Regex筆記：提取C#代碼中的中文資訊，雙引號，角括弧間的資訊

1.重複的表標記

* 表示前面的字元要出現0次，1次，乃至多次，上面沒有封頂, 下面保底是0次，可以不出現。

+ 表示前面的字元要出現1次，多次，上面沒有封頂，但至少要有1次。

? 表示前面的字元要出現0次，1次，上面封頂是1次，下面保底是0次，可以不出現。

 

2.其他符號

\ 表示轉義

. 表示匹配任何單個字元，好象除了斷行符號，記不清了，得查一下文檔。

^ 表示整個字串以某字元開始，如^t，整個字串這句話很重要，它只能是位於開頭。

$ 表示整個字串以某字元結束，如f$，整個字串這句話很重要，它只能是位於結尾。

[...] 表示括弧中的任一字元
| 表示選擇符號，"gray|grey"可匹配 gray 或 grey.

() 表示操作的範圍和優先度， 如 "gr(a|e)y" 可以匹配 gray 或 grey.

{n} 匹配前面字元n次, {n,} n次或無限次, {n,m} 最少n次最多m次。

\s 任一空白字元

\S 任一非空白字元

\w 任一單詞字元

\W 任一非單詞字元

\d 任一數字

\D 任一非數字

 

3.提取中文資訊的運算式。

Regex rx = new Regex("[\u4e00-\u9fa5]+");

 

4.提取雙引號之間的資訊的運算式。

Regex rx = new Regex("\"[^\"]*\"");

註解：在[]中的^意思變了，不再是以某字元開始了，而是變為不能包含後面的字元了，這叫反義。

 

5.反義

有時需要尋找不屬於某個能簡單定義的字元類的字元。比如想尋找除了數字以外，其它任一字元都行的情況，這時需要用到反義：

表3.常用的反義代碼 

代碼/文法 說明

\W 匹配任意不是字母，數字，底線，漢字的字元

\S 匹配任意不是空白符的字元

\D 匹配任意非數位字元

\B 匹配不是單詞開頭或結束的位置

[^x] 匹配除了x以外的任一字元

[^aeiou]

匹配除了aeiou這幾個字母以外的任一字元

 

6.提取雙引號之間的資訊的運算式，第二種方法。

Regex rx = new Regex("\".*?\"");

註解: 在.*之後加一個?的作用是將Regex從貪婪模式改為懶惰模式。

 

7.貪婪與懶惰

當Regex中包含能接受重複的限定符時，通常的行為是（在使整個運算式能得到匹配的前提下）匹配儘可能多的字元。考慮這個運算式：a.*b，它將會匹配最長的以a開始，以b結束的字串。如果用它來搜尋aabab的話，它會匹配整個字串aabab。這被稱為貪婪匹配。

有時，我們更需要懶惰匹配，也就是匹配儘可能少的字元。前面給出的限定符都可以被轉化為懶惰匹配模式，只要在它後面加上一個問號?。這樣.*?就意味著匹配任意數量的重複，但是在能使整個匹配成功的前提下使用最少的重複。現在看看懶惰版的例子吧：

a.*?b匹配最短的，以a開始，以b結束的字串。如果把它應用於aabab的話，它會匹配aab（第一到第三個字元）和ab（第四到第五個字元）。

為什麼第一個匹配是aab（第一到第三個字元）而不是ab（第二到第三個字元）？簡單地說，因為Regex有另一條規則，比懶惰／貪婪規則的優先順序更高：最先開始的匹配擁有最高的優先權——The match that begins earliest wins。

 

8.另外，藍驛軌跡還有一種匹配雙引號的方法，就是把引號轉成16進位數，具體請參考：http://www.cnblogs.com/twh/articles/1629752.html

Regex rx = new Regex("\u0022.*?\u0022");

 

9.提取xml設定檔中包含中文的資訊，用於國際化代碼。

有可能在兩種地方出現包含中文的資訊，屬性和節點值，因此，可以用雙引號匹配一次檔案，提取出屬性值中包含的中文資訊；然後，再用角括弧匹配一次檔案，提取出節點值中包含的中文資訊，正則 rx = new Regex(">.*<"); 

如果僅僅是匹配中文，用Regex rx = new Regex("[\u4e00-\u9fa5]+")即可，但如果中文中間夾雜著標點符號或者英文，那用這個就不靈了，可以換個思路，用IsMatch來判斷資訊中是否包含中文來達到取捨的目的，樣本如下：

Regex rxChinaCharacter= new Regex("[\u4e00-\u9fa5]+")

Regex rx = new Regex(">.*<");
System.Text.RegularExpressions.MatchCollectionmatchs = rx.Matches(input);
if (matchs.Count != 0)
{
    foreach (Match m in matchs)
    {
           if (!rxChinaCharacter.IsMatch(m.Value))

           {

                 //符合包含中文的條件條件，可以留下來。

           }

   }

}

10.總結

^有兩種含義：

 1.表示整個字串以某字元開始，如^t，整個字串這句話很重要，它只能是位於開頭。

 2.放在[^t]裡表示不能包含t字元。

 

?也有兩種含義：

 1.表示前面的字元要出現0次，1次，上面封頂是1次，下面保底是0次，可以不出現。

 2.將正則從貪婪模式改為懶惰模式。

 

$ 表示整個字串以某字元結束，如f$，整個字串這句話很重要，它只能是位於結尾，如assssbtattttb這個串讓 a[^a]*b$ 來匹配，就只能匹配後半截attttb， 如用^ a[^a]*b, 就只能匹配前半段assssb， 如果用^ a[^a]*b$來匹配，則根本什麼都匹配不了。

 

推薦資料：

Regex30分鐘入門教程
http://manual.phpv.net/regular_expression.html
C#Regex整理備忘
http://www.cnblogs.com/kissknife/archive/2008/03/23/1118423.html
Regex怎麼匹配雙引號
http://www.cnblogs.com/twh/articles/1629752.html