Regex(完整版本)

標籤：

Regex原文地址：http://www.jb51.net/tools/zhengze.htmlRegex30分鐘入門教程

版本：v2.33 (2013-1-10) deerchao 轉載請註明來源

目錄

跳過目錄

1. 本文目標
2. 如何使用本教程
3. Regex到底是什麼東西？
4. 入門
5. 測試Regex
6. 元字元
7. 字元轉義
8. 重複
9. 字元類
10. 分枝條件
11. 反義
12. 分組
13. 後向引用
14. 零寬斷言
15. 負向零寬斷言
16. 注釋
17. 貪婪與懶惰
18. 處理選項
19. 平衡組/遞迴匹配
20. 還有些什麼東西沒提到
21. 聯絡作者
22. 網上的資源及本文參考文獻
23. 更新紀錄

本文目標

30分鐘內讓你明白Regex是什麼，並對它有一些基本的瞭解，讓你可以在自己的程式或網頁裡使用它。

如何使用本教程

最重要的是——請給我30分鐘，如果你沒有使用Regex的經驗，請不要試圖在30秒內入門——除非你是超人 :)

別被下面那些複雜的運算式嚇倒，只要跟著我一步一步來，你會發現Regex其實並沒有想像中的那麼困難。當然，如果你看完了這篇教程之後，發現自己明白了很多，卻又幾乎什麼都記不得，那也是很正常的——我認為，沒接觸過Regex的人在看完這篇教程後，能把提到過的文法記住80%以上的可能性為零。這裡只是讓你明白基本的原理，以後你還需要多練習，多使用，才能熟練掌握Regex。

除了作為入門教程之外，本文還試圖成為可以在日常工作中使用的Regex文法參考手冊。就作者本人的經曆來說，這個目標還是完成得不錯的——你看，我自己也沒能把所有的東西記下來，不是嗎？

清除格式 文字格式設定約定：專業術語 元字元/文法格式 Regex Regex中的一部分(用於分析) 對其進行匹配的源字串 對Regex或其中一部分的說明

隱藏邊注 本文右邊有一些注釋，主要是用來提供一些相關資訊，或者給沒有程式員背景的讀者解釋一些基本概念，通常可以忽略。

Regex到底是什麼東西？

字元是電腦軟體處理文字時最基本的單位，可能是字母，數字，標點符號，空格，分行符號，漢字等等。字串是0個或更多個字元的序列。文本也就是文字，字串。說某個字串匹配某個Regex，通常是指這個字串裡有一部分（或幾部分分別）能滿足運算式給出的條件。

在編寫處理字串的程式或網頁時，經常會有尋找符合某些複雜規則的字串的需要。Regex就是用於描述這些規則的工具。換句話說，Regex就是記錄文本規則的代碼。

很可能你使用過Windows/Dos下用於檔案尋找的萬用字元(wildcard)，也就是*和?。如果你想尋找某個目錄下的所有的Word文檔的話，你會搜尋*.doc。在這裡，*會被解釋成任意的字串。和萬用字元類似，Regex也是用來進行文本匹配的工具，只不過比起萬用字元，它能更精確地描述你的需求——當然，代價就是更複雜——比如你可以編寫一個Regex，用來尋找所有以0開頭，後面跟著2-3個數字，然後是一個連字號“-”，最後是7或8位元字的字串(像010-12345678或0376-7654321)。

入門

學習Regex的最好方法是從例子開始，理解例子之後再自己對例子進行修改，實驗。下面給出了不少簡單的例子，並對它們作了詳細的說明。

假設你在一篇英文小說裡尋找hi，你可以使用Regexhi。

這幾乎是最簡單的Regex了，它可以精確匹配這樣的字串：由兩個字元組成，前一個字元是h,後一個是i。通常，處理Regex的工具會提供一個忽略大小寫選項，如果選中了這個選項，它可以匹配hi,HI,Hi,hI這四種情況中的任意一種。

不幸的是，很多單詞裡包含hi這兩個連續的字元，比如him,history,high等等。用hi來尋找的話，這裡邊的hi也會被找出來。如果要精確地尋找hi這個單詞的話，我們應該使用\bhi\b。

\b是Regex規定的一個特殊代碼（好吧，某些人叫它元字元，metacharacter），代表著單詞的開頭或結尾，也就是單詞的分界處。雖然通常英文的單詞是由空格，標點符號或者換行來分隔的，但是\b並不匹配這些單詞分隔字元中的任何一個，它只匹配一個位置。

如果需要更精確的說法，\b匹配這樣的位置：它的前一個字元和後一個字元不全是(一個是,一個不是或不存在)\w。

假如你要找的是hi後面不遠處跟著一個Lucy，你應該用\bhi\b.*\bLucy\b。

這裡，.是另一個元字元，匹配除了分行符號以外的任一字元。*同樣是元字元，不過它代表的不是字元，也不是位置，而是數量——它指定*前邊的內容可以連續重複使用任意次以使整個運算式得到匹配。因此，.*連在一起就意味著任意數量的不包含換行的字元。現在\bhi\b.*\bLucy\b的意思就很明顯了：先是一個單詞hi,然後是任意個任一字元(但不能是換行)，最後是Lucy這個單詞。

分行符號就是‘\n‘,ASCII編碼為10(十六進位0x0A)的字元。

如果同時使用其它元字元，我們就能構造出功能更強大的Regex。比如下面這個例子：

0\d\d-\d\d\d\d\d\d\d\d匹配這樣的字串：以0開頭，然後是兩個數字，然後是一個連字號“-”，最後是8個數字(也就是中國的電話號碼。當然，這個例子只能匹配區號為3位的情形)。

這裡的\d是個新的元字元，匹配一位元字(0，或1，或2，或……)。-不是元字元，只匹配它本身——連字號(或者減號，或者中橫線，或者隨你怎麼稱呼它)。

為了避免那麼多煩人的重複，我們也可以這樣寫這個運算式：0\d{2}-\d{8}。這裡\d後面的{2}({8})的意思是前面\d必須連續重複匹配2次(8次)。

測試Regex

其它可用的測試載入器:

• RegexBuddy
• JavascriptRegex線上測試載入器

如果你不覺得Regex很難讀寫的話，要麼你是一個天才，要麼，你不是地球人。Regex的文法很令人頭疼，即使對經常使用它的人來說也是如此。由於難於讀寫，容易出錯，所以找一種工具對Regex進行測試是很有必要的。

不同的環境下Regex的一些細節是不相同的，本教程介紹的是微軟 .Net Framework 4.0 下Regex的行為，所以，我向你推薦我編寫的.Net下的工具 Regex測試器。請參考該頁面的說明來安裝和運行該軟體。

下面是Regex Tester運行時的：

元字元

現在你已經知道幾個很有用的元字元了，如\b,.,*，還有\d.Regex裡還有更多的元字元，比如\s匹配任意的空白符，包括空格，定位字元(Tab)，分行符號，中文全形空格等。\w匹配字母或數字或底線或漢字等。

對中文/漢字的特殊處理是由.Net提供的Regex引擎支援的，其它環境下的具體情況請查看相關文檔。

下面來看看更多的例子：

\ba\w*\b匹配以字母a開頭的單詞——先是某個單詞開始處(\b)，然後是字母a,然後是任意數量的字母或數字(\w*)，最後是單詞結束處(\b)。

好吧，現在我們說說Regex裡的單詞是什麼意思吧：就是不少於一個的連續的\w。不錯，這與學習英文時要背的成千上萬個同名的東西的確關係不大 :)

\d+匹配1個或更多連續的數字。這裡的+是和*類似的元字元，不同的是*匹配重複任意次(可能是0次)，而+則匹配重複1次或更多次。

\b\w{6}\b 匹配剛好6個字元的單詞。

表1.常用的元字元

代碼	說明
.	匹配除分行符號以外的任一字元
\w	匹配字母或數字或底線或漢字
\s	匹配任意的空白符
\d	匹配數字
\b	匹配單詞的開始或結束
^	匹配字串的開始
$	匹配字串的結束

Regex引擎通常會提供一個“測試指定的字串是否匹配一個Regex”的方法，如JavaScript裡的RegExp.test()方法或.NET裡的Regex.IsMatch()方法。這裡的匹配是指是字串裡有沒有符合運算式規則的部分。如果不使用^和$的話，對於\d{5,12}而言，使用這樣的方法就只能保證字串裡包含5到12連續位元字，而不是整個字串就是5到12位元字。

元字元^（和數字6在同一個鍵位上的符號）和$都匹配一個位置，這和\b有點類似。^匹配你要用來尋找的字串的開頭，$匹配結尾。這兩個代碼在驗證輸入的內容時非常有用，比如一個網站如果要求你填寫的QQ號必須為5位到12位元字時，可以使用：^\d{5,12}$。

這裡的{5,12}和前面介紹過的{2}是類似的，只不過{2}匹配只能不多不少重複2次，{5,12}則是重複的次數不能少於5次，不能多於12次，否則都不匹配。

因為使用了^和$，所以輸入的整個字串都要用來和\d{5,12}來匹配，也就是說整個輸入必須是5到12個數字，因此如果輸入的QQ號能匹配這個Regex的話，那就符合要求了。

和忽略大小寫選項類似，有些Regex處理工具還有一個處理多行的選項。如果選中了這個選項，^和$的意義就變成了匹配行的開始處和結束處。

字元轉義

如果你想尋找元字元本身的話，比如你尋找.,或者*,就出現了問題：你沒辦法指定它們，因為它們會被解釋成別的意思。這時你就得使用\來取消這些字元的特殊意義。因此，你應該使用\.和\*。當然，要尋找\本身，你也得用\\.

例如：deerchao\.net匹配deerchao.net，C:\\Windows匹配C:\Windows。

重複 

你已經看過了前面的*,+,{2},{5,12}這幾個匹配重複的方式了。下面是Regex中所有的限定符(指定數量的代碼，例如*,{5,12}等)：

表2.常用的限定符

代碼/文法	說明
*	重複零次或更多次
+	重複一次或更多次
?	重複零次或一次
{n}	重複n次
{n,}	重複n次或更多次
{n,m}	重複n到m次

下面是一些使用重複的例子：

Windows\d+匹配Windows後面跟1個或更多數字

^\w+匹配一行的第一個單詞(或整個字串的第一個單詞，具體匹配哪個意思得看選項設定)

字元類

要想尋找數字，字母或數字，空白是很簡單的，因為已經有了對應這些字元集合的元字元，但是如果你想匹配沒有預定義元字元的字元集合(比如母音字母a,e,i,o,u),應該怎麼辦？

很簡單，你只需要在方括弧裡列出它們就行了，像[aeiou]就匹配任何一個英文母音字母，[.?!]匹配標點符號(.或?或!)。

我們也可以輕鬆地指定一個字元範圍，像[0-9]代表的含意與\d就是完全一致的：一位元字；同理[a-z0-9A-Z_]也完全等同於\w（如果只考慮英文的話）。

下面是一個更複雜的運算式：\(?0\d{2}[) -]?\d{8}。

“(”和“)”也是元字元，後面的分組節裡會提到，所以在這裡需要使用轉義。

這個運算式可以匹配幾種格式的電話號碼，像(010)88886666，或022-22334455，或02912345678等。我們對它進行一些分析吧：首先是一個逸出字元\(,它能出現0次或1次(?),然後是一個0，後面跟著2個數字(\d{2})，然後是)或-或空格中的一個，它出現1次或不出現(?)，最後是8個數字(\d{8})。

分枝條件

不幸的是，剛才那個運算式也能匹配010)12345678或(022-87654321這樣的“不正確”的格式。要解決這個問題，我們需要用到分枝條件。Regex裡的分枝條件指的是有幾種規則，如果滿足其中任意一種規則都應該當成匹配，具體方法是用|把不同的規則分隔開。聽不明白？沒關係，看例子：

0\d{2}-\d{8}|0\d{3}-\d{7}這個運算式能匹配兩種以連字號分隔的電話號碼：一種是三位區號，8位本地號(如010-12345678)，一種是4位區號，7位本地號(0376-2233445)。

\(?0\d{2}\)?[- ]?\d{8}|0\d{2}[- ]?\d{8}這個運算式匹配3位區號的電話號碼，其中區號可以用小括弧括起來，也可以不用，區號與本地號間可以用連字號或空格間隔，也可以沒有間隔。你可以試試用分枝條件把這個運算式擴充成也支援4位區號的。

\d{5}-\d{4}|\d{5}這個運算式用於匹配美國的郵遞區號。美國郵編的規則是5位元字，或者用連字號間隔的9位元字。之所以要給出這個例子是因為它能說明一個問題：使用分枝條件時，要注意各個條件的順序。如果你把它改成\d{5}|\d{5}-\d{4}的話，那麼就只會匹配5位的郵編(以及9位郵編的前5位)。原因是匹配分枝條件時，將會從左至右地測試每個條件，如果滿足了某個分枝的話，就不會去再管其它的條件了。

分組

我們已經提到了怎麼重複單個字元（直接在字元後面加上限定符就行了）；但如果想要重複多個字元又該怎麼辦？你可以用小括弧來指定子運算式(也叫做分組)，然後你就可以指定這個子運算式的重複次數了，你也可以對子運算式進行其它一些操作(後面會有介紹)。

(\d{1,3}\.){3}\d{1,3}是一個簡單的IP地址匹配運算式。要理解這個運算式，請按下列順序分析它：\d{1,3}匹配1到3位的數字，(\d{1,3}\.){3}匹配三位元字加上一個英文句號(這個整體也就是這個分組)重複3次，最後再加上一個一到三位的數字(\d{1,3})。

IP地址中每個數字都不能大於255. 經常有人問我, 01.02.03.04 這樣前面帶有0的數字, 是不是正確的IP地址呢? 答案是: 是的, IP 位址裡的數字可以包含有前置 0 (leading zeroes).

不幸的是，它也將匹配256.300.888.999這種不可能存在的IP地址。如果能使用算術比較的話，或許能簡單地解決這個問題，但是Regex中並不提供關於數學的任何功能，所以只能使用冗長的分組，選擇，字元類來描述一個正確的IP地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

理解這個運算式的關鍵是理解2[0-4]\d|25[0-5]|[01]?\d\d?，這裡我就不細說了，你自己應該能分析得出來它的意義。

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

例子：\S+匹配不包含空白符的字串。

]+>匹配用角括弧括起來的以a開頭的字串。

後向引用

使用小括弧指定一個子運算式後，匹配這個子運算式的文本(也就是此分組捕獲的內容)可以在運算式或其它程式中作進一步的處理。預設情況下，每個分組會自動擁有一個組號，規則是：從左向右，以分組的左括弧為標誌，第一個出現的分組的組號為1，第二個為2，以此類推。

呃……其實,組號分配還不像我剛說得那麼簡單：

• 分組0對應整個Regex
• 實際上組號分配過程是要從左向右掃描兩遍的：第一遍只給未命名組分配，第二遍只給命名組分配－－因此所有命名組的組號都大於未命名的組號
• 你可以使用(?:exp)這樣的文法來剝奪一個分組對組號分配的參與權．

後向引用用於重複搜尋前面某個分組匹配的文本。例如，\1代表分組1匹配的文本。難以理解？請看樣本：

\b(\w+)\b\s+\1\b可以用來匹配重複的單詞，像go go, 或者kitty kitty。這個運算式首先是一個單詞，也就是單詞開始處和結束處之間的多於一個的字母或數字(\b(\w+)\b)，這個單詞會被捕獲到編號為1的分組中，然後是1個或幾個空白符(\s+)，最後是分組1中捕獲的內容（也就是前面匹配的那個單詞）(\1)。

你也可以自己指定子運算式的組名。要指定一個子運算式的組名，請使用這樣的文法：(?\w+)(或者把角括弧換成‘也行：(?‘Word‘\w+)),這樣就把\w+的組名指定為Word了。要反向引用這個分組捕獲的內容，你可以使用\k,所以上一個例子也可以寫成這樣：\b(?\w+)\b\s+\k\b。

使用小括弧的時候，還有很多特定用途的文法。下面列出了最常用的一些：

表4.常用分組文法

分類	代碼/文法	說明
捕獲	(exp)	匹配exp,並捕獲文本到自動命名的組裡
	(?exp)	匹配exp,並捕獲文本到名稱為name的組裡，也可以寫成(?‘name‘exp)
	(?:exp)	匹配exp,不捕獲匹配的文本，也不給此分組分配組號
零寬斷言	(?=exp)	匹配exp前面的位置
	(?<=exp)	匹配exp後面的位置
	(?!exp)	匹配後面跟的不是exp的位置
	(?	匹配前面不是exp的位置
注釋	(?#comment)	這種類型的分組不對Regex的處理產生任何影響，用於提供注釋讓人閱讀

我們已經討論了前兩種文法。第三個(?:exp)不會改變Regex的處理方式，只是這樣的組匹配的內容不會像前兩種那樣被捕獲到某個組裡面，也不會擁有組號。“我為什麼會想要這樣做？”——好問題，你覺得為什麼呢？

零寬斷言

地球人，是不是覺得這些術語名稱太複雜，太難記了？我也有同感。知道有這麼一種東西就行了，它叫什麼，隨它去吧！人若無名，便可專心練劍；物若無名，便可隨意取捨……

接下來的四個用於尋找在某些內容(但並不包括這些內容)之前或之後的東西，也就是說它們像\b,^,$那樣用於指定一個位置，這個位置應該滿足一定的條件(即斷言)，因此它們也被稱為零寬斷言。最好還是拿例子來說明吧：

斷言用來聲明一個應該為真的事實。Regex中只有當斷言為真時才會繼續進行匹配。

(?=exp)也叫零寬度正預測先行斷言，它斷言自身出現的位置的後面能匹配運算式exp。比如\b\w+(?=ing\b)，匹配以ing結尾的單詞的前面部分(除了ing以外的部分)，如尋找I‘m singing while you‘re dancing.時，它會匹配sing和danc。

(?<=exp)也叫零寬度正回顧後發斷言，它斷言自身出現的位置的前面能匹配運算式exp。比如(?<=\bre)\w+\b會匹配以re開頭的單詞的後半部分(除了re以外的部分)，例如在尋找reading a book時，它匹配ading。

假如你想要給一個很長的數字中每三位間加一個逗號(當然是從右邊加起了)，你可以這樣尋找需要在前面和裡面添加逗號的部分：((?<=\d)\d{3})+\b，用它對1234567890進行尋找時結果是234567890。

下面這個例子同時使用了這兩種斷言：(?<=\s)\d+(?=\s)匹配以空白符間隔的數字(再次強調，不包括這些空白符)。

Regex(完整版本)