解讀C#Regex

正則 多少年來，許多的程式設計語言和工具都包含對Regex的支援，.NET基礎類庫中包含有一個名字空間和一系列可以充分發揮規則運算式威力的類，而且它們也都與未來的Perl 5中的規則運算式相容。
  
　　此外，regexp類還能夠完成一些其他的功能，例如從右至左的結合模式和運算式的編輯等。
  
　　在這篇文章中，我將簡要地介紹System.Text.RegularExpression中的類和方法、一些字串匹配和替換的例子以及組結構的詳細情況，最後，還會介紹一些你可能會用到的常見的運算式。
  
應該掌握的基礎知識

　　規則運算式的知識可能是不少編程人員“常學常忘”的知識之一。在這篇文章中，我們將假定你已經掌握了規則運算式的用法，尤其是Perl 5中運算式的用法。.NET的regexp類是Perl 5中運算式的一個超集，因此，從理論上說它將作為一個很好的起點。我們還假設你具有了C#的文法和.NET架構的基本知識。
  
　　如果你沒有規則運算式方面的知識，我建議你從Perl 5的文法著手開始學習。在規則運算式方面的權威書籍是由傑弗裡·弗雷德爾編寫的《掌握運算式》一書，對於希望深刻理解運算式的讀者，我們強烈建議閱讀這本書。
  
RegularExpression組合體

　　regexp規則類包含在System.Text.RegularExpressions.dll檔案中，在對應用軟體進行編譯時間你必須引用這個檔案，例如：

csc r:System.Text.RegularExpressions.dll foo.cs

命令將建立foo.exe檔案，它就引用了System.Text.RegularExpressions檔案。
  
名字空間簡介

　　在名字空間中僅僅包含著6個類和一個定義，它們是：
  
　　Capture: 包含一次匹配的結果；
　　CaptureCollection: Capture的序列；
　　Group: 一次組記錄的結果，由Capture繼承而來；
　　Match: 一次運算式的匹配結果，由Group繼承而來；
　　MatchCollection: Match的一個序列；
　　MatchEvaluator: 執行替換操作時使用的代理；
　　Regex: 編譯後的運算式的執行個體。

　　Regex類中還包含一些靜態方法：

　　Escape: 對字串中的regex中的轉義符進行轉義；
　　IsMatch: 如果運算式在字串中匹配，該方法返回一個布爾值；
　　Match: 返回Match的執行個體；
　　Matches: 返回一系列的Match的方法；
　　Replace: 用替換字串替換匹配的運算式；
　　Split: 返回一系列由運算式決定的字串；
　　Unescape:不對字串中的逸出字元轉義。
  
簡單匹配

　　我們首先從使用Regex、Match類的簡單運算式開始學習。
  
Match m = Regex.Match("abracadabra", "(a|b|r)+");
  
我們現在有了一個可以用於測試的Match類的執行個體，例如：if (m.Success)...
如果想使用匹配的字串，可以把它轉換成一個字串：
  
Console.WriteLine("Match="+m.ToString());
  
這個例子可以得到如下的輸出: Match=abra。這就是匹配的字串了。
  
字串的替換

　　簡單字串的替換非常直觀。例如下面的語句：
  
string s = Regex.Replace("abracadabra", "abra", "zzzz");
  
它返回字串zzzzcadzzzz，所有匹配的字串都被替換成了zzzzz。

　　現在我們來看一個比較複雜的字串替換的例子：
  
string s = Regex.Replace(" abra ", @"^\s*(.*?)\s*$", "$1");
  
這個語句返回字串abra，其前置和尾碼的空格都去掉了。
  
　　上面的模式對於刪除任一字元串中的前置和後續空格都非常有用。在C#中，我們還經常使用字母字串，在一個字母字串中，編譯器不把字元“ \” 作為逸出字元處理。在使用字元“\”指定逸出字元時，@"..."是非常有用的。另外值得一提的是$1在字串替換方面的使用，它表明替換字串只能包含被替換的字串。
  
匹配引擎的細節

　　現在，我們通過一個組結構來理解一個稍微複雜的例子。看下面的例子：
  
string text = "abracadabra1abracadabra2abracadabra3";
  
  　　string pat = @"
  
  　　　　( # 第一個組的開始
  
  　　　　 abra # 匹配字串abra
  
  　　　　 ( # 第二個組的開始
  
  　　　　 cad # 匹配字串cad
  
  　　　　 )? # 第二個組結束（可選）
  
  　　　　) # 第一個組結束
  
  　　　　+ # 匹配一次或多次
  
  　　　　";
  
  　　//利用x修飾符忽略注釋
  
  　　Regex r = new Regex(pat, "x");
  
  　　//獲得組號碼的清單
  
  　　int[] gnums = r.GetGroupNumbers();
  
  　　//最初相符
  
  　　Match m = r.Match(text);
  
  　　while (m.Success)
  
  　　 {
  
  　　//從組1開始
  
  　　 for (int i = 1; i < gnums.Length; i++)
  
  　　　　{
  
  　　　　Group g = m.Group(gnums[i]);
  
  　　//獲得這次匹配的組
  
  　　　　Console.WriteLine("Group"+gnums[i]+"=["+g.ToString()+"]");
  
  　　//計算這個組的起始位置和長度
  
  　　　　CaptureCollection cc = g.Captures;
  
  　　　　for (int j = 0; j < cc.Count; j++)
  
  　　　　 {
  
  　　　　 Capture c = cc[j];
  
  　　　　 Console.WriteLine(" Capture" + j + "=["+c.ToString()
  
  　　　　　　 + "] Index=" + c.Index + " Length=" + c.Length);
  
  　　　　 }
  
  　　　　}
  
  　　//下一個匹配
  
  　　 m = m.NextMatch();
  
  　　 }
  
 這個例子的輸出如下所示：
　　　　　
  　　Group1=[abra]
  
  　　　　　　Capture0=[abracad] Index=0 Length=7
  
  　　　　　　Capture1=[abra] Index=7 Length=4
  
  　　Group2=[cad]
  
  　　　　　　Capture0=[cad] Index=4 Length=3
  
  　　Group1=[abra]
  
  　　　　　　Capture0=[abracad] Index=12 Length=7
  
  　　　　　　Capture1=[abra] Index=19 Length=4
  
  　　Group2=[cad]
  
  　　　　　　Capture0=[cad] Index=16 Length=3
  
  　　Group1=[abra]
  
  　　　　　　Capture0=[abracad] Index=24 Length=7
  
  　　　　　　Capture1=[abra] Index=31 Length=4
  
  　　Group2=[cad]
  
  　　　　　　Capture0=[cad] Index=28 Length=3

　　我們首先從考查字串pat開始，pat中包含有運算式。第一個capture是從第一個圓括弧開始的，然後運算式將匹配到一個abra。第二個capture組從第二個圓括弧開始，但第一個capture組還沒有結束，這意味著第一個組匹配的結果是abracad ，而第二個組的匹配結果僅僅是cad。因此如果通過使用？符號而使cad成為一項可選的匹配，匹配的結果就可能是abra或abracad。然後，第一個組就會結束，通過指定+符號要求運算式進行多次匹配。
  
　　現在我們來看看匹配過程中發生的情況。首先，通過調用Regex的 constructor方法建立運算式的一個執行個體，並在其中指定各種選項。在這個例子中，由於在運算式中有注釋，因此選用了x選項，另外還使用了一些空格。開啟x選項，運算式將會忽略注釋和其中沒有轉義的空格。
  
　　然後，取得運算式中定義的組的編號的清單。你當然可以顯性地使用這些編號，在這裡使用的是編程的方法。如果使用了命名的組，作為一種建立快速索引的途徑這種方法也十分有效。
  
　　接下來是完成第一次匹配。通過一個迴圈測試當前的匹配是否成功，接下來是從group 1開始重複對組清單執行這一操作。在這個例子中沒有使用group 0的原因是group 0是一個完全符合的字串，如果要通過收集全部匹配的字串作為一個單一的字串，就會用到group 0了。
  
　　我們跟蹤每個group中的CaptureCollection。通常情況下每次匹配、每個group中只能有一個capture，但本例中的Group1則有兩個 capture：Capture0和Capture1。如果你僅需要Group1的ToString，就會只得到abra，當然它也會與abracad匹配。組中ToString的值就是其CaptureCollection中最後一個Capture的值，這正是我們所需要的。如果你希望整個過程在匹配 abra後結束，就應該從運算式中刪除+符號，讓regex引擎知道我們只需要對錶達式進行匹配。
  
基於過程和基於運算式方法的比較

　　一般情況下，使用規則運算式的使用者可以分為以下二大類：第一類使用者盡量不使用規則運算式，而是使用過程來執行一些需要重複的操作；第二類使用者則充分利用規則運算式處理引擎的功能和威力，而儘可能少地使用過程。
  
　　對於我們大多數使用者而言，最好的方案莫過於二者兼而用之了。我希望這篇文章能夠說明.NET語言中regexp類的作用以及它在效能和複雜性之間的優、劣點。
  
基於過程的模式

　　我們在編程中經常需要用到的一個功能是對字串中的一部分進行匹配或其他一些對字串處理，下面是一個對字串中的單詞進行匹配的例子：

string text = "the quick red fox jumped over the lazy brown dog.";
  
  　　System.Console.WriteLine("text=[" + text + "]");
  
  　　string result = "";
  
  　　string pattern = @"\w+|\W+";
  
  　　foreach (Match m in Regex.Matches(text, pattern))
  
  　　 {
  
  　　// 取得匹配的字串
  
  　　 string x = m.ToString();
  
  　　// 如果第一個字元是小寫
  
  　　 if (char.IsLower(x[0]))
  
  　　// 變成大寫
  
  　　　　x = char.ToUpper(x[0]) + x.Substring(1, x.Length-1);
  
  　　// 收集所有的字元
  
  　　 result += x;
  
  　　 }
  
  　　System.Console.WriteLine("result=[" + result + "]");
  
 　　正象上面的例子所示，我們使用了C#語言中的foreach語句處理每個匹配的字元，並完成相應的處理，在這個例子中，新建立了一個result字串。這個例子的輸出所下所示：
  
　　text=[the quick red fox jumped over the lazy brown dog.]
  
　　result=[The Quick Red Fox Jumped Over The Lazy Brown Dog.]
  
基於運算式的模式

　　完成上例中的功能的另一條途徑是通過一個MatchEvaluator，新的代碼如下所示：
  
static string CapText(Match m)
  
  　　　　{
  
  　　//取得匹配的字串
  
  　　　　string x = m.ToString();
  
  　　// 如果第一個字元是小寫
  
  　　　　if (char.IsLower(x[0]))
  
  　　// 轉換為大寫
  
  　　　　 return char.ToUpper(x[0]) + x.Substring(1, x.Length-1);
  
  　　　　return x;
  
  　　　　}
  
  　　　　
  
  　　 static void Main()
  
  　　　　{
  
  　　　　string text = "the quick red fox jumped over the
  
  　　　　 lazy brown dog.";
  
  　　　　System.Console.WriteLine("text=[" + text + "]");
  
  　　　　string pattern = @"\w+";
  
  　　　　string result = Regex.Replace(text, pattern,
  
  　　 new MatchEvaluator(Test.CapText));
  
  　　　　System.Console.WriteLine("result=[" + result + "]");
  
  　　　　}
  
　　同時需要注意的是，由於僅僅需要對單詞進行修改而無需對非單詞進行修改，這個模式顯得非常簡單。

常用運算式

　　為了能夠更好地理解如何在C#環境中使用規則運算式，我寫出一些對你來說可能有用的規則運算式，這些運算式在其他的環境中都被使用過，希望能夠對你有所協助。
  
羅馬數字

string p1 = "^m*(d?c{0,3}|c[dm])" + "(l?x{0,3}|x[lc])(v?i{0,3}|i[vx])$";
  
  　　string t1 = "vii";
  
  　　Match m1 = Regex.Match(t1, p1);
  
交換前二個單詞

string t2 = "the quick brown fox";
  
  　　string p2 = @"(\S+)(\s+)(\S+)";
  
  　　Regex x2 = new Regex(p2);
  
  　　string r2 = x2.Replace(t2, "$3$2$1", 1);
  
關健字=值

string t3 = "myval = 3";
  
  　　string p3 = @"(\w+)\s*=\s*(.*)\s*$";
  
  　　Match m3 = Regex.Match(t3, p3);
  
實現每行80個字元

string t4 = "********************"
  
  　　 + "******************************"
  
  　　 + "******************************";
  
  　　string p4 = ".{80,}";
  
  　　Match m4 = Regex.Match(t4, p4);
  
月/日/年 小時:分:秒的時間格式

string t5 = "01/01/01 16:10:01";
  
  　　string p5 = @"(\d+)/(\d+)/(\d+) (\d+):(\d+):(\d+)";
  
  　　Match m5 = Regex.Match(t5, p5);
  
改變目錄（僅適用於Windows平台）

string t6 = @"C:\Documents and Settings\user1\Desktop\";
  
  string r6 = Regex.Replace(t6,@"\\user1\\", @"\\user2\\");
  
擴充16位轉義符

string t7 = "%41"; // capital A
  
  　　string p7 = "%([0-9A-Fa-f][0-9A-Fa-f])";
  
  　　string r7 = Regex.Replace(t7, p7, HexConvert);
  
刪除C語言中的注釋（有待完善）

string t8 = @"
  
  　　/*
  
  　　 * 傳統風格的注釋
  
  　　 */
  
  　　";
  
  　　string p8 = @"
  
  　　 /\* # 匹配注釋開始的定界符
  
  　　 .*? # 匹配注釋
  
  　　 \*/ # 匹配注釋結束定界符
  
  　　";
  
  　　string r8 = Regex.Replace(t8, p8, "", "xs");
  
刪除字串中開始和結束處的空格

string t9a = " leading";
  
  　　string p9a = @"^\s+";
  
  　　string r9a = Regex.Replace(t9a, p9a, "");
  
  　　string t9b = "trailing ";
  
  　　string p9b = @"\s+$";
  
  　　string r9b = Regex.Replace(t9b, p9b, "");
  
在字元\後添加字元n，使之成為真正的新行

string t10 = @"\ntest\n";
  
  　　string r10 = Regex.Replace(t10, @"\\n", "\n");
  
轉換IP地址

string t11 = "55.54.53.52";
  
  　　string p11 = "^" +
  
  　　 @"([01]?\d\d|2[0-4]\d|25[0-5])\." +
  
  　　 @"([01]?\d\d|2[0-4]\d|25[0-5])\." +
  
  　　 @"([01]?\d\d|2[0-4]\d|25[0-5])\." +
  
  　　 @"([01]?\d\d|2[0-4]\d|25[0-5])" +
  
  　　 "$";
  
  　　Match m11 = Regex.Match(t11, p11);
  
刪除檔案名稱包含的路徑

string t12 = @"c:\file.txt";
  
  　　string p12 = @"^.*\\";
  
  　　string r12 = Regex.Replace(t12, p12, "");
  
聯結多行字串中的行

string t13 = @"this is
  
  　　a split line";
  
  　　string p13 = @"\s*\r?\n\s*";
  
  　　string r13 = Regex.Replace(t13, p13, " ");
  
提取字串中的所有數字

string t14 = @"
  
  　　test 1
  
  　　test 2.3
  
  　　test 47
  
  　　";
  
  　　string p14 = @"(\d+\.?\d*|\.\d+)";
  
  　　MatchCollection mc14 = Regex.Matches(t14, p14);
  
找出所有的大寫字母

string t15 = "This IS a Test OF ALL Caps";
  
  　　string p15 = @"(\b[^\Wa-z0-9_]+\b)";
  
  　　MatchCollection mc15 = Regex.Matches(t15, p15);
  
找出小寫單詞

string t16 = "This is A Test of lowercase";
  
  　　string p16 = @"(\b[^\WA-Z0-9_]+\b)";
  
  　　MatchCollection mc16 = Regex.Matches(t16, p16);
  
找出第一個字母為大寫的單詞

string t17 = "This is A Test of Initial Caps";
  
  　　string p17 = @"(\b[^\Wa-z0-9_][^\WA-Z0-9_]*\b)";
  
  　　MatchCollection mc17 = Regex.Matches(t17, p17);
  
找出簡單的HTML語言中的連結

string t18 = @"
  
  　　<html>
  
  　　<a href=""first.htm"">first tag text</a>
  
  　　<a href=""next.htm"">next tag text</a>
  
  　　</html>
  
  　　";
  
  　　string p18 = @"<A[^>]*?HREF\s*=\s*[""']?" + @"([^'"" >]+?)[ '""]?>";
  
  　　MatchCollection mc18 = Regex.Matches(t18, p18, "si");