Further Study of Rugular Expresions第1/2頁

小弟便興起了學一學re的想法，但小弟天生就比較懶一些，總希望看有沒有些快速學習的方式，於是小弟又請出google大神，藉由祂的神 力，小弟在網路上找到了jim hollenhorst先生的文章，經過了閱讀，小弟覺得真是不錯，所以就做個小心得報告，跟move-to.net的朋 友分享，希望能為各位大大帶來一丁點在學習re時的協助。jim hollenhorst大大文章之網址如下，有需要的大大可直接連結。
　　the 30 minute regex tutorial by jim hollenhorst
　　http://www.codeproject.com/useritems/regextutorial.asp
　　什麼是re?
　　想必各位大大在做檔案尋找的時侯都有使用過萬用字元”*”，比如說想尋找在windows目錄下所有的word檔案時，你可能就會用”*.doc”這樣的方式來做尋找，因為”*”所代表的是任意的字元。re所做的就是類似這樣的功能，但其功能更為強大。
　　寫程式時，常需要比對字串是否符合特定樣式，re最主要的功能就是來描述這特定的樣式，因此可以將re視為特定樣式的描述式，舉個例子來說，”\ w +”所代表的就是任何字母與數字所組成的非Null 字元串(non-null string)。在.net framework中提供了非常強大的類別庫， 藉此可以很輕易的使用re來做文字的尋找與取代、對複雜標題的解碼及驗證文字等工作。
　　學習re最好的方式就是藉由例子親自來做做看。jim hollenhorst大大也提供了一個工具程式expresso(來杯咖啡吧)，來協助我們學習re，下載的網址是http://www.codeproject.com/useritems/regextutorial/expressosetup2_1c.zip。
　　接下來，就讓我們來體驗一些例子吧。
　　一些簡單的例子
　　假設要尋找文章中elvis後接有alive的文字串的話，使用re可能會經過下列的過程，括弧是所下re的意思：
　　1. elvis (尋找elvis)
　　上述代表所要尋找的字元順序為elvis。在.net中可以設定乎略字元的大小寫，所以”elvis”、”elvis”或者是”elvis”都是符合 1 所下的re。但因為這隻管字元出現的順序為elvis，所以pelvis也是符合1所下的re。可以用2的re來改進。
　　2. \belvis\b (將elvis視為一整體的字尋找，如elvis、elvis乎略字元大小寫時)
“\b”在re中有特別的意思，在上述的例子中所指的就是字的邊界，所以\belvis\b用\b把elvis的前後邊界界定出來，也就是要elvis這個字。
　　假設要將同一行裡elvis後接有alive的文字串找出來，此時就會用到另外二個特別意義的字元”.”及”*”。”.”所代表就是除了換行字元的 任一字元，而”*”所代表的是重複*之前項目直到找到符合re的字串。所以”.*”所指的就是除了換行字元外的任意數目的字元數。所以尋找同一行裡 elvis後接有alive的文字串找出來，則可下如3之re。
　　3. \belvis\b.*\balive\b (尋找elvis後面接有alive的文字串，如elvis is alive)
　　用簡單之特別字元就可以組成功能強大的re，但也發現當使用越來越多的特別字元時，re就會越來越難看得懂了。
再看看另外的例子
　　組成有效電話號碼
　　假使要從網頁上收集顧客格式為xxx-xxxx的7位元字的電話號碼，其中x是數字，re可能會這樣寫。
　　4. \b\d\d\d-\d\d\d\d (尋找七位元字之電話號碼，如123-1234)
　　每一個\d代表一個數字。”-”則是一般的連字號號，為避免太多重複的\d，re可以改寫成如5的方式。
　　5. \b\d{3}-\d{4} (尋找七位元字電話號碼較好的方法，如123-1234)
　　在\d後的{3}，代表重複前一個項目三次，也就是相等於\d\d\d。
　　re的學習及測試載入器 expresso
　　因為re不易閱讀及使用者容易會下錯re的特性，jim大大開發了一個工具軟體expresso，用來協助使用者學習及測試re，除了上面所述的網址之外，也可以上ultrapico網站(http://www.ultrapico.com)。安裝完expresso後，在expression library中，jim大大把文章的例子都建立在其中，可以邊看文章邊測試，也可以試著修改範例所下的re，馬上可以看到結果，小弟覺得非常好用。各位大大可以試試。
　　.net中re的基礎概念
　　特殊字元
　　有些字元有特別的意義，比如之前所看到的”\b”、”.”、”*”、”\d”等。”\s”所代表的是任意空格符，比如說spaces、tabs、newlines等.。”\w”代表是任意字母或數字字元。
　　再看一些例子吧
　　6. \ba\w*\b (尋找a開頭的字，如able)
　　這re描述要尋找一個字的開始邊界(\b)，再來是字母”a”，再加任意數目的字母數字(\w*)，再接結束這個字的結束邊界(\b)。
　　7. \d+ (尋找數字字串)
　　“+”和”*”非常相似，除了+至少要重複前面的項目一次。也就是說至少有一個數字。
　　8. \b\w{6}\b (尋找六個字母數位字，如ab123c)
　　下表為re常用的特殊字元
　　. 除了換行字元的任一字元
　　\w 任意字母數字字元
　　\s 任意空格符
　　\d 任一數字字元
　　\b 界定字的邊界
　　^ 文章的開頭，如”^the'' 用以表示出現於文章開頭的字串為”the”
　　$ 文章的結尾，如”end$”用以表示出現在文章的結尾為”end”
　　特殊字元”^”及”$”是用來尋找某些字必需是文章的開頭或結尾，這在驗證輸入是否符合某一樣式時特別用有，比如說要驗證七位元字的電話號碼，可能會輸入如下9的re。
　　9. ^\d{3}-\d{4}$ (驗證七位元字之電話號碼)
　　這和第5個re相同，但其前後都無其它的字元，也就是整串字串只有這七個數位電話號碼。在.net中如果設定multiline這個選項，則”^”和”$”會每行進行比較，只要某行的開頭結尾符合re即可，而不是整個文章字串做一次比較。
　　轉意字元(escaped characters)
　　有時可能會需要”^”、”$”單純的字面意義(literal meaning)而不要將它們當成特殊字元，此時”\”字元就是用來移除特殊字元特別意義的字元，因此”\^”、”\.”、”\\”所代表的就是”^”、”.”、”\”的字面意義。
　　重複前述項目
　　在前面看過”{3}”及”*”可以用來重複前述字元，之後我們會看到如何用同樣的文法重複整個次描述(subexpressions)。下表是使用重複前述項目的一些方式。
　　* 重複任意次數
　　+ 重複至少一次
　　? 重複零次或一次
　　{n} 重複n次
　　{n,m} 重複至少n次，但不超過m次
　　{n,} 重複至少n次
　　再來試一些例子吧
　　10. \b\w{5,6}\b (尋找五個或六個字母數字字元的字，如as25d、d58sdf等)
　　11. \b\d{3}\s\d{3}-\d{4} (尋找十個數位電話號碼，如800 123-1234)
　　12. \d{3}-\d{2}-\d{4} (尋找社會保險號碼，如 123-45-6789)
　　13. ^\w* (每行或整篇文章的第一個字)
　　在espresso可試試有multiline和沒multiline的不同。
　　匹配某範圍的字元
　　有時需要尋找某些特定的字元時怎麼辨?這時中括弧”[]”就派上了用場。因此[aeiou]所要尋找的是”a”、”e”、”i”、”o”、”u”這些 母音，[.?!]所要尋找的是”.”、”?”、”!”這些符號，在中括弧中的特殊字元的特別意義都會被移除，也就是解譯成單純的字面意義。也可以指定某些 範圍的字元，如”[a-z0-9]”，所指的就是任意小寫字母或任一數字。
　　接下來再看一個比較初複雜尋找電話號碼的re例子
　　14. \(?\d{3}[( ] \s?\d{3}[- ]\d{4} (尋找十位元字之電話號碼，如(080) 333-1234 )
　　這樣的re可尋找出較多種格式的電話號碼，如(080) 123-4567、511 254 6654等。”\(?”代表一個或零個左小括弧”(“， 而”[( ]”代表尋找一個右小括弧”)”或空格符，”\s?”指一個或零個空格符組。但這樣的re會將類似”800) 45-3321”這樣的電話找出 來，也就是括弧沒有對稱平衡的問題，之後會學到擇一(alternatives)來決解這樣的問題。
　　不包含在某特定字元組裡(negation)
　　有時需要尋找在包含在某特定字元組裡的字元，下表說明如何做類似這樣的描述。
　　\w 不是字母數位任一字元
　　\s 不是空格符的任一字元
　　\d 不是數字字元的任一字元
　　\b 不在字邊界的位置
　　[^x] 不是x的任一字元
　　[^aeiou] 不是a、e、i、o、u的任一字元
　　15. \s+ (不包含空格符的字串)
　　擇一(alternatives)
　　有時會需要尋找幾個特定的選擇，此時””這個特殊字元就派上用場了，舉例來說，要尋找五個數字及九個數字(有”-”號)的郵遞區號。
　　16. \b\d{5}-\d{4}\b\b\d{5}\b (尋找五個數字及九個數字(有”-”號)的郵遞區號)
　　在使用alternatives時需要注意的是前後的次序，因為re在alternatives中會優先選擇符合最左邊的項目，16中，如果把尋找五個數位項目放在前面，則這re只會找到五個數位郵遞區號。瞭解了擇一，可將14做更好的修正。