正则表达式学习笔记

小灰灰 2021-06-26 16:06 455阅读 0赞

# 元字符 #

*  ## 常用元字符 ##
    
     *  . : 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
 *  ## 常用元字符例子 ##
    
     *  \\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）。
     *  \\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）而+则匹配重复1次或更多次。
     *  \\b\\w\{6\}\\b : 匹配刚好6个字符的单词。
     *  ^\\d\{5,12\}$ :匹配5位到12位数字

# 字符转义 #

*  ## 字符转义 ##
    
     *  \\ : 字符转义
 *  ## 字符转义例子 ##
    
     *  \\ .  :匹配" . "。
     *  \\ \*  :匹配" \* "。
     *  \\ \\  :匹配" \\ "。

# 重复 #

*  ## 常用重复限定符 ##
    
     *   \*  : 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
 *  ## 常用重复限定符例子 ##
    
     *   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 #

*  ## 常用字符类例子 ##
    
     *   \[aeiou\]  : 匹配任何一个英文元音字母。
     *   \[.?!\]  : 匹配标点符号（。或？或！）。
     *   \[0-9\]  : 和 \\d 同一个意思。
     *   \[a-z0-9A-Z\]  : 同  \\w 。
     *   \\ (?0\\d\{2\}\[) -\]?\\d\{8\}  : 匹配几种格式的电话号码

# 分枝条件 #

（正则表达式里的分支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。）

*  ## 常用分枝条件例子 ##
    
     *   0\\d\{2\}-\\d\{8\} | 0\\d\{3\}-\\d\{7\}  : 匹配两种以连字号分割的电话号码：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（0376-1234567）。
     *   (?0\\d\{2\})?\[- \]?\\d\{8\} | 0\\d\{2\}\[- \]?\\d\{8\}  : 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。
     *   \\d\{5\}-\\d\{4\} | \\d\{5\}  : 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。这里需要注意的是：使用分枝条件时，要注意各个条件的顺序。如果改成 \\d\{5\} | \\d\{5\}-\\d\{4\} 的话，那么就只会匹配5位数的邮编（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，就不会去再管其他的条件了。

# 分组 #

*  ## 常用分组例子 ##
    
     *   (\\d\{1,3\\ .\}\{3\}\\d\{1.3\})  : 匹配一个简单的IP地址匹配表达式。\\d\{1,3\}匹配1到3位的数字，(\\d\{1,3\}\\ .)\{3\}匹配三位数加上一个英文句号（这个整体也就是这个分组的）重复次数，最后再加上一个一到三位的数字(\\d\{1,3\}) 。但是这个表达式也讲匹配256.300.888.999这种不可能存在的IP地址。
     *   ((2\[0-4\]\\d|25\[0-5\]|\[01\]?\\d\\d?)\\ .)\{3\}(2\[0-4\]\\d|25\[0-5\]|\[01\]?\\d\\d?)  : 这个才是正确的匹配IP地址的正则表达式。

# 反义 #

*  ## 常用反义代码 ##
    
     *   \\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
 *  ## 常用反义代码例子 ##
    
     *   \\S+  : 匹配不包括空白符的字符串。
     *   <a\[^>\]+>  : 匹配用尖括号括起来的以a开头的字符串。

# 反向引用 #

*  ## 常用分组语法 ##
    
     *  捕获
        
         *   (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
     *  零宽断言 \`
        
         *   (?=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
     *  注释
        
         *   (?\#comment)  : 这种类型的分组不对正则表达式的处理产生影响，用于提供注释让人阅读
 *  ## 常用反义代码例子 ##
    
     *   \\b(\\w+)\\b\\s+\\1\\b  : 匹配重复的单词，像go go或者kitty kitty等。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者数字(\\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(也就是前面匹配的八个单词)(\\1)。
     *   \\b(?\\w+)\\b\\s+\\k\\b  : 同上，只是组名定义为Word了。
     *   (?=exp)  : 这个也就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 are dancing时，它会匹配sing和danc。
     *   (?<=exp)  : 这个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，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。
     *   ((?<=\\d)\\d\{3\})+\\b  : 匹配一串很长的数字中从右到左每三个数字加一个逗号的位置。
     *   (?<=\\s)\\d+(?=\\s)  : 匹配以空白符间隔的数字(不包括这些空白符)。
     *   \\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`。
     *   (?!exp)  : 零宽度负预测先行断言，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。
     *   (?<=(\\w+)>).*(?=</\\1)*  : 匹配不包含属性的简单HTML标签内的内容。(?<=(\\w+)>)指定了这样的前缀：被尖括号括起来的单词（比如可能是**），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）。**
     *  注释
        
         *   (?<= \# 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 #
    
     *  懒惰限定符
        
         *   \*?  : 重复任意次，但尽可能少重复
         *   \+?  : 重复1次或者更多次，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
     *  贪婪与懒惰例子
        
         *  当正则表达式中包含能够接收重复的限定符时，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，它会整个字符串aabab。这被称为贪婪匹配。
         *  有时，我们需要懒惰匹配，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成懒惰匹配模式，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。
         *   a.\*?b  : 匹配最短的，以a开始，以b结束的字符串。如果它应用于aabab的话，它会匹配aab（第一到三个字符）和ab（第四到第五个字符）。
 *  # 处理选项 #
    
     *  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。
         *   ExplicitCapture(显式捕获)  : 仅捕获已被显式命名的组。
 *  # 平衡组/递归匹配 #
    
     *  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 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
 *  # 尚未详细讨论的语法 #
    
     *   \\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。
     *   (?-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。