程序员必须之正则表达式

水深无声 2023-01-02 15:21 143阅读 0赞

*  一、概述
 *  二、匹配单个字符
 *  三、匹配一组字符
 *  四、使用元字符
 *  五、重复匹配
 *  六、位置匹配
 *  七、使用子表达式
 *  八、回溯引用
 *  九、前后查找
 *  十、嵌入条件
 *  参考资料

# 一、概述 #

正则表达式用于文本内容的查找和替换。

正则表达式内置于其它语言或者软件产品中，它本身不是一种语言或者软件。

[正则表达式在线工具][Link 1]

# 二、匹配单个字符 #

**.** 可以用来匹配任何的单个字符，但是在绝大多数实现里面，不能匹配换行符；

**.** 是元字符，表示它有特殊的含义，而不是字符本身的含义。如果需要匹配 . ，那么要用 \\ 进行转义，即在 . 前面加上 \\ 。

正则表达式一般是区分大小写的，但是也有些实现是不区分。

**正则表达式**

nam.

**匹配结果**

My **name** is Zheng.

# 三、匹配一组字符 #

**\[ \]** 定义一个字符集合；

0-9、a-z 定义了一个字符区间，区间使用 ASCII 码来确定，字符区间在 \[ \] 中使用。

**-** 只有在 \[ \] 之间才是元字符，在 \[ \] 之外就是一个普通字符；

**^** 在 \[ \] 中是取非操作。

**应用**

匹配以 abc 为开头，并且最后一个字母不为数字的字符串：

**正则表达式**

abc[^0-9]

**匹配结果**

1.  **abcd**
2.  abc1
3.  abc2

# 四、使用元字符 #

## 匹配空白字符 ##

<table> 
 <thead> 
  <tr> 
   <th align="center">元字符</th> 
   <th align="center">说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center">[\b]</td> 
   <td align="center">回退（删除）一个字符</td> 
  </tr> 
  <tr> 
   <td align="center">\f</td> 
   <td align="center">换页符</td> 
  </tr> 
  <tr> 
   <td align="center">\n</td> 
   <td align="center">换行符</td> 
  </tr> 
  <tr> 
   <td align="center">\r</td> 
   <td align="center">回车符</td> 
  </tr> 
  <tr> 
   <td align="center">\t</td> 
   <td align="center">制表符</td> 
  </tr> 
  <tr> 
   <td align="center">\v</td> 
   <td align="center">垂直制表符</td> 
  </tr> 
 </tbody> 
</table>

\\r\\n 是 Windows 中的文本行结束标签，在 Unix/Linux 则是 \\n。

\\r\\n\\r\\n 可以匹配 Windows 下的空白行，因为它匹配两个连续的行尾标签，而这正是两条记录之间的空白行；

## 匹配特定的字符类别 ##

### 1. 数字元字符 ###

<table> 
 <thead> 
  <tr> 
   <th align="center">元字符</th> 
   <th align="center">说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center">\d</td> 
   <td align="center">数字字符，等价于 [0-9]</td> 
  </tr> 
  <tr> 
   <td align="center">\D</td> 
   <td align="center">非数字字符，等价于 [^0-9]</td> 
  </tr> 
 </tbody> 
</table>

### 2. 字母数字元字符 ###

<table> 
 <thead> 
  <tr> 
   <th align="center">元字符</th> 
   <th align="center">说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center">\w</td> 
   <td align="center">大小写字母，下划线和数字，等价于 [a-zA-Z0-9_]</td> 
  </tr> 
  <tr> 
   <td align="center">\W</td> 
   <td align="center">对 \w 取非</td> 
  </tr> 
 </tbody> 
</table>

### 3. 空白字符元字符 ###

<table> 
 <thead> 
  <tr> 
   <th align="center">元字符</th> 
   <th align="center">说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center">\s</td> 
   <td align="center">任何一个空白字符，等价于 [\f\n\r\t\v]</td> 
  </tr> 
  <tr> 
   <td align="center">\S</td> 
   <td align="center">对 \s 取非</td> 
  </tr> 
 </tbody> 
</table>

\\x 匹配十六进制字符，\\0 匹配八进制，例如 \\x0A 对应 ASCII 字符 10，等价于 \\n。

# 五、重复匹配 #

*  **+** 匹配 1 个或者多个字符
 *  \**\** \* 匹配 0 个或者多个
 *  **?** 匹配 0 个或者 1 个

**应用**

匹配邮箱地址。

**正则表达式**

[\w.]+@\w+\.\w+

\[\\w.\] 匹配的是字母数字或者 . ，在其后面加上 + ，表示匹配多次。在字符集合 \[ \] 里，. 不是元字符；

**匹配结果**

**abc.def@qq.com**

*  **\{n\}** 匹配 n 个字符
 *  **\{m, n\}** 匹配 m~n 个字符
 *  **\{m,\}** 至少匹配 m 个字符

\* 和 + 都是贪婪型元字符，会匹配尽可能多的内容。在后面加 ? 可以转换为懒惰型元字符，例如 \*?、+? 和 \{m, n\}? 。

**正则表达式**

a.+c

由于 + 是贪婪型的，因此 .+ 会匹配更可能多的内容，所以会把整个 abcabcabc 文本都匹配，而不是只匹配前面的 abc 文本。用懒惰型可以实现匹配前面的。

**匹配结果**

**abcabcabc**

# 六、位置匹配 #

## 单词边界 ##

**\\b** 可以匹配一个单词的边界，边界是指位于 \\w 和 \\W 之间的位置；**\\B** 匹配一个不是单词边界的位置。

\\b 只匹配位置，不匹配字符，因此 \\babc\\b 匹配出来的结果为 3 个字符。

## 字符串边界 ##

**^** 匹配整个字符串的开头，**$** 匹配结尾。

^ 元字符在字符集合中用作求非，在字符集合外用作匹配字符串的开头。

分行匹配模式（multiline）下，换行被当做字符串的边界。

**应用**

匹配代码中以 // 开始的注释行

**正则表达式**

^\s*\/\/.*$

![Image 1][]

**匹配结果**

1.  public void fun() \{
2.       **// 注释 1**
3.       int a = 1;
4.       int b = 2;
5.       **// 注释 2**
6.       int c = a + b;
7.  \}

# 七、使用子表达式 #

使用 **( )** 定义一个子表达式。子表达式的内容可以当成一个独立元素，即可以将它看成一个字符，并且使用 \* 等元字符。

子表达式可以嵌套，但是嵌套层次过深会变得很难理解。

**正则表达式**

(ab){2,}

**匹配结果**

**ababab**

**|** 是或元字符，它把左边和右边所有的部分都看成单独的两个部分，两个部分只要有一个匹配就行。

**正则表达式**

(19|20)\d{2}

**匹配结果**

1.  **1900**
2.  **2010**
3.  1020

**应用**

匹配 IP 地址。

IP 地址中每部分都是 0-255 的数字，用正则表达式匹配时以下情况是合法的：

*  一位数字
 *  不以 0 开头的两位数字
 *  1 开头的三位数
 *  2 开头，第 2 位是 0-4 的三位数
 *  25 开头，第 3 位是 0-5 的三位数

**正则表达式**

((25[0-5]|(2[0-4]\d)|(1\d{2})|([1-9]\d)|(\d))\.){3}(25[0-5]|(2[0-4]\d)|(1\d{2})|([1-9]\d)|(\d))

**匹配结果**

1.  **192.168.0.1**
2.  00.00.00.00
3.  555.555.555.555

# 八、回溯引用 #

回溯引用使用 **\\n** 来引用某个子表达式，其中 n 代表的是子表达式的序号，从 1 开始。它和子表达式匹配的内容一致，比如子表达式匹配到 abc，那么回溯引用部分也需要匹配 abc 。

**应用**

匹配 HTML 中合法的标题元素。

**正则表达式**

\\1 将回溯引用子表达式 (h\[1-6\]) 匹配的内容，也就是说必须和子表达式匹配的内容一致。

<(h[1-6])>\w*?<\/\1>

**匹配结果**

1.  **<h1>x</h1>**
2.  **<h2>x</h2>**
3.  <h3>x</h1>

## 替换 ##

需要用到两个正则表达式。

**应用**

修改电话号码格式。

**文本**

313-555-1234

**查找正则表达式**

(\d{3})(-)(\d{3})(-)(\d{4})

**替换正则表达式**

在第一个子表达式查找的结果加上 () ，然后加一个空格，在第三个和第五个字表达式查找的结果中间加上 - 进行分隔。

($1) $3-$5

**结果**

(313) 555-1234

## 大小写转换 ##

<table> 
 <thead> 
  <tr> 
   <th align="center">元字符</th> 
   <th align="center">说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center">\l</td> 
   <td align="center">把下个字符转换为小写</td> 
  </tr> 
  <tr> 
   <td align="center">\u</td> 
   <td align="center">把下个字符转换为大写</td> 
  </tr> 
  <tr> 
   <td align="center">\L</td> 
   <td align="center">把\L 和\E 之间的字符全部转换为小写</td> 
  </tr> 
  <tr> 
   <td align="center">\U</td> 
   <td align="center">把\U 和\E 之间的字符全部转换为大写</td> 
  </tr> 
  <tr> 
   <td align="center">\E</td> 
   <td align="center">结束\L 或者\U</td> 
  </tr> 
 </tbody> 
</table>

**应用**

把文本的第二个和第三个字符转换为大写。

**文本**

abcd

**查找**

(\w)(\w{2})(\w)

**替换**

$1\U$2\E$3

**结果**

aBCd

# 九、前后查找 #

前后查找规定了匹配的内容首尾应该匹配的内容，但是又不包含首尾匹配的内容。向前查找用 **?=** 来定义，它规定了尾部匹配的内容，这个匹配的内容在 ?= 之后定义。所谓向前查找，就是规定了一个匹配的内容，然后以这个内容为尾部向前面查找需要匹配的内容。向后匹配用 ?<= 定义（注: javaScript 不支持向后匹配, java 对其支持也不完善）。

**应用**

查找出邮件地址 @ 字符前面的部分。

**正则表达式**

\w+(?=@)

**结果**

**abc** @qq.com

对向前和向后查找取非，只要把 = 替换成 ! 即可，比如 (?=) 替换成 (?!) 。取非操作使得匹配那些首尾不符合要求的内容。

# 十、嵌入条件 #

## 回溯引用条件 ##

条件判断为某个子表达式是否匹配，如果匹配则需要继续匹配条件表达式后面的内容。

**正则表达式**

子表达式 (\\() 匹配一个左括号，其后的 ? 表示匹配 0 个或者 1 个。 ?(1) 为条件，当子表达式 1 匹配时条件成立，需要执行 ) 匹配，也就是匹配右括号。