正則表達(dá)式30分鐘入門教程
版本：v2.4.1 (2019-11-15) 作者：deerchao 轉(zhuǎn)載請(qǐng)注明來源
目錄
本文目標(biāo)
30分鐘內(nèi)讓你明白正則表達(dá)式是什么，并對(duì)它有一些基本的了解，讓你可以在自己的程序或網(wǎng)頁里使用它。
如何使用本教程
別被下面那些復(fù)雜的表達(dá)式嚇倒，只要跟著我一步一步來，你會(huì)發(fā)現(xiàn)正則表達(dá)式其實(shí)并沒有想像中的那么困難。當(dāng)然，如果你看完了這篇教程之后，發(fā)現(xiàn)自己明白了很多，卻又幾乎什么都記不得，那也是很正常的——我認(rèn)為，沒接觸過正則表達(dá)式的人在看完這篇教程后，能把提到過的語法記住80%以上的可能性為零。這里只是讓你明白基本的原理，以后你還需要多練習(xí)，多使用，才能熟練掌握正則表達(dá)式。
除了作為入門教程之外，本文還試圖成為可以在日常工作中使用的正則表達(dá)式語法參考手冊(cè)。就作者本人的經(jīng)歷來說，這個(gè)目標(biāo)還是完成得不錯(cuò)的——你看，我自己也沒能把所有的東西記下來，不是嗎？
清除格式 文本格式約定：專業(yè)術(shù)語 元字符/語法格式 正則表達(dá)式 正則表達(dá)式中的一部分(用于分析) 對(duì)其進(jìn)行匹配的源字符串 對(duì)正則表達(dá)式或其中一部分的說明
隱藏邊注 本文右邊有一些注釋，主要是用來提供一些相關(guān)信息，或者給沒有程序員背景的讀者解釋一些基本概念，通常可以忽略。
本文介紹的大部分正則語法，在不同的正則表達(dá)式引擎中都可以使用，但也有一些會(huì)有所差異。本文介紹的是 .Net 下的正則表達(dá)式，其它環(huán)境下的具體情況可以在讀完本文后去參考官方文檔，或者查看正則表達(dá)式引擎特性對(duì)比。
最重要的是——請(qǐng)給我30分鐘，如果你沒有使用正則表達(dá)式的經(jīng)驗(yàn)，請(qǐng)不要試圖在30秒內(nèi)入門——除非你是超人 :)
正則表達(dá)式到底是什么東西？
在編寫處理字符串的程序或網(wǎng)頁時(shí)，經(jīng)常會(huì)有查找符合某些復(fù)雜規(guī)則的字符串的需要。正則表達(dá)式就是用于描述這些規(guī)則的工具。換句話說，正則表達(dá)式就是記錄文本規(guī)則的代碼。
很可能你使用過Windows/Dos下用于文件查找的通配符(wildcard)，也就是*和?。如果你想查找某個(gè)目錄下的所有的Word文檔的話，你會(huì)搜索*.doc。在這里，*會(huì)被解釋成任意的字符串。和通配符類似，正則表達(dá)式也是用來進(jìn)行文本匹配的工具，只不過比起通配符，它能更精確地描述你的需求——當(dāng)然，代價(jià)就是更復(fù)雜——比如你可以編寫一個(gè)正則表達(dá)式，用來查找所有以0開頭，后面跟著2-3個(gè)數(shù)字，然后是一個(gè)連字號(hào)“-”，最后是7或8位數(shù)字的字符串(像010-12345678或0376-7654321)。
字符是計(jì)算機(jī)軟件處理文字時(shí)最基本的單位，可能是字母，數(shù)字，標(biāo)點(diǎn)符號(hào)，空格，換行符，漢字等等。字符串是0個(gè)或更多個(gè)字符的序列。文本也就是文字，字符串。說某個(gè)字符串匹配某個(gè)正則表達(dá)式，通常是指這個(gè)字符串里有一部分（或幾部分分別）能滿足表達(dá)式給出的條件。
入門
學(xué)習(xí)正則表達(dá)式的最好方法是從例子開始，理解例子之后再自己對(duì)例子進(jìn)行修改，實(shí)驗(yàn)。下面給出了不少簡單的例子，并對(duì)它們作了詳細(xì)的說明。
假設(shè)你在一篇英文小說里查找hi，你可以使用正則表達(dá)式hi。
這幾乎是最簡單的正則表達(dá)式了，它可以精確匹配這樣的字符串：由兩個(gè)字符組成，前一個(gè)字符是h,后一個(gè)是i。通常，處理正則表達(dá)式的工具會(huì)提供一個(gè)忽略大小寫的選項(xiàng)，如果選中了這個(gè)選項(xiàng)，它可以匹配hi,HI,Hi,hI這四種情況中的任意一種。
不幸的是，很多單詞里包含hi這兩個(gè)連續(xù)的字符，比如him,history,high等等。用hi來查找的話，這里邊的hi也會(huì)被找出來。如果要精確地查找hi這個(gè)單詞的話，我們應(yīng)該使用\bhi\b。
\b是正則表達(dá)式規(guī)定的一個(gè)特殊代碼（好吧，某些人叫它元字符，metacharacter），代表著單詞的開頭或結(jié)尾，也就是單詞的分界處。雖然通常英文的單詞是由空格，標(biāo)點(diǎn)符號(hào)或者換行來分隔的，但是\b并不匹配這些單詞分隔字符中的任何一個(gè)，它只匹配一個(gè)位置。
如果需要更精確的說法，\b匹配這樣的位置：它的前一個(gè)字符和后一個(gè)字符不全是(一個(gè)是,一個(gè)不是或不存在)\w。
假如你要找的是hi后面不遠(yuǎn)處跟著一個(gè)Lucy，你應(yīng)該用\bhi\b.*\bLucy\b。
這里，.是另一個(gè)元字符，匹配除了換行符以外的任意字符。*同樣是元字符，不過它代表的不是字符，也不是位置，而是數(shù)量——它指定*前邊的內(nèi)容可以連續(xù)重復(fù)使用任意次以使整個(gè)表達(dá)式得到匹配。因此，.*連在一起就意味著任意數(shù)量的不包含換行的字符?，F(xiàn)在\bhi\b.*\bLucy\b的意思就很明顯了：先是一個(gè)單詞hi,然后是任意個(gè)任意字符(但不能是換行)，最后是Lucy這個(gè)單詞。
換行符就是'\n',ASCII編碼為10(十六進(jìn)制0x0A)的字符。
如果同時(shí)使用其它元字符，我們就能構(gòu)造出功能更強(qiáng)大的正則表達(dá)式。比如下面這個(gè)例子：
0\d\d-\d\d\d\d\d\d\d\d匹配這樣的字符串：以0開頭，然后是兩個(gè)數(shù)字，然后是一個(gè)連字號(hào)“-”，最后是8個(gè)數(shù)字(也就是中國的電話號(hào)碼。當(dāng)然，這個(gè)例子只能匹配區(qū)號(hào)為3位的情形)。
這里的\d是個(gè)新的元字符，匹配一位數(shù)字(0，或1，或2，或……)。-不是元字符，只匹配它本身——連字符(或者減號(hào)，或者中橫線，或者隨你怎么稱呼它)。
為了避免那么多煩人的重復(fù)，我們也可以這樣寫這個(gè)表達(dá)式：0\d{2}-\d{8}。這里\d后面的{2}({8})的意思是前面\d必須連續(xù)重復(fù)匹配2次(8次)。
測(cè)試正則表達(dá)式
如果你不覺得正則表達(dá)式很難讀寫的話，要么你是一個(gè)天才，要么，你不是地球人。正則表達(dá)式的語法很令人頭疼，即使對(duì)經(jīng)常使用它的人來說也是如此。由于難于讀寫，容易出錯(cuò)，所以找一種工具對(duì)正則表達(dá)式進(jìn)行測(cè)試是很有必要的。
不同的環(huán)境下正則表達(dá)式的一些細(xì)節(jié)是不相同的，本教程介紹的是微軟 .Net Framework 4.5 下正則表達(dá)式的行為，所以，我向你推薦我編寫的.Net下的工具 Regester。請(qǐng)參考該頁面的說明來安裝和運(yùn)行該軟件。
下面是Regester運(yùn)行時(shí)的截圖：
你也可以試試這個(gè)在線測(cè)試工具：Wegester, JavaScript正則表達(dá)式測(cè)試器。
元字符
現(xiàn)在你已經(jīng)知道幾個(gè)很有用的元字符了，如\b,.,*，還有\d.正則表達(dá)式里還有更多的元字符，比如\s匹配任意的空白符，包括空格，制表符(Tab)，換行符，中文全角空格等。\w匹配字母或數(shù)字或下劃線或漢字等。
對(duì)中文/漢字的特殊處理是由.Net提供的正則表達(dá)式引擎支持的，其它環(huán)境下的具體情況請(qǐng)查看相關(guān)文檔。
下面來看看更多的例子：
\ba\w*\b匹配以字母a開頭的單詞——先是某個(gè)單詞開始處(\b)，然后是字母a,然后是任意數(shù)量的字母或數(shù)字(\w*)，最后是單詞結(jié)束處(\b)。
\d+匹配1個(gè)或更多連續(xù)的數(shù)字。這里的+是和*類似的元字符，不同的是*匹配重復(fù)任意次(可能是0次)，而+則匹配重復(fù)1次或更多次。
\b\w{6}\b 匹配剛好6個(gè)字符的單詞。
好吧，現(xiàn)在我們說說正則表達(dá)式里的單詞是什么意思吧：就是不少于一個(gè)的連續(xù)的\w。不錯(cuò)，這與學(xué)習(xí)英文時(shí)要背的成千上萬個(gè)同名的東西的確關(guān)系不大 :)
| 代碼 | 說明 |
|---|---|
| . | 匹配除換行符以外的任意字符 |
| \w | 匹配字母或數(shù)字或下劃線或漢字 |
| \s | 匹配任意的空白符 |
| \d | 匹配數(shù)字 |
| \b | 匹配單詞的開始或結(jié)束 |
| ^ | 匹配字符串的開始 |
| $ | 匹配字符串的結(jié)束 |
元字符^（和數(shù)字6在同一個(gè)鍵位上的符號(hào)）和$都匹配一個(gè)位置，這和\b有點(diǎn)類似。^匹配你要用來查找的字符串的開頭，$匹配結(jié)尾。這兩個(gè)代碼在驗(yàn)證輸入的內(nèi)容時(shí)非常有用，比如一個(gè)網(wǎng)站如果要求你填寫的QQ號(hào)必須為5位到12位數(shù)字時(shí)，可以使用：^\d{5,12}$。
這里的{5,12}和前面介紹過的{2}是類似的，只不過{2}匹配只能不多不少重復(fù)2次，{5,12}則是重復(fù)的次數(shù)不能少于5次，不能多于12次，否則都不匹配。
因?yàn)槭褂昧?span id="wdvtftv" class="part">^和$，所以輸入的整個(gè)字符串都要用來和\d{5,12}來匹配，也就是說整個(gè)輸入必須是5到12個(gè)數(shù)字，因此如果輸入的QQ號(hào)能匹配這個(gè)正則表達(dá)式的話，那就符合要求了。
和忽略大小寫的選項(xiàng)類似，有些正則表達(dá)式處理工具還有一個(gè)處理多行的選項(xiàng)。如果選中了這個(gè)選項(xiàng)，^和$的意義就變成了匹配行的開始處和結(jié)束處。
正則表達(dá)式引擎通常會(huì)提供一個(gè)“測(cè)試指定的字符串是否匹配一個(gè)正則表達(dá)式”的方法，如JavaScript里的RegExp.test()方法或.NET里的Regex.IsMatch()方法。這里的匹配是指是字符串里有沒有符合表達(dá)式規(guī)則的部分。如果不使用^和$的話，對(duì)于\d{5,12}而言，使用這樣的方法就只能保證字符串里包含5到12連續(xù)位數(shù)字，而不是整個(gè)字符串就是5到12位數(shù)字。
字符轉(zhuǎn)義
如果你想查找元字符本身的話，比如你查找.,或者*,就出現(xiàn)了問題：你沒辦法指定它們，因?yàn)樗鼈儠?huì)被解釋成別的意思。這時(shí)你就得使用\來取消這些字符的特殊意義。因此，你應(yīng)該使用\.和\*。當(dāng)然，要查找\本身，你也得用\\.
例如：deerchao\.cn匹配deerchao.cn，C:\\Windows匹配C:\Windows。
重復(fù)
你已經(jīng)看過了前面的*,+,{2},{5,12}這幾個(gè)匹配重復(fù)的方式了。下面是正則表達(dá)式中所有的限定符(指定數(shù)量的代碼，例如*,{5,12}等)：
| 代碼/語法 | 說明 |
|---|---|
| * | 重復(fù)零次或更多次 |
| + | 重復(fù)一次或更多次 |
| ? | 重復(fù)零次或一次 |
| {n} | 重復(fù)n次 |
| {n,} | 重復(fù)n次或更多次 |
| {n,m} | 重復(fù)n到m次 |
下面是一些使用重復(fù)的例子：
Windows\d+匹配Windows后面跟1個(gè)或更多數(shù)字
^\w+匹配一行的第一個(gè)單詞(或整個(gè)字符串的第一個(gè)單詞，具體匹配哪個(gè)意思得看選項(xiàng)設(shè)置)
字符類
要想查找數(shù)字，字母或數(shù)字，空白是很簡單的，因?yàn)橐呀?jīng)有了對(duì)應(yīng)這些字符集合的元字符，但是如果你想匹配沒有預(yù)定義元字符的字符集合(比如元音字母a,e,i,o,u),應(yīng)該怎么辦？
很簡單，你只需要在方括號(hào)里列出它們就行了，像[aeiou]就匹配任何一個(gè)英文元音字母，[.?!]匹配標(biāo)點(diǎn)符號(hào)(.或?或!)。
我們也可以輕松地指定一個(gè)字符范圍，像[0-9]代表的含意與\d就是完全一致的：一位數(shù)字；同理[a-z0-9A-Z_]也完全等同于\w（如果只考慮英文的話）。
下面是一個(gè)更復(fù)雜的表達(dá)式：\(?0\d{2}[) -]?\d{8}。
這個(gè)表達(dá)式可以匹配幾種格式的電話號(hào)碼，像(010)88886666，或022-22334455，或02912345678等。我們對(duì)它進(jìn)行一些分析吧：首先是一個(gè)轉(zhuǎn)義字符\(,它能出現(xiàn)0次或1次(?),然后是一個(gè)0，后面跟著2個(gè)數(shù)字(\d{2})，然后是)或-或空格中的一個(gè)，它出現(xiàn)1次或不出現(xiàn)(?)，最后是8個(gè)數(shù)字(\d{8})。
分枝條件
不幸的是，剛才那個(gè)表達(dá)式也能匹配010)12345678或(022-87654321這樣的“不正確”的格式。要解決這個(gè)問題，我們需要用到分枝條件。正則表達(dá)式里的分枝條件指的是有幾種規(guī)則，如果滿足其中任意一種規(guī)則都應(yīng)該當(dāng)成匹配，具體方法是用|把不同的規(guī)則分隔開。聽不明白？沒關(guān)系，看例子：
0\d{2}-\d{8}|0\d{3}-\d{7}這個(gè)表達(dá)式能匹配兩種以連字號(hào)分隔的電話號(hào)碼：一種是三位區(qū)號(hào)，8位本地號(hào)(如010-12345678)，一種是4位區(qū)號(hào)，7位本地號(hào)(0376-2233445)。
\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}這個(gè)表達(dá)式匹配3位區(qū)號(hào)的電話號(hào)碼，其中區(qū)號(hào)可以用小括號(hào)括起來，也可以不用，區(qū)號(hào)與本地號(hào)間可以用連字號(hào)或空格間隔，也可以沒有間隔。你可以試試用分枝條件把這個(gè)表達(dá)式擴(kuò)展成也支持4位區(qū)號(hào)的。
\d{5}-\d{4}|\d{5}這個(gè)表達(dá)式用于匹配美國的郵政編碼。美國郵編的規(guī)則是5位數(shù)字，或者用連字號(hào)間隔的9位數(shù)字。之所以要給出這個(gè)例子是因?yàn)樗苷f明一個(gè)問題：使用分枝條件時(shí)，要注意各個(gè)條件的順序。如果你把它改成\d{5}|\d{5}-\d{4}的話，那么就只會(huì)匹配5位的郵編(以及9位郵編的前5位)。原因是匹配分枝條件時(shí)，將會(huì)從左到右地測(cè)試每個(gè)條件，如果滿足了某個(gè)分枝的話，就不會(huì)去再管其它的條件了。
分組
我們已經(jīng)提到了怎么重復(fù)單個(gè)字符（直接在字符后面加上限定符就行了）；但如果想要重復(fù)多個(gè)字符又該怎么辦？你可以用小括號(hào)來指定子表達(dá)式(也叫做分組)，然后你就可以指定這個(gè)子表達(dá)式的重復(fù)次數(shù)了，你也可以對(duì)子表達(dá)式進(jìn)行其它一些操作(后面會(huì)有介紹)。
(\d{1,3}\.){3}\d{1,3}是一個(gè)簡單的IP地址匹配表達(dá)式。要理解這個(gè)表達(dá)式，請(qǐng)按下列順序分析它：\d{1,3}匹配1到3位的數(shù)字，(\d{1,3}\.){3}匹配三位數(shù)字加上一個(gè)英文句號(hào)(這個(gè)整體也就是這個(gè)分組)重復(fù)3次，最后再加上一個(gè)一到三位的數(shù)字(\d{1,3})。
不幸的是，它也將匹配256.300.888.999這種不可能存在的IP地址。如果能使用算術(shù)比較的話，或許能簡單地解決這個(gè)問題，但是正則表達(dá)式中并不提供關(guān)于數(shù)學(xué)的任何功能，所以只能使用冗長的分組，選擇，字符類來描述一個(gè)正確的IP地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。
理解這個(gè)表達(dá)式的關(guān)鍵是理解2[0-4]\d|25[0-5]|[01]?\d\d?，這里我就不細(xì)說了，你自己應(yīng)該能分析得出來它的意義。
IP地址中每個(gè)數(shù)字都不能大于255. 經(jīng)常有人問我, 01.02.03.04 這樣前面帶有0的數(shù)字, 是不是正確的IP地址呢? 答案是: 是的, IP 地址里的數(shù)字可以包含有前導(dǎo) 0 (leading zeroes).
反義
有時(shí)需要查找不屬于某個(gè)能簡單定義的字符類的字符。比如想查找除了數(shù)字以外，其它任意字符都行的情況，這時(shí)需要用到反義：
| 代碼/語法 | 說明 |
|---|---|
| \W | 匹配任意不是字母，數(shù)字，下劃線，漢字的字符 |
| \S | 匹配任意不是空白符的字符 |
| \D | 匹配任意非數(shù)字的字符 |
| \B | 匹配不是單詞開頭或結(jié)束的位置 |
| [^x] | 匹配除了x以外的任意字符 |
| [^aeiou] | 匹配除了aeiou這幾個(gè)字母以外的任意字符 |
例子：\S+匹配不包含空白符的字符串。
<a[^>]+>匹配用尖括號(hào)括起來的以a開頭的字符串。
后向引用
使用小括號(hào)指定一個(gè)子表達(dá)式后，匹配這個(gè)子表達(dá)式的文本(也就是此分組捕獲的內(nèi)容)可以在表達(dá)式或其它程序中作進(jìn)一步的處理。默認(rèn)情況下，每個(gè)分組會(huì)自動(dòng)擁有一個(gè)組號(hào)，規(guī)則是：從左向右，以分組的左括號(hào)為標(biāo)志，第一個(gè)出現(xiàn)的分組的組號(hào)為1，第二個(gè)為2，以此類推。
呃……其實(shí),組號(hào)分配還不像我剛說得那么簡單：
- 分組0對(duì)應(yīng)整個(gè)正則表達(dá)式
- 實(shí)際上組號(hào)分配過程是要從左向右掃描兩遍的：第一遍只給未命名組分配，第二遍只給命名組分配－－因此所有命名組的組號(hào)都大于未命名的組號(hào)
- 你可以使用(?:exp)這樣的語法來剝奪一個(gè)分組對(duì)組號(hào)分配的參與權(quán)．
后向引用用于重復(fù)搜索前面某個(gè)分組匹配的文本。例如，\1代表分組1匹配的文本。難以理解？請(qǐng)看示例：
\b(\w+)\b\s+\1\b可以用來匹配重復(fù)的單詞，像go go, 或者kitty kitty。這個(gè)表達(dá)式首先是一個(gè)單詞，也就是單詞開始處和結(jié)束處之間的多于一個(gè)的字母或數(shù)字(\b(\w+)\b)，這個(gè)單詞會(huì)被捕獲到編號(hào)為1的分組中，然后是1個(gè)或幾個(gè)空白符(\s+)，最后是分組1中捕獲的內(nèi)容（也就是前面匹配的那個(gè)單詞）(\1)。
你也可以自己指定子表達(dá)式的組名。要指定一個(gè)子表達(dá)式的組名，請(qǐng)使用這樣的語法：(?<Word>\w+)(或者把尖括號(hào)換成'也行：(?'Word'\w+)),這樣就把\w+的組名指定為Word了。要反向引用這個(gè)分組捕獲的內(nèi)容，你可以使用\k<Word>,所以上一個(gè)例子也可以寫成這樣：\b(?<Word>\w+)\b\s+\k<Word>\b。
使用小括號(hào)的時(shí)候，還有很多特定用途的語法。下面列出了最常用的一些：
| 分類 | 代碼/語法 | 說明 |
|---|---|---|
| 捕獲 | (exp) | 匹配exp,并捕獲文本到自動(dòng)命名的組里 |
| (?<name>exp) | 匹配exp,并捕獲文本到名稱為name的組里，也可以寫成(?'name'exp) | |
| (?:exp) | 匹配exp,不捕獲匹配的文本，也不給此分組分配組號(hào) | |
| 零寬斷言 | (?=exp) | 匹配exp前面的位置(匹配后面是exp的數(shù)據(jù)) |
| (?<=exp) | 匹配exp后面的位置(匹配前面是exp的數(shù)據(jù)) | |
| (?!exp) | 匹配后面跟的不是exp的位置 | |
| (?<!exp) | 匹配前面不是exp的位置 | |
| 注釋 | (?#comment) | 這種類型的分組不對(duì)正則表達(dá)式的處理產(chǎn)生任何影響，用于提供注釋讓人閱讀 |
我們已經(jīng)討論了前兩種語法。第三個(gè)(?:exp)不會(huì)改變正則表達(dá)式的處理方式，只是這樣的組匹配的內(nèi)容不會(huì)像前兩種那樣被捕獲到某個(gè)組里面，也不會(huì)擁有組號(hào)?！拔覟槭裁磿?huì)想要這樣做？”——好問題，你覺得為什么呢？
零寬斷言
接下來的四個(gè)用于查找在某些內(nèi)容(但并不包括這些內(nèi)容)之前或之后的東西，也就是說它們像\b,^,$那樣用于指定一個(gè)位置，這個(gè)位置應(yīng)該滿足一定的條件(即斷言)，因此它們也被稱為零寬斷言。最好還是拿例子來說明吧：
斷言用來聲明一個(gè)應(yīng)該為真的事實(shí)。正則表達(dá)式中只有當(dāng)斷言為真時(shí)才會(huì)繼續(xù)進(jìn)行匹配。
(?=exp)也叫零寬度正預(yù)測(cè)先行斷言，它斷言自身出現(xiàn)的位置的后面能匹配表達(dá)式exp。比如\b\w+(?=ing\b)，匹配以ing結(jié)尾的單詞的前面部分(除了ing以外的部分)，如查找I'm singing while you're dancing.時(shí)，它會(huì)匹配sing和danc。
(?<=exp)也叫零寬度正回顧后發(fā)斷言，它斷言自身出現(xiàn)的位置的前面能匹配表達(dá)式exp。比如(?<=\bre)\w+\b會(huì)匹配以re開頭的單詞的后半部分(除了re以外的部分)，例如在查找reading a book時(shí)，它匹配ading。
假如你想要給一個(gè)很長的數(shù)字中每三位間加一個(gè)逗號(hào)(當(dāng)然是從右邊加起了)，你可以這樣查找需要在前面和里面添加逗號(hào)的部分：((?<=\d)\d{3})+\b，用它對(duì)1234567890進(jìn)行查找時(shí)結(jié)果是234567890。
下面這個(gè)例子同時(shí)使用了這兩種斷言：(?<=\s)\d+(?=\s)匹配以空白符間隔的數(shù)字(再次強(qiáng)調(diào)，不包括這些空白符)。
負(fù)向零寬斷言
前面我們提到過怎么查找不是某個(gè)字符或不在某個(gè)字符類里的字符的方法(反義)。但是如果我們只是想要確保某個(gè)字符沒有出現(xiàn)，但并不想去匹配它時(shí)怎么辦？例如，如果我們想查找這樣的單詞--它里面出現(xiàn)了字母q,但是q后面跟的不是字母u,我們可以嘗試這樣：
\b\w*q[^u]\w*\b匹配包含后面不是字母u的字母q的單詞。但是如果多做測(cè)試(或者你思維足夠敏銳，直接就觀察出來了)，你會(huì)發(fā)現(xiàn)，如果q出現(xiàn)在單詞的結(jié)尾的話，像Iraq,Benq，這個(gè)表達(dá)式就會(huì)出錯(cuò)。這是因?yàn)?span id="drfw2my" class="part">[^u]總要匹配一個(gè)字符，所以如果q是單詞的最后一個(gè)字符的話，后面的[^u]將會(huì)匹配q后面的單詞分隔符(可能是空格，或者是句號(hào)或其它的什么)，后面的\w*\b將會(huì)匹配下一個(gè)單詞，于是\b\w*q[^u]\w*\b就能匹配整個(gè)Iraq fighting。負(fù)向零寬斷言能解決這樣的問題，因?yàn)樗黄ヅ湟粋€(gè)位置，并不消費(fèi)任何字符?，F(xiàn)在，我們可以這樣來解決這個(gè)問題：\b\w*q(?!u)\w*\b。
零寬度負(fù)預(yù)測(cè)先行斷言(?!exp)，斷言此位置的后面不能匹配表達(dá)式exp。例如：\d{3}(?!\d)匹配三位數(shù)字，而且這三位數(shù)字的后面不能是數(shù)字；\b((?!abc)\w)+\b匹配不包含連續(xù)字符串a(chǎn)bc的單詞。
同理，我們可以用(?<!exp),零寬度負(fù)回顧后發(fā)斷言來斷言此位置的前面不能匹配表達(dá)式exp：(?<![a-z])\d{7}匹配前面不是小寫字母的七位數(shù)字。
一個(gè)更復(fù)雜的例子：(?<=<(\w+)>).*(?=<\/\1>)匹配不包含屬性的簡單HTML標(biāo)簽內(nèi)里的內(nèi)容。(?<=<(\w+)>)指定了這樣的前綴：被尖括號(hào)括起來的單詞(比如可能是<b>)，然后是.*(任意的字符串),最后是一個(gè)后綴(?=<\/\1>)。注意后綴里的\/，它用到了前面提過的字符轉(zhuǎn)義；\1則是一個(gè)反向引用，引用的正是捕獲的第一組，前面的(\w+)匹配的內(nèi)容，這樣如果前綴實(shí)際上是<b>的話，后綴就是</b>了。整個(gè)表達(dá)式匹配的是<b>和</b>之間的內(nèi)容(再次提醒，不包括前綴和后綴本身)。
注釋
小括號(hào)的另一種用途是通過語法(?#comment)來包含注釋。例如：2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。
要包含注釋的話，最好是啟用“忽略模式里的空白符”選項(xiàng)，這樣在編寫表達(dá)式時(shí)能任意的添加空格，Tab，換行，而實(shí)際使用時(shí)這些都將被忽略。啟用這個(gè)選項(xiàng)后，在#后面到這一行結(jié)束的所有文本都將被當(dāng)成注釋忽略掉。例如，我們可以前面的一個(gè)表達(dá)式寫成這樣：
(?<= # 斷言要匹配的文本的前綴
<(\w+)> # 查找尖括號(hào)括起來的內(nèi)容
# (即HTML/XML標(biāo)簽)
) # 前綴結(jié)束
.* # 匹配任意文本
(?= # 斷言要匹配的文本的后綴
<\/\1> # 查找尖括號(hào)括起來的內(nèi)容
# 查找尖括號(hào)括起來的內(nèi)容
) # 后綴結(jié)束
貪婪與懶惰
當(dāng)正則表達(dá)式中包含能接受重復(fù)的限定符時(shí)，通常的行為是（在使整個(gè)表達(dá)式能得到匹配的前提下）匹配盡可能多的字符。以這個(gè)表達(dá)式為例：a.*b，它將會(huì)匹配最長的以a開始，以b結(jié)束的字符串。如果用它來搜索aabab的話，它會(huì)匹配整個(gè)字符串aabab。這被稱為貪婪匹配。
有時(shí)，我們更需要懶惰匹配，也就是匹配盡可能少的字符。前面給出的限定符都可以被轉(zhuǎn)化為懶惰匹配模式，只要在它后面加上一個(gè)問號(hào)?。這樣.*?就意味著匹配任意數(shù)量的重復(fù)，但是在能使整個(gè)匹配成功的前提下使用最少的重復(fù)?，F(xiàn)在看看懶惰版的例子吧：
a.*?b匹配最短的，以a開始，以b結(jié)束的字符串。如果把它應(yīng)用于aabab的話，它會(huì)匹配aab（第一到第三個(gè)字符）和ab（第四到第五個(gè)字符）。
為什么第一個(gè)匹配是aab（第一到第三個(gè)字符）而不是ab（第二到第三個(gè)字符）？簡單地說，因?yàn)檎齽t表達(dá)式有另一條規(guī)則，比懶惰／貪婪規(guī)則的優(yōu)先級(jí)更高：最先開始的匹配擁有最高的優(yōu)先權(quán)——The match that begins earliest wins。
| 代碼/語法 | 說明 |
|---|---|
| *? | 重復(fù)任意次，但盡可能少重復(fù) |
| +? | 重復(fù)1次或更多次，但盡可能少重復(fù) |
| ?? | 重復(fù)0次或1次，但盡可能少重復(fù) |
| {n,m}? | 重復(fù)n到m次，但盡可能少重復(fù) |
| {n,}? | 重復(fù)n次以上，但盡可能少重復(fù) |
處理選項(xiàng)
上面介紹了幾個(gè)選項(xiàng)如忽略大小寫，處理多行等，這些選項(xiàng)能用來改變處理正則表達(dá)式的方式。下面是.Net中常用的正則表達(dá)式選項(xiàng)：
| 名稱 | 說明 |
|---|---|
| IgnoreCase(忽略大小寫) | 匹配時(shí)不區(qū)分大小寫。 |
| Multiline(多行模式) | 更改^和$的含義，使它們分別在任意一行的行首和行尾匹配，而不僅僅在整個(gè)字符串的開頭和結(jié)尾匹配。(在此模式下,$的精確含意是:匹配\n之前的位置以及字符串結(jié)束前的位置.) |
| Singleline(單行模式) | 更改.的含義，使它與每一個(gè)字符匹配（包括換行符\n）。 |
| IgnorePatternWhitespace(忽略空白) | 忽略表達(dá)式中的非轉(zhuǎn)義空白并啟用由#標(biāo)記的注釋。 |
| ExplicitCapture(顯式捕獲) | 僅捕獲已被顯式命名的組。 |
在C#中，你可以使用Regex(String, RegexOptions)構(gòu)造函數(shù)來設(shè)置正則表達(dá)式的處理選項(xiàng)。如：Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);
一個(gè)經(jīng)常被問到的問題是：是不是只能同時(shí)使用多行模式和單行模式中的一種？答案是：不是。這兩個(gè)選項(xiàng)之間沒有任何關(guān)系，除了它們的名字比較相似（以至于讓人感到疑惑）以外。事實(shí)上，為了避免混淆，在最新的 JavaScript 中，單行模式其實(shí)名叫 dotAll，意為點(diǎn)可以匹配所有字符，然而在指定該選項(xiàng)時(shí)，用的還是 Singleline 的首字母 s.
目前（2019/06），只有基于 Webkit/Chromium 的瀏覽器（如 Chrome, Safari等）才支持 dotAll 選項(xiàng)。
平衡組/遞歸匹配
有時(shí)我們需要匹配像( 100 * ( 50 + 15 ) )這樣的可嵌套的層次性結(jié)構(gòu)，這時(shí)簡單地使用\(.+\)則只會(huì)匹配到最左邊的左括號(hào)和最右邊的右括號(hào)之間的內(nèi)容(這里我們討論的是貪婪模式，懶惰模式也有下面的問題)。假如原來的字符串里的左括號(hào)和右括號(hào)出現(xiàn)的次數(shù)不相等，比如( 5 / ( 3 + 2 ) ) )，那我們的匹配結(jié)果里兩者的個(gè)數(shù)也不會(huì)相等。有沒有辦法在這樣的字符串里匹配到最長的，配對(duì)的括號(hào)之間的內(nèi)容呢？
這里介紹的平衡組語法是由.Net Framework支持的；其它語言／庫不一定支持這種功能，或者支持此功能但需要使用不同的語法。
為了避免(和\(把你的大腦徹底搞糊涂，我們還是用尖括號(hào)代替圓括號(hào)吧?，F(xiàn)在我們的問題變成了如何把xx <aa <bbb> <bbb> aa> yy這樣的字符串里，最長的配對(duì)的尖括號(hào)內(nèi)的內(nèi)容捕獲出來？
這里需要用到以下的語法構(gòu)造：
- (?'group') 把捕獲的內(nèi)容命名為group,并壓入堆棧(Stack)
- (?'-group') 從堆棧上彈出最后壓入堆棧的名為group的捕獲內(nèi)容，如果堆棧本來為空，則本分組的匹配失敗
- (?(group)yes|no) 如果堆棧上存在以名為group的捕獲內(nèi)容的話，繼續(xù)匹配yes部分的表達(dá)式，否則繼續(xù)匹配no部分
- (?!) 零寬負(fù)向先行斷言，由于沒有后綴表達(dá)式，試圖匹配總是失敗
我們需要做的是每碰到了左括號(hào)，就在壓入一個(gè)"Open",每碰到一個(gè)右括號(hào)，就彈出一個(gè)，到了最后就看看堆棧是否為空－－如果不為空那就證明左括號(hào)比右括號(hào)多，那匹配就應(yīng)該失敗。正則表達(dá)式引擎會(huì)進(jìn)行回溯(放棄最前面或最后面的一些字符)，盡量使整個(gè)表達(dá)式得到匹配。
< #最外層的左括號(hào)
[^<>]* #它后面非括號(hào)的內(nèi)容
(
(
(?'Open'<) #左括號(hào)，壓入"Open"
[^<>]* #左括號(hào)后面的內(nèi)容
)+
(
(?'-Open'>) #右括號(hào)，彈出一個(gè)"Open"
[^<>]* #右括號(hào)后面的內(nèi)容
)+
)*
(?(Open)(?!)) #最外層的右括號(hào)前檢查
#若還有未彈出的"Open"
#則匹配失敗
> #最外層的右括號(hào)
平衡組的一個(gè)最常見的應(yīng)用就是匹配HTML,下面這個(gè)例子可以匹配嵌套的<div>標(biāo)簽：<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>.
如果你不是一個(gè)程序員（或者你自稱程序員但是不知道堆棧是什么東西），你就這樣理解上面的三種語法吧：第一個(gè)就是在黑板上寫一個(gè)"group"，第二個(gè)就是從黑板上擦掉一個(gè)"group"，第三個(gè)就是看黑板上寫的還有沒有"group"，如果有就繼續(xù)匹配yes部分，否則就匹配no部分。
還有些什么東西沒提到
上邊已經(jīng)描述了構(gòu)造正則表達(dá)式的大量元素，但是還有很多沒有提到的東西。下面是一些未提到的元素的列表，包含語法和簡單的說明。你可以在網(wǎng)上找到更詳細(xì)的參考資料來學(xué)習(xí)它們--當(dāng)你需要用到它們的時(shí)候。如果你安裝了MSDN Library,你也可以在里面找到.Net下正則表達(dá)式詳細(xì)的文檔。這里的介紹很簡略，如果你需要更詳細(xì)的信息，而又沒有在電腦上安裝MSDN Library,可以查看關(guān)于正則表達(dá)式語言元素的MSDN在線文檔。
| 代碼/語法 | 說明 |
|---|---|
| \a | 報(bào)警字符(打印它的效果是電腦嘀一聲) |
| \b | 通常是單詞分界位置，但如果在字符類里使用代表退格 |
| \t | 制表符，Tab |
| \r | 回車 |
| \v | 豎向制表符 |
| \f | 換頁符 |
| \n | 換行符 |
| \e | Escape |
| \0nn | ASCII代碼中八進(jìn)制代碼為nn的字符 |
| \xnn | ASCII代碼中十六進(jìn)制代碼為nn的字符 |
| \unnnn | Unicode代碼中十六進(jìn)制代碼為nnnn的字符 |
| \cN | ASCII控制字符。比如\cC代表Ctrl+C |
| \A | 字符串開頭(類似^，但不受處理多行選項(xiàng)的影響) |
| \Z | 字符串結(jié)尾或行尾(不受處理多行選項(xiàng)的影響) |
| \z | 字符串結(jié)尾(類似$，但不受處理多行選項(xiàng)的影響) |
| \G | 當(dāng)前搜索的開頭 |
| \p{name} | Unicode中命名為name的字符類，例如\p{IsGreek} |
| (?>exp) | 貪婪子表達(dá)式 |
| (?<x>-<y>exp) | 平衡組 |
| (?im-nsx:exp) | 在子表達(dá)式exp中改變處理選項(xiàng) |
| (?im-nsx) | 為表達(dá)式后面的部分改變處理選項(xiàng) |
| (?(exp)yes|no) | 把exp當(dāng)作零寬正向先行斷言，如果在這個(gè)位置能匹配，使用yes作為此組的表達(dá)式；否則使用no |
| (?(exp)yes) | 同上，只是使用空表達(dá)式作為no |
| (?(name)yes|no) | 如果命名為name的組捕獲到了內(nèi)容，使用yes作為表達(dá)式；否則使用no |
| (?(name)yes) | 同上，只是使用空表達(dá)式作為no |
聯(lián)系作者
好吧，我承認(rèn)，我騙了你，讀到這里你肯定花了不止30分鐘。相信我，這是我的錯(cuò)，而不是因?yàn)槟闾?。我之所以說"30分鐘"，是為了讓你有信心，有耐心繼續(xù)下去。既然你看到了這里，那證明我的陰謀成功了。被忽悠的感覺很爽吧？
要投訴我，或者覺得我其實(shí)可以忽悠得更高明，或者有關(guān)于正則表達(dá)式的問題, 可以發(fā)郵件到 deerchao#live#com。如果本文給了你幫助，你可以使用支付寶或微信支付向我打賞。點(diǎn)擊本頁右上方的“打賞”即可看到支付二維碼，可能你得先回到頁面最頂端。
網(wǎng)上的資源及本文參考文獻(xiàn)
- 精通正則表達(dá)式(第3版)
- 微軟的正則表達(dá)式教程
- Regex類(微軟文檔)
- 專業(yè)的正則表達(dá)式教學(xué)網(wǎng)站(英文)
- 關(guān)于.Net下的平衡組的詳細(xì)討論（英文）
更新紀(jì)錄
- 2006-3-27 第一版
- 2006-10-12 第二版
- 修正了幾個(gè)細(xì)節(jié)上的錯(cuò)誤和不準(zhǔn)確的地方
- 增加了對(duì)處理中文時(shí)的一些說明
- 更改了幾個(gè)術(shù)語的翻譯（采用了MSDN的翻譯方式）
- 增加了平衡組的介紹
- 放棄了對(duì)The Regulator的介紹，改用Regex Tester
- 2007-3-12 V2.1
- 修正了幾個(gè)小的錯(cuò)誤
- 增加了對(duì)處理選項(xiàng)(RegexOptions)的介紹
- 2007-5-28 V2.2
- 重新組織了對(duì)零寬斷言的介紹
- 刪除了幾個(gè)不太合適的示例，添加了幾個(gè)實(shí)用的示例
- 其它一些微小的更改
- 2007-8-3 V2.21
- 修改了幾處文字錯(cuò)誤
- 修改/添加了對(duì)$,\b的精確說明
- 承認(rèn)了作者是個(gè)騙子
- 給RegexTester添加了Singleline選項(xiàng)的相關(guān)功能
- 2008-4-13 v2.3
- 調(diào)整了部分章節(jié)的次序
- 修改了頁面布局，刪除了專門的參考節(jié)
- 針對(duì)讀者的反饋，調(diào)整了部分內(nèi)容
- 2009-4-11 v2.3.1
- 修改了幾處文字錯(cuò)誤
- 添加了一些注釋說明
- 調(diào)整了一些措詞
- 2011-8-17 v2.3.2
- 更改了工具介紹，換用自行開發(fā)的正則表達(dá)式測(cè)試器
- 2013-1-10 v2.3.3
- 說明包含前導(dǎo)0的IP地址是合法的
- 2017-6-6 v2.3.4
- 更新測(cè)試工具
- 2017-6-12 v2.3.5
- 修復(fù)分支條件章節(jié)下的錯(cuò)誤(刪除括號(hào)后的問號(hào))
- 2019-6-28 v2.4
- 提供在線 Javascript 正則表達(dá)式測(cè)試工具
- 提到 Javascript 中的 dotAll 模式
- 修改作者聯(lián)系方式
- 2019-11-15 v2.4.1
- 改進(jìn)在手機(jī)瀏覽器下的頁面布局