正则表达式基础教程

文章目录

什么是正则表达式?在编写处理字符串的程序或网页时,经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是用于描述这些规则的工具。换句话说,正则表达式就是记录文本规则的代码。

最常见的正则表达式的用法就是nginx的配置文件中的rewrite以及网页采集中的正则匹配。掌握好正则表达式能够有效的提高工作效率。

元字符

1、常见元字符

.	        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

2、元字符使用示例

1)\ba\w*\b
匹配以字母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)。

2)\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*匹配重复任意次(可能是0次),而+则匹配重复1次或更多次。

3)\b\w{6}\b
匹配刚好6个字符的单词。

4)^\d{5,12}$
元字符^(和数字6在同一个键位上的符号)和$都匹配一个位置,这和\b有点类似。^匹配你要用来查找的字符串的开头,$匹配结尾。这两个代码在验证输入的内容时非常有用,比如一个网站如果要求你填写的QQ号必须为5位到12位数字时,可以使用该表达式。

3、编程语言中的正则表达式引擎

正则表达式引擎通常会提供一个“测试指定的字符串是否匹配一个正则表达式”的方法,如JavaScript里的RegExp.test()方法或.NET里的Regex.IsMatch()方法,又或者是NGINX中的~。这里的匹配是指是字符串里有没有符合表达式规则的部分。

字符转义

如果你想查找元字符本身的话,比如你查找.或者*,就出现了问题:你没办法指定它们,因为它们会被解释成别的意思。这时你就得使用\来取消这些字符的特殊意义。因此,你应该使用\.\*。当然,要查找\本身,你也得用\\

例如

1
2
deerchao\.net 匹配 deerchao.net
C:\\Windows 匹配 C:\Windows。

重复

1、常用的限定符

*	       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

2、限定符使用示例

1)Windows\d+
匹配Windows后面跟1个或更多数字

2)^\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

1、常见字符类

对于匹配没有预定义的字符集合,你只需要在方括号里列出它们就行了,比如

[aeiou]        匹配 任何一个英文元音字母
[.?!]          匹配 标点符号(.或?或!)
[0-9]          匹配一个数字,与\d等价
[a-z0-9A-Z_]   匹配字母或数字或下划线,与\w等价

2、字符类使用示例

1)\(?0\d{2}[) -]?\d{8}
这个表达式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)-或空格中的一个,它出现1次或不出现(?),最后是8个数字(\d{8})。

分枝条件

正则表达式里的分枝条件指的是有几种规则,如果满足其中任意一种规则都应该当成匹配,具体方法是用|把不同的规则分隔开。听不明白?没关系,看例子:

1)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隔的电话号码:一种是三位区号,8位本地号(如010-12345678),一种是4位区号,7位本地号(0376-2233445)。

2)\(?0\d{2}\)?[- ]?\d{8}|0\d{2}[- ]?\d{8}
这个表达式匹配3位区号的电话号码,其中区号可以用小括号括起来,也可以不用,区号与本地号间可以用连字号或空格间隔,也可以没有间隔。你可以试试用分枝条件把这个表达式扩展成也支持4位区号的。

3)\d{5}-\d{4}|\d{5}
这个表达式用于匹配美国的邮政编码。美国邮编的规则是5位数字,或者用连字号间隔的9位数字。使用分枝条件时,要注意各个条件的顺序。如果你把它改成\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)。原因是匹配分枝条件时,将会从左到右地测试每个条件,如果满足了某个分枝的话,就不会去再管其它的条件了。

分组

我们已经提到了怎么重复单个字符(直接在字符后面加上限定符就行了);但如果想要重复多个字符又该怎么办?你可以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(后面会有介绍)。

1)(\d{1,3}\.){3}\d{1,3}
这是一个简单的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})

不幸的是,它也将匹配256.300.888.999这种不可能存在的IP地址。如果能使用算术比较的话,或许能简单地解决这个问题,但是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

有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外,其它任意字符都行的情况,这时需要用到反义:

1、常用反义代码

\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
[^aeiou]	匹配除了aeiou这几个字母以外的任意字符

2、反义示例

1)\S+
匹配不包含空白符的字符串。

2)]+>
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)可以在表达式或其它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。这个经常在nginx的rewrite中可以见到。

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。

1、常用后向引用方式

(exp)	        匹配exp,并捕获文本到自动命名的组里
(?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

2、后向引用示例

1)\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)。

零宽断言

所谓零宽断言是说它们像\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)。

1、常用零宽断言方式

(?=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

2、零宽断言示例

1)\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。

2)(?<=\bre)\w+\b
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。

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。

1、懒惰限定符

*?	        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,但尽可能少重复
{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

2、贪婪与懒惰限定符示例

1)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)。

参考文章:
正则表达式30分钟入门教程

本文出自 TENNFY博客,转载时请注明出处及相应链接。

本文永久链接: https://www.tennfy.com/153.html

下一篇文章:

上一篇文章:

发表评论

电子邮件地址不会被公开。 必填项已用 * 标注

*

4 + 0 = ?


您可以使用这些 HTML 标签和属性: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>

返回顶部