正则表达式入门教程(三)

本是古典何须时尚 2022-07-12 02:19 241阅读 0赞

这篇是正则表达式的第三篇，我们接着第二篇的知识点开始讲：

## 一：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：

![Center][]

表中上面四个字母都是大写：\\W , \\S , \\D , \\B

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开头且以>结尾的字符串，a和>中间不能有>。

解析：<a> 表示以<和a开头，以>结尾 ；\[^>\]+ 表示 a 和>中间不可以是>，且至少有一个或更多的字符

强化理解：

^的用法：

(1)

^表示表达式验证的开始,要验证的字符串完整的匹配^后面的内容。比如： ^567     匹配“567”+str;  
  
 $ 表示表达式验证的结束,要验证的字符串完整的匹配$前面的内容。 比如 567$       匹配str+"567";  
  
^$结合起来   比如 ^567$              匹配 567;

(2)

^的另一种语意识非              比如 ^\[^567\]\*$        匹配的字符串不包含5、6、7任意字符  
  
解释： ^开始了一个字符串的匹配，\[\]表示定义需要匹配内容的一个小节点的自定义，可以是很简单的\[5\],或者复杂点的\[a-z\]的小写字母或者\[a-zA-Z\]的字母限定。这里的\[^567\]就表示你定义的这个节点的内容不能是5、6、7中的任意一个。最后$表示字符串的匹配结束，你的字符串不能包括多余以^开头以$结尾的内容。

## **二：反向引用** ##

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。

呃……其实,组号分配还不像我刚说得那么简单：

*  分组0对应整个正则表达式
 *  实际上组号分配过程是要从左向右扫描两遍的：第一遍只给未命名组分配，第二遍只给命名组分配－－因此所有命名组的组号都大于未命名的组号
 *  你可以使用(?:exp)这样的语法来剥夺一个分组对组号分配的参与权．

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：

![Center 1][]

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。

**反向引用这部分有点难，后面慢慢理解吧**

## **三、零宽断言** ##

表4中，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)*。

## 四、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。

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)，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)。

***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。***

## 五、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

参考博客：http://deerchao.net/tutorials/regex/regex.htm\#mission

[Center]: /images/20220711/7787bda7bb3642dabbf6a1b33e83e031.png
[Center 1]: /images/20220711/adc950fae85b44a191cc4f4ba65ff656.png