正则表达式入门

这里所说的正则表达式在实际使用中 ，shell 亦或是 python，都会有使用上的差异，但思路不变。 如果需要查看语言或者环境对应的语法，推荐下面的站点：菜鸟-正则表达式，不一定全，也收录了不少。 在使用中可以使用下面的站点测试正则表达式 正则表达式在线测试, 在站点下方有很多示例供参考。

什么是正则表达式

在编写处理字符串的程序或者网页时，经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是描述这些规则的工具（记录文本规则的代码）。

通配符（wildcard），也就是*和?。

* 代表零个、单个或者多个字符。

? 代表单个字符。

常用的元符号

例：

• \ba\w*\b 匹配以字母 a 开头的单词
• \d+ 匹配一个或多个连续的数字。（ + 类似 _ ，但是 _ 匹配的是重复任意次，而 + 则匹配 1 次以上）。
• \b\w{6}\b 匹配刚好 6 个字符的单词
• ^\d{5,12}$ 可以用来匹配 QQ 号的 5 至 12 位数字

字符转义

匹配 符号 “.”, “*” 等，需要转义使用 \ 。

例：

• deerchao\.net 匹配 deerchao.net
• C:\\Windows 匹配 C:\Windows 。

重复

限定符（指定数量的代码，例如*，{5,12}等）: 常用的限定符：

例：

• Windows\d+ 匹配 Windows 后面的 1 个或者更多数字
• ^\w+ 匹配一行的第一个单词

字符类

匹配没有预定义元字符的字符集合（比如元音字母 a, e, i, o, u ）,将它们放入 [ ] 中即可。

例：

• [aeiou] 匹配任何一个元音字母

• [.?!] 匹配标点符号…… 也可以指定一个字符范围，

• [0-9] 代表的含义与 \d 完全一致的 一位数字；

• [a-z0-9A-Z] 等同于 \w

• 更复杂的一个表达式 \(?0\d{2}[) -]?\d{8}

  这个表达式可以匹配++几种格式的电话号码++，像(010)88886666，或 022-22334455，或 02912345678 等。我们对它进行一些分析吧：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})。

• 括号 "("和")" 也是元字符，后面的分组节里会提到，所以在这里需要使用转义。

分支条件

上一个表达式也可以匹配 010)123456789 或者 (022-87654321 这样“不正确”的格式。

所以可以设置分支条件。如果满足任何一种规则就匹配，使用 | 把不同的规则分隔开。

例：

• 0\d{2}-\d{8}|d{3}-\d{7} 匹配连两种格式电话号码： 三位区号 8 位本地号 (022-12345678) ； 或者四位区号 7 位本地号 (0223-1234567)。

• \(0\d{2}\)[- ]?\d{8}|0\d[2][- ]?\d{8} 匹配 3 位区号的电话号码，区号可以不用括号，区号与本地号连接 - 空格或者不用间隔。

• \d{5}-\d{4}|d{5} 匹配美国的邮政编码（美国的邮政编码规则是，5 位数字，或者用连字号间隔的 9 个数字 12345 or 12345-6789）。

  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

实现重复多个字符，可以使用小括号来指定子表达式（也叫做分组）

例：

• (\d{1,3}\.){3}\d{1,3} 简单的 IP 地址匹配表达式， 将 (\d{1,3}\.)重复 3 次 最后加上(\d{1,3}\.)。

但上式会匹配到 256.300.888.999 所以需要用字符类来精准描述。

1

((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]|\d25[0-5]|[01]?\d\d?)

理解表达式主要是理解 2[0-4]\d|25[0-5]|[01]?\d\d? ， 它们分别匹配 200~240，250~255，0~199.

反义

常用的反义代码：

例：

• \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

用于重复搜索前面某个分组匹配的文本。 使用小括号 “ (……) ”指定的一个表达式，需要匹配这个表达式的文本进一步处理，则会给每个表达式分配一个组号，从左向右，第一个出现的为 1 ,第二个为 2 …. 例如：\1 就代表 +分组 1 匹配的文本。

组号分配不至说的那么简单：

• 分组 0 对应整个正则表达式

• 实际上组号分配过程是要从左向右扫描两遍的：第一遍只给未命名组分配，第二遍只给命名组分配－－因此所有命名组的组号都大于未命名的组号

• 你可以使用(?:exp)这样的语法来剥夺一个分组对组号分配的参与权． \b(\w+)\b\s+\1\b就代表匹配 重复的单词， \b(\w+)\b 匹配单词，包括\b 单词的开始处和结束处， 这个单词编号为 1， 后面 \1\b 重复。

• 也可以指定组名： (?<Word>\w+) 或者 (?'Word'\w+), 使用 \k<Word>引用。 上式可写成，\b(?<Word>\w+)\b\s+\k<Word>\b。

小括号还有很多特定用途的语法。

常用的分组语法：

零宽断言

需要查找某些内容（但并不包括这些内容）之前或者之后的东西，例如匹配 \b, ^, $ 这样的位置（断言），所以称为零宽断言。 首先我们需要匹配一个位置，然后匹配之前或者之后的东西。例：

• (?=exp) 也叫零宽度正预测先行断言，匹配断言处，后面的表达式 exp。

  \b\w+(?=ing\b) 会匹配以 ing 结尾的单词的前面部分（除了 ing 以外的部分），如查找 I’m working hard. 会匹配 work

• (?<=exp) 也叫零宽度正回顾后发断言，匹配断言处，前面的表达式 exp。

  • \b\w+(?<=wo\b) 会匹配以 ing 结尾的单词的前面部分（除了 ing 以外的部分），如查找 I’m working hard. 会匹配 rking
  • \b\w+(?=ing\b) 会匹配以 ing 结尾的单词的前面部分（除了 ing 以外的部分），如查找 I’m working hard. 会匹配 work

负向零宽断言

确保某个字符没有出现（前面说到的反义），但又不想去匹配它， 例如：匹配一个后面不是字母 u 的字母 q的单词：

\b\w*q[^u]\w*\b ,但是当 q 出现在结尾 lraq，Benq， 这样就会出错。 [^u] 总会匹配一个字符，q 为最后一个字符的话就会出现错误，匹配下一个单词，例如 lraq 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:

• \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。

• 零宽度负回顾后发断言 (?<!exp) , 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)。

注释

通过语法(?#comment)来包含注释。 例如：

1

2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)

贪婪与懒惰

• 贪婪匹配–尽可能多的匹配

a.*b 匹配最长的以 a 开头，b 结束的字符串。 如果匹配 aabab ，它会匹配最长的 aabab。

• 懒惰匹配–尽可能少的匹配

a.*?b 匹配最短的 a 开头，b 结束的字符串。 同样的 aabab ，它会匹配 aab，以及 ab。

懒惰限定符

代码/语法	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 以上，但尽可能少重复

其他一些语法

相关站点

msdn 的正则表达式语言 - 快速参考

正则表达式 - 教程|菜鸟教程

正则表达式在线测试

菜鸟-正则表达式