匹配字符串的结束[/u] [p]元字符[color=#0000ff]^[/color]（和数字6在同一个键位上的符号）以及[color=#0000ff]$[/color]和[color=#0000ff]\b[/color]有点类似，都匹配一个位置。[color=#0000ff]^[/color]匹配你要用来查找的字符串的开头，[color=#0000ff]$[/color]匹配结尾。这两个代码在验证输入的内容时非常有用，比如一个网站如果要求你填写的qq号必须为5位到12位数字时，可以使用：[color=#ff0000]^\d{5,12}$[/color]。[/p] [p]这里的[color=#008000]{5,12}[/color]和前面介绍过的[color=#008000]{2}[/color]是类似的，只不过[color=#008000]{2}[/color]匹配[u]只能不多不少重复2次[/u]，[color=#008000]{5,12}[/color]则是[u]重复的次数不能少于5次，不能多于12次[/u]，否则都不匹配。[/p] [p]因为使用了[color=#008000]^[/color]和[color=#008000]$[/color]，所以输入的整个字符串都要用来和[color=#008000]\d{5,12}[/color]来匹配，也就是说整个输入[u]必须是5到12个数字[/u]，因此如果输入的qq号能匹配这个正则表达式的话，那就符合要求了。[/p] [p]和忽略大小写的选项类似，有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项，[color=#0000ff]^[/color]和[color=#0000ff]$[/color]的意义就变成了[u]匹配行的开始处和结束处[/u]。[/p] 字符转义 [p]如果你想查找元字符本身的话，比如你查找[u].[/u],或者[u]*[/u],就出现了问题：你没法指定它们，因为它们会被解释成其它的意思。这时你就必须使用[color=#0000ff]\[/color]来取消这些字符的特殊意义。因此，你应该使用[color=#ff0000]\.[/color]和[color=#ff0000]\*[/color]。当然，要查找[u]\[/u]本身，你也得用[color=#ff0000]\\[/color].[/p] [p]例如：[color=#ff0000]www\.unibetter\.com[/color]匹配[u]unibetter.com[/u]，[color=#ff0000]c:\\windows[/color]匹配[u]c:\windows[/u]。[/p] 重复 [p]你已经看过了前面的[color=#0000ff]*[/color],[color=#0000ff]+[/color],[color=#0000ff]{2}[/color],[color=#0000ff]{5,12}[/color]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)：[/p] 表2.常用的限定符 代码/语法 说明 [color=#0000ff]*[/color] [u]重复零次或更多次[/u] [color=#0000ff]+[/color] [u]重复一次或更多次[/u] [color=#0000ff]?[/color] [u]重复零次或一次[/u] [color=#0000ff]{n}[/color] [u]重复n次[/u] [color=#0000ff]{n,}[/color] [u]重复n次或更多次[/u] [color=#0000ff]{n,m}[/color] [u]重复n到m次[/u] [p]下面是一些使用重复的例子：[/p] [p][color=#ff0000]windows\d+[/color]匹配[u]windows后面跟1个或更多数字[/u][/p] [p][color=#ff0000]13\d{9}[/color]匹配[u]13后面跟9个数字(中国的手机号)[/u][/p] [p][color=#ff0000]^\w+[/color]匹配[u]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)[/u][/p] 字符类 [p]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？[/p] [p]很简单，你只需要在中括号里列出它们就行了，像[color=#ff0000][aeiou][/color]就匹配[u]任何一个英文元音字母[/u]，[color=#ff0000][.?!][/color]匹配[u]标点符号(.或?或!)[/u](英文语句通常只以这三个标点结束)。[/p] [p]我们也可以轻松地指定一个字符[b]范围[/b]，像[color=#ff0000][0-9][/color]代表的含意与[color=#ff0000]\d[/color]就是完全一致的：[u]一位数字[/u]，同理[color=#ff0000][a-z0-9a-z_][/color]也完全等同于[color=#0000ff]\w[/color]（如果只考虑英文的话）。[/p] [p]下面是一个更复杂的表达式：[color=#ff0000]\(?0\d{2}[) -]?\d{8}[/color]。[/p] [p]这个表达式可以匹配[u]几种格式的电话号码[/u]，像[i](010)88886666[/i]，或[i]022-22334455[/i]，或[i]02912345678[/i]等。我们对它进行一些分析吧：首先是一个转义字符[color=#008000]\([/color],它能出现0次或1次([color=#008000]?[/color]),然后是一个[color=#008000]0[/color]，后面跟着2个数字([color=#008000]\d{2}[/color])，然后是[color=#008000])[/color]或[color=#008000]-[/color]或[color=#008000]空格[/color]中的一个，它出现1次或不出现([color=#008000]?[/color])，最后是8个数字([color=#008000]\d{8}[/color])。不幸的是，它也能匹配[i]010)12345678[/i]或[i](022-87654321[/i]这样的“不正确”的格式。要解决这个问题，请在本教程的下面查找答案。[/p] 反义 [p]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[b]反义[/b]：[/p] 表3.常用的反义代码 代码/语法 说明 [color=#0000ff]\w[/color] [u]匹配任意不是字母，数字，下划线，汉字的字符[/u] [color=#0000ff]\s[/color] [u]匹配任意不是空白符的字符[/u] [color=#0000ff]\d[/color] [u]匹配任意非数字的字符[/u] [color=#0000ff]\b[/color] [u]匹配不是单词开头或结束的位置[/u] [color=#0000ff][^x][/color] [u]匹配除了x以外的任意字符[/u] [color=#0000ff][^aeiou][/color] [u]匹配除了aeiou这几个字母以外的任意字符[/u] [p]例子：[color=#ff0000]\s+[/color]匹配[u]不包含空白符的字符串[/u]。[/p] [p][color=#ff0000]]+>[/color]匹配[u]用尖括号括起来的以a开头的字符串[/u]。[/p] 替换 [p]好了，现在终于到了解决3位或4位区号问题的时间了。正则表达式里的[b]替换[/b]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[color=#0000ff]|[/color]把不同的规则分隔开。听不明白？没关系，看例子：[/p] [p][color=#ff0000]0\d{2}-\d{8}|0\d{3}-\d{7}[/color]这个表达式能[u]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)[/u]。[/p] [p][color=#ff0000]\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}[/color]这个表达式[u]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[/u]。你可以试试用替换|把这个表达式扩展成也支持4位区号的。[/p] [p][color=#ff0000]\d{5}-\d{4}|\d{5}[/color]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：[b]使用替换时，顺序是很重要的[/b]。如果你把它改成[color=#ff0000]\d{5}|\d{5}-\d{4}[/color]的话，那么就只会匹配5位的邮编(以及9位邮编的前5位)。原因是匹配替换时，将会从左到右地测试每个分枝条件，如果满足了某个分枝的话，就不会去管其它的替换条件了。[/p] [p][color=#ff0000]windows98|windows2000|windosxp[/color]这个例子是为了告诉你替换不仅仅能用于两种规则，也能用于更多种规则。[/p] 分组 [p]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[b]子表达式[/b](也叫做[b]分组[/b])，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)。[/p] [p][color=#ff0000](\d{1,3}\.){3}\d{1,3}[/color]是一个[u]简单的ip地址匹配[/u]表达式。要理解这个表达式，请按下列顺序分析它：[color=#008000]\d{1,3}[/color]匹配[u]1到3位的数字[/u]，[color=#008000](\d{1,3}\.){3}[/color]匹配[u]三位数字加上一个英文句号(这个整体也就是这个[b]分组[/b])重复3次[/u]，最后再加上[u]一个一到三位的数字[/u]([color=#008000]\d{1,3}[/color])。[/p] [p]不幸的是，它也将匹配[i]256.300.888.999[/i]这种不可能存在的ip地址(ip地址中每个数字都不能大于255。题外话，好像反恐24小时第三季的编剧不知道这一点，汗...)。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：[color=#ff0000]((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)[/color]。[/p] [p]理解这个表达式的关键是理解[color=#008000]2[0-4]\d|25[0-5]|[01]?\d\d?[/color]，这里我就不细说了，你自己应该能分析得出来它的意义。[/p] [p] [/p] 后向引用 [p]使用小括号指定一个子表达式后，[b]匹配这个子表达式的文本[/b](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[b]组号[/b]，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。[/p] [p][b]后向引用[/b]用于重复搜索前面某个分组匹配的文本。例如，[color=#008000]\1[/color]代表[u]分组1匹配的文本[/u]。难以理解？请看示例：[/p] [p][color=#ff0000]\b(\w+)\b\s+\1\b[/color]可以用来匹配[u]重复的单词[/u]，像[i]go go[/i], [i]kitty kitty[/i]。首先是[u]一个单词[/u]，也就是[u]单词开始处和结束处之间的多于一个的字母或数字[/u]([color=#008000]\b(\w+)\b[/color])，然后是[u]1个或几个空白符[/u]([color=#008000]\s+[/color])，最后是[u]前面匹配的那个单词[/u]([color=#008000]\1[/color])。[/p] [p]你也可以自己指定子表达式的[b]组名[/b]。要指定一个子表达式的组名，请使用这样的语法：[color=#0000ff](?\w+)[/color](或者把尖括号换成[color=#0000ff]'[/color]也行：[color=#0000ff](?'word'\w+)[/color]),这样就把[color=#008000]\w+[/color]的组名指定为[color=#008000]word[/color]了。要反向引用这个分组[b]捕获[/b]的内容，你可以使用[color=#0000ff]\k[/color],所以上一个例子也可以写成这样：[color=#ff0000]\b(?\w+)\b\s+\k\b[/color]。[/p] [p]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：[/p] 表4.分组语法 捕获 [color=#0000ff](exp)[/color] [u]匹配exp,并捕获文本到自动命名的组里[/u] [color=#0000ff](?exp)[/color] [u]匹配exp,并捕获文本到名称为name的组里，也可以写成(?'name'exp)[/u] [color=#0000ff](?:exp)[/color] [u]匹配exp,不捕获匹配的文本，也不给此分组分配组号[/u] 零宽断言 [color=#0000ff](?=exp)[/color] [u]匹配exp前面的位置[/u] [color=#0000ff](?<=exp)[/color] [u]匹配exp后面的位置[/u] [color=#0000ff](?!exp)[/color] [u]匹配后面跟的不是exp的位置[/u] [color=#0000ff](?).*(?=<\/\1>)[/color]匹配[u]不包含属性的简单html标签内里的内容[/u]。[color=#0000ff]()[/color]指定了这样的[b]前缀[/b]：[u]被尖括号括起来的单词[/u](比如可能是)，然后是[color=#008000].*[/color](任意的字符串),最后是一个[b]后缀[/b][color=#008000](?=<\/\1>)[/color]。注意后缀里的[color=#008000]\/[/color]，它用到了前面提过的字符转义；[color=#008000]\1[/color]则是一个反向引用，引用的正是[u]捕获的第一组[/u]，前面的[color=#008000](\w+)[/color]匹配的内容，这样如果前缀实际上是的话，后缀就是了。整个表达式匹配的是和之间的内容(再次提醒，不包括前缀和后缀本身)。[/p] 注释 [p]小括号的另一种用途是通过语法[color=#0000ff](?#comment)[/color]来包含注释。例如：[color=#ff0000]2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)[/color]。[/p] [p]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。[/p] [p]例如，我们可以前面的一个表达式写成这样：[/p](?<= # 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 [p]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[b]尽可能多[/b]的字符。考虑这个表达式：[color=#ff0000]a.*b[/color]，它将会匹配[u]最长的以a开始，以b结束的字符串[/u]。如果用它来搜索[i]aabab[/i]的话，它会匹配整个字符串[u]aabab[/u]。这被称为[b]贪婪[/b]匹配。[/p] [p]有时，我们更需要[b]懒惰[/b]匹配，也就是匹配[b]尽可能少[/b]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[color=#0000ff]?[/color]。这样[color=#ff0000].*?[/color]就意味着[u]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[/u]。现在看看懒惰版的例子吧：[/p] [p][color=#ff0000]a.*?b[/color]匹配[u]最短的，以a开始，以b结束的字符串[/u]。如果把它应用于[i]aabab[/i]的话，它会匹配[u]aab[/u]和[u]ab[/u]（为什么第一个匹配是aab而不是ab？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）。[/p] 表5.懒惰限定符 [color=#0000ff]*?[/color] [u]重复任意次，但尽可能少重复[/u] [color=#0000ff]+?[/color] [u]重复1次或更多次，但尽可能少重复[/u] [color=#0000ff]??[/color] [u]重复0次或1次，但尽可能少重复[/u] [color=#0000ff]{n,m}?[/color] [u]重复n到m次，但尽可能少重复[/u] [color=#0000ff]{n,}?[/color] [u]重复n次以上，但尽可能少重复[/u] 处理选项 [p]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

该文章在 2010/7/3 15:56:56 编辑过