正则表达式（二）

深碍√TFBOYSˉ_ 2022-09-25 11:24 229阅读 0赞

## 字符类 ##

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？

很简单，你只需要在方括号里列出它们就行了，像\[aeiou\]就匹配任何一个英文元音字母，\[.?!\]匹配标点符号(.或?或!)。

我们也可以轻松地指定一个字符范围，像\[0-9\]代表的含意与\\d就是完全一致的：一位数字；同理\[a-z0-9A-Z\_\]也完全等同于\\w（如果只考虑英文的话）。

下面是一个更复杂的表达式：\\(?0\\d\{2\}\[) -\]?\\d\{8\}。

“(”和“)”也是元字符，后面的[分组节][Link 1]里会提到，所以在这里需要使用[转义][Link 2]。

这个表达式可以匹配几种格式的电话号码，像(010)88886666，或022-22334455，或02912345678等。我们对它进行一些分析吧：首先是一个转义字符\\(,它能出现0次或1次(?),然后是一个0，后面跟着2个数字(\\d\{2\})，然后是)或\-或空格中的一个，它出现1次或不出现(?)，最后是8个数字(\\d\{8\})。

# 分枝条件 #

不幸的是，刚才那个表达式也能匹配010)12345678或(022-87654321这样的“不正确”的格式。要解决这个问题，我们需要用到分枝条件。正则表达式里的分枝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。听不明白？没关系，看例子：

0\\d\{2\}-\\d\{8\}|0\\d\{3\}-\\d\{7\}这个表达式能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)。

\$?0\\d\{2\}\$?\[- \]?\\d\{8\}|0\\d\{2\}\[- \]?\\d\{8\}这个表达式匹配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。你可以试试用分枝条件把这个表达式扩展成也支持4位区号的。

\\d\{5\}-\\d\{4\}|\\d\{5\}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：使用分枝条件时，要注意各个条件的顺序。如果你把它改成\\d\{5\}|\\d\{5\}-\\d\{4\}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，就不会去再管其它的条件了。

**分组**

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子表达式(也叫做分组)，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)。

(\\d\{1,3\}\\.)\{3\}\\d\{1,3\}是一个简单的IP地址匹配表达式。要理解这个表达式，请按下列顺序分析它：\\d\{1,3\}匹配1到3位的数字，(\\d\{1,3\}\\.)\{3\}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复3次，最后再加上一个一到三位的数字(\\d\{1,3\})。

不幸的是，它也将匹配256.300.888.999这种不可能存在的IP地址。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：((2\[0-4\]\\d|25\[0-5\]|\[01\]?\\d\\d?)\\.)\{3\}(2\[0-4\]\\d|25\[0-5\]|\[01\]?\\d\\d?)。

理解这个表达式的关键是理解2\[0-4\]\\d|25\[0-5\]|\[01\]?\\d\\d?，这里我就不细说了，你自己应该能分析得出来它的意义。

## 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：

<table> 表3.常用的反义代码 
 <thead> 
 <tr> 
 <th>代码/语法</th> 
 <th>说明</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td>\W</td> 
 <td>匹配任意不是字母，数字，下划线，汉字的字符</td> 
 </tr> 
 <tr> 
 <td>\S</td> 
 <td>匹配任意不是空白符的字符</td> 
 </tr> 
 <tr> 
 <td>\D</td> 
 <td>匹配任意非数字的字符</td> 
 </tr> 
 <tr> 
 <td>\B</td> 
 <td>匹配不是单词开头或结束的位置</td> 
 </tr> 
 <tr> 
 <td>[^x]</td> 
 <td>匹配除了x以外的任意字符</td> 
 </tr> 
 <tr> 
 <td>[^aeiou]</td> 
 <td>匹配除了aeiou这几个字母以外的任意字符</td> 
 </tr> 
 </tbody> 
</table>

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开头的字符串。

## 后向引用 ##

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：

<table> 表4.常用分组语法 
 <tbody> 
 <tr> 
 <th>分类</th> 
 <th>代码/语法</th> 
 <th>说明</th> 
 </tr> 
 <tr> 
 <th>捕获</th> 
 <td>(exp)</td> 
 <td>匹配exp,并捕获文本到自动命名的组里</td> 
 </tr> 
 <tr> 
 <td>(?&lt;name&gt;exp)</td> 
 <td>匹配exp,并捕获文本到名称为name的组里，也可以写成(?'name'exp)</td> 
 </tr> 
 <tr> 
 <td>(?:exp)</td> 
 <td>匹配exp,不捕获匹配的文本，也不给此分组分配组号</td> 
 </tr> 
 <tr> 
 <th>零宽断言</th> 
 <td>(?=exp)</td> 
 <td>匹配exp前面的位置</td> 
 </tr> 
 <tr> 
 <td>(?&lt;=exp)</td> 
 <td>匹配exp后面的位置</td> 
 </tr> 
 <tr> 
 <td>(?!exp)</td> 
 <td>匹配后面跟的不是exp的位置</td> 
 </tr> 
 <tr> 
 <td>(?&lt;!exp)</td> 
 <td>匹配前面不是exp的位置</td> 
 </tr> 
 <tr> 
 <th>注释</th> 
 <td>(?#comment)</td> 
 <td>这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释让人阅读</td> 
 </tr> 
 </tbody> 
</table>

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。“我为什么会想要这样做？”——好问题，你觉得为什么呢？

## 零宽断言 ##

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：

(?=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)。

## 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)。

## 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

## 贪婪与懒惰 ##

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**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，它会匹配整个字符串aabab。这被称为贪婪匹配。

有时，我们更需要懒惰匹配，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为懒惰匹配模式，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。现在看看懒惰版的例子吧：

a.\*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？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。

<table> 表5.懒惰限定符 
 <thead> 
 <tr> 
 <th>代码/语法</th> 
 <th>说明</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td>*?</td> 
 <td>重复任意次，但尽可能少重复</td> 
 </tr> 
 <tr> 
 <td>+?</td> 
 <td>重复1次或更多次，但尽可能少重复</td> 
 </tr> 
 <tr> 
 <td>??</td> 
 <td>重复0次或1次，但尽可能少重复</td> 
 </tr> 
 <tr> 
 <td>{n,m}?</td> 
 <td>重复n到m次，但尽可能少重复</td> 
 </tr> 
 <tr> 
 <td>{n,}?</td> 
 <td>重复n次以上，但尽可能少重复</td> 
 </tr> 
 </tbody> 
</table>

[Link 1]: http://www.jb51.net/tools/zhengze.html#grouping
[Link 2]: http://www.jb51.net/tools/zhengze.html#escape