正则表达式

元字符

\b 代表着单词的开头或结尾，也就是单词的分界处。虽然通常英文的单词是有空格，标点符号挥着换行来分割的，但是\b并不匹配这些单词分割字符中的任何一个，它只匹配一个位置。

*** 比如查找hi，可以使用正则表达式hi。通常处理正则表达式的工具会提供一个忽略大小写的选项，如果选中了这个选项，它可以匹配hi，HI，Hi，hI这四种情况的任意一种。不过，很多单词里包含这两个连续的字符，比如him，high等，用hi查找，这里面的hi也会被找出来，如果要精确查找hi的话，应该使用\bhi\b。 ***

---

. 匹配除了换行符以外的任意字符。

* 它代表的不是字符，也不是位置，而是数量————它指定*前边的内容可以连续重复使用任意次以使整个表达式得到匹配。

所以，.*连在一起就意味着任意数量的不包含换行的字符。

*** 假如要找hi后面不远处跟着一个lucy，应该用\bhi\b.*Lucy\b。（先是一个单词hi，然后是任意个任意字符（但不能换行），最后是Lucy这个单词）。 ***

---

\d 匹配一个数字。

*** 0\d\d-\d\d\d\d\d\d\d\d 以0开头，然后是两个数字，然后是一个连字号-（-不是元字符，只匹配它本身），最后是八个数字。还可以写成简单的表达式0\d{2}-\d{8} ****

---

\s 匹配任意的空白符，包括空格，制表符，换行符，中文全角空格等。
\w 匹配字母或数字或下划线或汉字等。
*** \ba\w*\b 匹配以a开头的单词————先是某个单词开始处\b,然后是字母a，然后是任意数量的字母或数字\w*,最后是单词结束处\b。 ***

\d+ 匹配1个或更多连续的数字。这里的+是和*类似的元字符，不同的是*匹配任意次（可能是0次），而+则匹配重复1次或更多次。

*** \bw{6}\b 匹配刚好6个字符的单词 ***

^ 匹配字符串的开始

$ 匹配字符串的结束

*** ^和$通常用于验证输入的内容，比如要求输入5位到12位的数字：^\d{5,12}$ ***

*** 和忽略大小写的选项类似，有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项，^和$的意义就变成了匹配行的开始处和结束处。 ***

** 常用的元字符 **

代码	说明
.	匹配除换行符以外的任意字符
\w	匹配字母或数字或下划线或汉字
\s	匹配任意的空白符
\d	匹配数字
\b	匹配单词的开始或结束
^	匹配字符串的开始
$	匹配字符串的结束

---

字符转义

如果想查找元字符本身的话，比如查找.或者*,这时得使用\来取消这些字符的特殊意义，因此应该使用\.和\*。要查找\本身，用\\。

---

重复

** 常用的限定符 **

代码	说明
*	重复零次或更多次
+	重复一次或更多次
?	重复零次或一次
{n}	重复n次
{n,}	重复n次或更多次
{n,m}	重复n到m次

*** ^\w+ 匹配一行的第一个单词（或整个字符串的第一个单词，具体匹配哪个意思得看选项设置） ***

---

字符类

如果要匹配没有预定义元字符的字符集合只需要在方括号里列出它们就行，例如[.?!]匹配标点符号（.或?或!），像[0-9]代表的含义与\d就是完全一致的：一位数字，[a-z0-9A-Z]也完全等同于\w(如果只考虑英文的话)。

*** \(?\d{2}[)-]?\d{8}) 这个表达式可以匹配几种格式的电话号码：像(010)12345678，或022-12345678，或02212345678。首先是一个转义字符(,它能出现0次或1次(?),然后是一个0，后面跟着2个数字(\d{2})，然后是)或-或空格中的一个，它出现1次或不出现(?)，最后是8个数字(\d{8})。注意:也可能匹配010)12345678，(010-12345678这种不正确的格式，要解决这个问题，需要用分支条件。 ***

---

分支条件

分支条件指的是几种规则，如果满足其中任意一种规则都应该当成匹配，具体放噶是用|把不同的规则分隔开。

*** 0\d{2}-\d{8}|0\d{3}-\d{7} 这个表达式能匹配两种以连字号分割的电话号码，一种是三位区号，8位本地号，一种是4位区号，7位本地号。 ***

*** \d{5}-\d{4}|\d{5} 用于匹配美国的邮政编码，美国邮编的规则是5位数字，或者是用连字号间隔的9位数字。使用分支条件时，要注意各个条件的顺序。如果改为\d{5}|\d{5}-\d{4}的话，那么就只会匹配5位的邮编（以及9位邮编的前5位）。因为在匹配分支条件时，将会从左到右的测试每个条件，如果满足了某个分支条件的话，就不会再管其他的条件了。 ***

---

分组

重复单个字符直接在字符后面加上限定符就行了，如果想要重复多个字符可以用小括号来指定子表达式（也叫作分组），然后就可以指定这个子表达式的重复次数了，也可以对子表达式进行其他一些操作。

(\d{1,3}\.){3}\d{1,3} 是一个简单的IP地址匹配表达式，不过它也将匹配256.666.999.999这种不可能存在的IP地址，而且正则表达式中并不提供关于数学的任何功能，所以只能使用冗长的分组，选择，字符类来描述一个正确的IP地址:((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

---

反义

有时要查找不属于某个能简单定义的字符类的字符，这时需要用到反义：

常用的反义代码

代码	说明
\W	匹配任意不是字母，数字，下划线，汉字的字符
\S	匹配任意不是空白符的字符
\D	匹配任意非数字的字符
\B	匹配不是单词开头或结束的位置
[^x]	匹配除了x以外的任意字符
[^aoeiu]	匹配除了aoeiu这几个字母以外的任意字符

*** \S+ 匹配不包含空白符的字符串。 <a[^>]+> 匹配用尖括号括起来的以a开头的字符串。 ***

---

后向引用

使用小括号指定一个子表达式后，匹配这个子表达式的文本（也就是此分组捕获的内容）可以在表达式或其他程序中作进一步的处理。默认情况下，每个分组会自动拥有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2，以此类推。
后向引用用于重复搜索前面某个分组匹配的文本。例如：\1代表分组1匹配的文本。

*** \b(\w+)\b\s+\1\b可以用来匹配重复的单词，像go go, 或者kitty kitty。这个表达式首先是一个单词，也就是单词开始处和结束处之间的多于一个的字母或数字(\b(\w+)\b)，这个单词会被捕获到编号为1的分组中，然后是1个或几个空白符(\s+)，最后是分组1中捕获的内容（也就是前面匹配的那个单词）(\1)。 ***

*** 也可以自己指定子表达式的组名。要指定一个子表达式的组名，使用这样的语法：(?<Word>\w+)(或者把尖括号换成'也行：(?'Word'\w+)),这样就把\w+的组名指定为Word了。要反向引用这个分组捕获的内容，使用\k<Word>,所以上一个例子也可以写成这样：\b(?<Word>\w+)\b\s+\k<Word>\b。 ***

小括号还有很多特定用途的语法：

** 常用分组语法 **

分类	代码	说明
捕获	(exp)	匹配exp，并捕获文本到自动命名的组里
捕获	(?<name>)exp	匹配exp，并捕获文本到名称为name的组里，也可以写成(?'name'exp])
捕获	?:exp	匹配exp，不捕获匹配的文本，也不给此跟组分配组号
零宽断言	(?=exp)	匹配exp前面的位置
零宽断言	(?<=exp)	匹配exp后面的位置
零宽断言	(?!exp)	匹配后面跟的不是exp的位置
零宽断言	(?<!exp)	匹配前面不是exp的位置
注释	(?#comment)	这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释便于阅读

---

零宽断言

零宽断言用于查找在某些内容（但并不包括这些内容）之前或之后的东西，也就是说他们像\b,^,$那样用于指定一个位置，这个位置应该满足一定的条件（即断言）。断言用来声明一个应该为真得事实，正则表达式中只有当断言为真时才会继续进行匹配。

(?=exp) 零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式exp。

*** 比如\b\w+(?=ing\b)，匹配以ing结尾的单词的前面部分(除了ing以外的部分)，如查找I'm singing while you're dancing.时，它会匹配sing和danc。 ***

(?<=exp) 零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式exp。

*** 比如(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re以外的部分)，例如在查找reading a book时，它匹配ading。 ***

*** 要给一个很长的数字中每三位间加一个逗号(当然是从右边加起了)，可以这样查找需要在前面和里面添加逗号的部分：((?<=\d)\d{3})+\b，用它对1234567890进行查找时结果是234567890。 ***

*** (?<=\s)\d+(?=\s)匹配以空白符间隔的数字(再次强调，不包括这些空白符)。 ***

---

负向零宽断言

*** \b\w*q[^u]\w*\b匹配包含后面不是字母u的字母q的单词。但是如果q出现在单词的结尾的话，像Iraq,Benq，这个表达式就会出错。这是因为[^{u]总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的[}u]将会匹配q后面的单词分隔符(可能是空格，或者是句号或其它的什么)，后面的\w*\b将会匹配下一个单词，于是\b\w*q[^u]\w*\b就能匹配整个Iraq fighting。负向零宽断言能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。可以这样来解决这个问题：\b\w*q(?!u)\w*\b。 ***

(?!exp) 零宽度负预测先行断言，断言此位置的后面不能匹配表达式exp。

*** \d{3}(?!\d)匹配三位数字，而且这三位数字的后面不能是数字；\b((?!abc)\w)+\b匹配不包含连续字符串abc的单词。 ***

(?<!exp) 零宽度福回顾后发断言，断言此位置的前面不能匹配表达式exp。

*** (?<![a-z])\d{7} 匹配前面不是小写字母的七位数字。 ***

*** (?<=<(\w+)>).*(?=<\/\1>)匹配不包含属性的简单HTML标签内里的内容。(?<=<(\w+)>)指定了这样的前缀：被尖括号括起来的单词(比如可能是<b>)，然后是.*(任意的字符串),最后是一个后缀(?=<\/\1>)。注意后缀里的/，它用到了前面提过的字符转义；\1则是一个反向引用，引用的正是捕获的第一组，前面的(\w+)匹配的内容，这样如果前缀实际上是<b>的话，后缀就是</b>了。整个表达式匹配的是<b>和</b>之间的内容(再次提醒，不包括前缀和后缀本身)。 ***

---

贪婪与懒惰

贪婪匹配 当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。

*** a.*b它将会匹配最长的以a开始，以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。 ***

懒惰匹配 匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?。

*** .*? 意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。 ***

*** a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。 ***

*** 为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？简单地说，因为正则表达式有另一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权——The match that begins earliest wins。 ***

** 懒惰限定符 **

代码	说明
*？	重复任意次，但尽可能少重复
+？	重复1次或更多次，但尽可能少重复
？？	重复0次或1次，但可能少重复
{n,m}?	重复n到m次，但尽可能少重复
{n,}?	重复n次以上，但尽可能少重复

---

处理选项

不同的选项能用来改变处理正则表达式的方式。

** 常用的处理选项 **

名称	说明
IgnoreCase(忽略大小写)	匹配时不区分大小写
Multiline(多行模式)	更改^和$的含义，使它们分别在任意一行的行首和行尾匹配，而不仅仅在整个字符串的开头和结尾匹配。(在此模式下,$的精确含意是:匹配\n之前的位置以及字符串结束前的位置.)
Singleline(单行模式)	更改.的含义，使它与每一个字符匹配（包括换行符\n）
IgnorePatternWhitespace(忽略空白)	略空白) 忽略表达式中的非转义空白并启用由#标记的注释
ExplicitCapture(显式捕获)	仅捕获已被显式命名的组

---

常用的正则表达式

^(?=.*\d)(?=.*[a-z])(?=.*[A-Z]).{8,10}$ 校验密码强度:密码的强度必须是包含大小写字母和数字的组合，不能使用特殊字符，长度在8-10之间。

^[\u4e00-\u9fa5]{0,}$ 校验中文。

^\w+$ 由数字，26个英文字母或下划线组成的字符串

** 校验身份证号码 **

^[1-9]\d{7}((0\d)|(1[0-2]))(([0|1|2]\d)|3[0-1])\d{3}$ 15位

^[1-9]\d{5}[1-9]\d{3}((0\d)|(1[0-2]))(([0|1|2]\d)|3[0-1])\d{3}([0-9]|X)$ 18位

^(?:(?!0000)[0-9]{4}-(?:(?:0[1-9]|1[0-2])-(?:0[1-9]|1[0-9]|2[0-8])|(?:0[13-9]|1[0-2])-(?:29|30)|(?:0[13578]|1[02])-31)|(?:[0-9]{2}(?:0[48]|[2468][048]|[13579][26])|(?:0[48]|[2468][048]|[13579][26])00)-02-29)$ 校验日期 “yyyy-mm-dd“格式的日期校验，已考虑平闰年。

^[0-9]+(.[0-9]{2})?$ 金额校验，精确到2位小数。

^.*MSIE[5-8](?:\.[0-9]+)?(?!.*Trident\/[5-9]\.0).*$ 判断IE的版本。

\b(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\b IP4正则语句。

(([0-9a-fA-F]{1,4}:){7,7}[0-9a-fA-F]{1,4}|([0-9a-fA-F]{1,4}:){1,7}:|([0-9a-fA-F]{1,4}:){1,6}:[0-9a-fA-F]{1,4}|([0-9a-fA-F]{1,4}:){1,5}(:[0-9a-fA-F]{1,4}){1,2}|([0-9a-fA-F]{1,4}:){1,4}(:[0-9a-fA-F]{1,4}){1,3}|([0-9a-fA-F]{1,4}:){1,3}(:[0-9a-fA-F]{1,4}){1,4}|([0-9a-fA-F]{1,4}:){1,2}(:[0-9a-fA-F]{1,4}){1,5}|[0-9a-fA-F]{1,4}:((:[0-9a-fA-F]{1,4}){1,6})|:((:[0-9a-fA-F]{1,4}){1,7}|:)|fe80:(:[0-9a-fA-F]{0,4}){0,4}%[0-9a-zA-Z]{1,}|::(ffff(:0{1,4}){0,1}:){0,1}((25[0-5]|(2[0-4]|1{0,1}[0-9]){0,1}[0-9])\.){3,3}(25[0-5]|(2[0-4]|1{0,1}[0-9]){0,1}[0-9])|([0-9a-fA-F]{1,4}:){1,4}:((25[0-5]|(2[0-4]|1{0,1}[0-9]){0,1}[0-9])\.){3,3}(25[0-5]|(2[0-4]|1{0,1}[0-9]){0,1}[0-9])) IP6正则语句。

^(f|ht){1}(tp|tps):\/\/([\w-]+\.)+[\w-]+(\/[\w-./?%&=]*)? 筛选出一段文本中的URL。

^([a-zA-Z]\:|\\)\\([^\\]+\\)*[^\/:*?"<>|]+\.txt(l)?$ 验证windows下文件路径和扩展名（例子中为.txt文件）

^#([A-Fa-f0-9]{6}|[A-Fa-f0-9]{3})$ 抽取网页中的颜色代码

\]*[src]*=*[\"\']{0,1}([^\"\'\>]*) 提取网页中所有图片信息

(]*)(href="https?:\/\/)((?!(?:(?:www\.)?'.implode('|(?:www\.)?',$follow_list).'))[^"]+)"((?!.*\brel=)[^>]*)(?:[^>]*)> 提取页面超链接

^\s*[a-zA-Z\-]+\s*[:]{1}\s[a-zA-Z0-9\s.#]+[;]{1} 查找CSS属性

<br> 抽取注释

<\/?\w+((\s+\w+(\s*=\s*(?:".*?"|'.*?'|[\^'">\s]+))?)+\s*|\s*)\/?> 匹配出HTML中的标签属性

引用：
http://deerchao.net/tutorials/regex/regex.htm
http://www.cocoachina.com/programmer/20160513/16243.html