Skip to content

xuzongbao/regular_expression_learning

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

2 Commits
 
 

Repository files navigation

regular_expression_learning

正则表达式学习笔记

元字符

  • 常用元字符

    • . : 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
  • 常用元字符例子

    • \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)。
    • \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)而+则匹配重复1次或更多次。
    • \b\w{6}\b : 匹配刚好6个字符的单词。
    • ^\d{5,12}$ :匹配5位到12位数字

字符转义

  • 字符转义

    • </font> : 字符转义
  • 字符转义例子

    • \ . :匹配" . "。
    • \ * :匹配" * "。
    • \ \ :匹配" \ "。

重复

  • 常用重复限定符

    • * : 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
  • 常用重复限定符例子

    • Windows\d+ : 匹配Windows后面跟1个或更多数字。
    • ^\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

  • 常用字符类例子

    • [aeiou] : 匹配任何一个英文元音字母。
    • [.?!] : 匹配标点符号(。或?或!)。
    • [0-9] : 和 \d 同一个意思。
    • [a-z0-9A-Z] : 同 \w 。
    • \ (?0\d{2}[) -]?\d{8} : 匹配几种格式的电话号码

分枝条件 (正则表达式里的分支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。)

  • 常用分枝条件例子

    • 0\d{2}-\d{8} | 0\d{3}-\d{7} : 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(如010-12345678),一种是4位区号,7位本地号(0376-1234567)。
    • (?0\d{2})?[- ]?\d{8} | 0\d{2}[- ]?\d{8} : 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。
    • \d{5}-\d{4} | \d{5} : 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。这里需要注意的是:使用分枝条件时,要注意各个条件的顺序。如果改成 \d{5} | \d{5}-\d{4} 的话,那么就只会匹配5位数的邮编(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,就不会去再管其他的条件了。

分组

  • 常用分组例子

    • (\d{1,3\ .}{3}\d{1.3}) : 匹配一个简单的IP地址匹配表达式。\d{1,3}匹配1到3位的数字,(\d{1,3}\ .){3}匹配三位数加上一个英文句号(这个整体也就是这个分组的)重复次数,最后再加上一个一到三位的数字(\d{1,3}) 。但是这个表达式也讲匹配256.300.888.999这种不可能存在的IP地址。
    • ((2[0-4]\d|25[0-5]|[01]?\d\d?)\ .){3}(2[0-4]\d|25[0-5]|[01]?\d\d?) : 这个才是正确的匹配IP地址的正则表达式。

反义

  • 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
  • 常用反义代码例子

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

反向引用

  • 常用分组语法

    • 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
    • 注释
      • (?#comment) : 这种类型的分组不对正则表达式的处理产生影响,用于提供注释让人阅读
  • 常用反义代码例子

    • \b(\w+)\b\s+\1\b : 匹配重复的单词,像go go或者kitty kitty等。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者数字(\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(也就是前面匹配的八个单词)(\1)。
    • \b(?\w+)\b\s+\k\b : 同上,只是组名定义为Word了。
    • (?=exp) : 这个也就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 are dancing时,它会匹配sing和danc。
    • (?<=exp) : 这个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,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。
    • ((?<=\d)\d{3})+\b : 匹配一串很长的数字中从右到左每三个数字加一个逗号的位置。
    • (?<=\s)\d+(?=\s) : 匹配以空白符间隔的数字(不包括这些空白符)。
    • \b\wq[^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\wq[^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\wq(?!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。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。
    • (?<=(\w+)>).(?=</\1) : 匹配不包含属性的简单HTML标签内的内容。(?<=(\w+)>)指定了这样的前缀:被尖括号括起来的单词(比如可能是),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的话,后缀就是了。整个表达式匹配的是之间的内容(再次提醒,不包括前缀和后缀本身)。
    • 注释
      • (?<= # 断言要匹配的文本的前缀
      • <(\w+)> # 查找尖括号括起来的字母或数字(即HTML/XML标签)
      • ) # 前缀结束
      • .* # 匹配任意文本
      • (?= # 断言要匹配的文本的后缀
      • </\1> # 查找尖括号括起来的内容:前面是一个"/",后面是先前捕获的标签 ) # 后缀结束
  • 贪婪与懒惰

    • 懒惰限定符

      • *? : 重复任意次,但尽可能少重复
      • +? : 重复1次或者更多次,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
    • 贪婪与懒惰例子

      • 当正则表达式中包含能够接收重复的限定符时,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,它会整个字符串aabab。这被称为贪婪匹配。
      • 有时,我们需要懒惰匹配,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成懒惰匹配模式,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。
      • a.*?b : 匹配最短的,以a开始,以b结束的字符串。如果它应用于aabab的话,它会匹配aab(第一到三个字符)和ab(第四到第五个字符)。
  • 处理选项

    • 常用的处理选项

      • 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) : 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。
  • 平衡组/递归匹配

    • 有时我们需要匹配像( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构,这时简单地使用(.+)则只会匹配到最左边的左括号和最右边的右括号之间的内容(这里我们讨论的是贪婪模式,懒惰模式也有下面的问题)。假如原来的字符串里的左括号和右括号出现的次数不相等,比如( 5 / ( 3 + 2 ) ) ),那我们的匹配结果里两者的个数也不会相等。有没有办法在这样的字符串里匹配到最长的,配对的括号之间的内容呢?
    • 为了避免(和(把你的大脑彻底搞糊涂,我们还是用尖括号代替圆括号吧。现在我们的问题变成了如何把xx <aa aa> yy这样的字符串里,最长的配对的尖括号内的内容捕获出来?
    • 这里需要用到以下的语法构造:
      • (?'group') : 把捕获的内容命名为group,并压入堆栈(Stack)
      • (?'-group') : 从堆栈上弹出最后压入堆栈的名为group的捕获内容,如果堆栈本来为空,则本分组的匹配失败
      • (?(group)yes|no) : 如果堆栈上存在以名为group的捕获内容的话,继续匹配yes部分的表达式,否则继续匹配no部分
      • (?!) : 零宽负向先行断言,由于没有后缀表达式,试图匹配总是失败
  • 尚未详细讨论的语法

    • \a : 报警字符(打印它的效果是电脑嘀一声)。
    • \b : 通常是单词分界位置,但如果在字符类里使用代表退格。
    • \t : 制表符,Tab。
    • \r : 回车。
    • \v : 竖向制表符。
    • \f : 换页符。
    • \n : 换行符。
    • \e : Escape。
    • \0nn : ASCII代码中八进制代码为nn的字符。
    • \xnn : ASCII代码中十六进制代码为nn的字符。
    • \unnnn : Unicode代码中十六进制代码为nnnn的字符。
    • \cN : ASCII控制字符。比如\cC代表Ctrl+C。
    • \A : 字符串开头(类似^,但不受处理多行选项的影响)。
    • \Z : 字符串结尾或行尾(不受处理多行选项的影响)。
    • \z : 字符串结尾(类似$,但不受处理多行选项的影响)。
    • \G : 当前搜索的开头。
    • \p{name} : Unicode中命名为name的字符类,例如\p{IsGreek}。
    • (?>exp) : 贪婪子表达式。
    • (?-exp) : 平衡组。
    • (?im-nsx:exp : 在子表达式exp中改变处理选项。
    • (?im-nsx) : 为表达式后面的部分改变处理选项。
    • (?(exp)yes|no) : 把exp当作零宽正向先行断言,如果在这个位置能匹配,使用yes作为此组的表达式;否则使用no。
    • (?(exp)yes) : 同上,只是使用空表达式作为no。
    • (?(name)yes|no) : 如果命名为name的组捕获到了内容,使用yes作为表达式;否则使用no。
    • (?(name)yes) : 同上,只是使用空表达式作为no。

About

正则表达式学习笔记

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published