正则表达式

作者: 亿万年星空 | 来源:发表于2018-11-01 22:20 被阅读8次

正则表达式，又称正规表示法、常规表示法（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。在很多文本编辑器里，正则表达式通常被用来检索、替换那些符合某个模式的文本。

基础语法

------------------------------------------------------------------------------
字符         | 说明
------------------------------------------------------------------------------
\            | 将下一字符标记为特殊字符、文本、反向引用或八进制转义符
------------------------------------------------------------------------------
^            | 匹配输入字符串开始的位置
------------------------------------------------------------------------------
$            | 匹配输入字符串结束的位置
------------------------------------------------------------------------------
*            | 零次或多次匹配前面的字符或子表达式
------------------------------------------------------------------------------
+            | 一次或多次匹配前面的字符或子表达式
------------------------------------------------------------------------------
?            | 零次或一次匹配前面的字符或子表达式
------------------------------------------------------------------------------
{n}          | n 是非负整数。正好匹配 n 次
------------------------------------------------------------------------------
{n,}         | 至少匹配 n 次
------------------------------------------------------------------------------
{n,m}        | 匹配至少 n 次，至多 m 次
------------------------------------------------------------------------------
?            | 当此字符紧随任何其他限定符（*、+、?、{n}、{n,}、{n,m}）
              之后时，匹配模式是"非贪心的"。"非贪心的"模式匹配搜索到的、
              尽可能短的字符串，而默认的"贪心的"模式匹配搜索到的、尽可能长的字符串
------------------------------------------------------------------------------
.            | 匹配除"\r\n"之外的任何单个字符
------------------------------------------------------------------------------
(pattern)    | 匹配 pattern 并捕获该匹配的子表达式
------------------------------------------------------------------------------
(?:pattern)  | 匹配 pattern 但不捕获该匹配的子表达式，即它是一个非捕获匹配，
              不存储供以后使用的匹配
------------------------------------------------------------------------------
(?=pattern)  | 执行正向预测先行搜索的子表达式，该表达式匹配处于匹配 
              pattern 的字符串的起始点的字符串。它是一个非捕获匹配，即不能捕获供以后使用的匹配
------------------------------------------------------------------------------
(?!pattern)  | 执行反向预测先行搜索的子表达式，该表达式匹配不处于匹配 
              pattern 的字符串的起始点的搜索字符串。它是一个非捕获匹配，即不能捕获供以后使用的匹配
------------------------------------------------------------------------------
x|y          | 匹配 x 或 y
------------------------------------------------------------------------------
[xyz]        | 字符集。匹配包含的任一字符
------------------------------------------------------------------------------
[^xyz]       | 反向字符集。匹配未包含的任何字符
------------------------------------------------------------------------------
[a-z]        | 字符范围。匹配指定范围内的任何字符
------------------------------------------------------------------------------
[^a-z]       | 反向范围字符。匹配不在指定的范围内的任何字符
------------------------------------------------------------------------------
\b           | 匹配一个字边界，即字与空格间的位置。
------------------------------------------------------------------------------
\B           | 非字边界匹配。
------------------------------------------------------------------------------
\cx          | 匹配 x 指示的控制字符。例如，\cM 匹配 Control-M 或回车符。
              x 的值必须在 A-Z 或 a-z 之间
------------------------------------------------------------------------------
\d           | 数字字符匹配。等效于 [0-9]。
------------------------------------------------------------------------------
\D           | 非数字字符匹配。等效于 [^0-9]。
------------------------------------------------------------------------------
\f           | 换页符匹配。等效于 \x0c 和 \cL。
------------------------------------------------------------------------------
\n           | 换行符匹配。等效于 \x0a 和 \cJ。
------------------------------------------------------------------------------
\r           | 匹配一个回车符。等效于 \x0d 和 \cM。
------------------------------------------------------------------------------
\s           | 匹配任何空白字符，包括空格、制表符、换页符等。
------------------------------------------------------------------------------
\S           | 匹配任何非空白字符。与 [^ \f\n\r\t\v] 等效。
------------------------------------------------------------------------------
\t           | 制表符匹配。与 \x09 和 \cI 等效。
------------------------------------------------------------------------------
\v           | 垂直制表符匹配。与 \x0b 和 \cK 等效。
------------------------------------------------------------------------------
\w           | 匹配任何字类字符，包括下划线。与"[A-Za-z0-9_]"等效
------------------------------------------------------------------------------
\W           | 与任何非单词字符匹配。与"[^A-Za-z0-9_]"等效。
------------------------------------------------------------------------------
\xn          | 匹配 n，此处的 n 是一个十六进制转义码。
              十六进制转义码必须正好是两位数长
------------------------------------------------------------------------------
\num         | 匹配 num，此处的 num 是一个正整数。到捕获匹配的反向引用
------------------------------------------------------------------------------
\n           | 标识一个八进制转义码或反向引用。如果 \n 前面至少有 n 个
              捕获子表达式，那么 n 是反向引用。否则，如果 n 是八进制数 (0-7)，那么 n 是八进制转义码。
------------------------------------------------------------------------------
\nm          | 标识一个八进制转义码或反向引用。
------------------------------------------------------------------------------
\nml         | 当 n 是八进制数 (0-3)，m 和 l 是八进制数 (0-7) 时，
              匹配八进制转义码 nml。
------------------------------------------------------------------------------
\un          | 匹配 n，其中 n 是以四位十六进制数表示的 Unicode 字符。
              例如，\u00A9 匹配版权符号 (©)。
------------------------------------------------------------------------------

常用正则表达式

用户名：/^[a-z0-9_-]{3,16}$/
密码：/^[a-z0-9_-]{6,18}$/
十六进制值：/^#?([a-f0-9]{6}|[a-f0-9]{3})$/
电子邮箱：/^([a-z0-9_\.-]+)@([\da-z\.-]+)\.([a-z\.]{2,6})$/
URL：/^(https?:\/\/)?([\da-z\.-]+)\.([a-z\.]{2,6})([\/\w \.-]*)*\/?$/
IP 地址：/^(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)$/
HTML 标签：/^<([a-z]+)([^<]+)*(?:>(.*)<\/\1>|\s+\/>)$/
Unicode编码中的汉字范围：/^[u4e00-u9fa5],{0,}$/
匹配中文字符的正则表达式： [\u4e00-\u9fa5]
评注：匹配中文还真是个头疼的事，有了这个表达式就好办了
匹配双字节字符(包括汉字在内)：[^\x00-\xff]
评注：可以用来计算字符串的长度（一个双字节字符长度计2，ASCII字符计1）
匹配空白行的正则表达式：\n\s*\r
评注：可以用来删除空白行
匹配HTML标记的正则表达式：<(\S*?)[^>]*>.*?</\1>|<.*? />
评注：网上流传的版本太糟糕，上面这个也仅仅能匹配部分，对于复杂的嵌套标记依旧无能为力
匹配首尾空白字符的正则表达式：^\s*|\s*$
评注：可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式
匹配Email地址的正则表达式：\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
评注：表单验证时很实用
匹配网址URL的正则表达式：[a-zA-z]+://[^\s]*
评注：网上流传的版本功能很有限，上面这个基本可以满足需求
匹配帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
评注：表单验证时很实用
匹配国内电话号码：\d{3}-\d{8}|\d{4}-\d{7}
评注：匹配形式如 0511-4405222 或 021-87888822
匹配腾讯QQ号：[1-9][0-9]{4,}
评注：腾讯QQ号从10000开始
匹配中国大陆邮政编码：[1-9]\d{5}(?!\d)
评注：中国大陆邮政编码为6位数字
匹配身份证：\d{15}|\d{18}
评注：中国大陆的身份证为15位或18位
匹配ip地址：\d+\.\d+\.\d+\.\d+
评注：提取ip地址时有用
匹配特定数字：
^[1-9]\d*$　 　 //匹配正整数
^-[1-9]\d*$ 　 //匹配负整数
^-?[1-9]\d*$　　 //匹配整数
^[1-9]\d*|0$　 //匹配非负整数（正整数 + 0）
^-[1-9]\d*|0$　　 //匹配非正整数（负整数 + 0）
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$　　 //匹配正浮点数
^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$　 //匹配负浮点数
^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$　 //匹配浮点数
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$　　 //匹配非负浮点数（正浮点数 + 0）
^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$　　//匹配非正浮点数（负浮点数 + 0）
评注：处理大量数据时有用，具体应用时注意修正
匹配特定字符串：
^[A-Za-z]+$　　//匹配由26个英文字母组成的字符串
^[A-Z]+$　　//匹配由26个英文字母的大写组成的字符串
^[a-z]+$　　//匹配由26个英文字母的小写组成的字符串
^[A-Za-z0-9]+$　　//匹配由数字和26个英文字母组成的字符串
^\w+$　　//匹配由数字、26个英文字母或者下划线组成的字符串

分组捕获 "()"

分组

用小括号来指定子表达式(也叫做分组)，然后你就可以指定这个子表达式的重复次数了，你也可以对子表达式进行其它一些操作。
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。
示例：
(\d{1,3}.){3}\d{1,3} 是一个简单的IP地址匹配表达式。要理解这个表达式，请按下列顺序分析它：\d{1,3}匹配1到3位的数字，(\d{1,3}.){3}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复3次，最后再加上一个一到三位的数字(\d{1,3})

反向引用

后向引用用于重复搜索前面某个分组匹配的文本,示例:
\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)

自定义组名

你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，请使用这样的语法：(?<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，你可以使用\k<Word>,所以上一个例子也可以写成这样：\b(?<Word>\w+)\b\s+\k<Word>\b。

常用的分组语法

分类        代码/语法              说明
-------------------------------------------------------------------------------
捕获        (exp)                  匹配exp,并捕获文本到自动命名的组里
-------------------------------------------------------------------------------
            (?<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)   
-------------------------------------------------------------------------------
            (?:exp)                匹配exp,不捕获匹配的文本，也不给此分组分配
                                   组号
-------------------------------------------------------------------------------
零宽断言    (?=exp)                匹配exp前面的位置
-------------------------------------------------------------------------------
            (?<=exp)               匹配exp后面的位置
-------------------------------------------------------------------------------
            (?!exp)                匹配后面跟的不是exp的位置
-------------------------------------------------------------------------------
            (?<!exp)               匹配前面不是exp的位置

零宽断言

(?=exp)也叫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)也叫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。

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。但是如果多做测试(或者你思维足够敏锐，直接就观察出来了)，你会发现，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。现在，我们可以这样来解决这个问题：\b\w*q(?!u)\w*\b。
零宽度负预测先行断言(?!exp)，断言此位置的后面不能匹配表达式exp。例如：\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。
同理，我们可以用
(?<!exp),零宽度负回顾后发断言来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

贪婪与懒惰

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。以这个表达式为例：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。这被称为贪婪匹配。
有时，我们更需要懒惰匹配，也就是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?。这样.?就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。现在看看懒惰版的例子吧：
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）