正則表達(dá)式30分鐘入門教程

目錄

跳過目錄

1. 本文目標(biāo)


2. 如何使用本教程


3. 正則表達(dá)式到底是什么東西？


4. 入門


5. 測(cè)試正則表達(dá)式


6. 元字符


7. 字符轉(zhuǎn)義


8. 重復(fù)


9. 字符類


10. 分枝條件


11. 反義


12. 分組


13. 后向引用


14. 零寬斷言


15. 負(fù)向零寬斷言


16. 注釋


17. 貪婪與懶惰


18. 處理選項(xiàng)


19. 平衡組/遞歸匹配


20. 還有些什么東西沒提到


21. 聯(lián)系作者


22. 最后,來點(diǎn)廣告...


23. 網(wǎng)上的資源及本文參考文獻(xiàn)


24. 更新說明

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

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 :)

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)并沒有你想像中的那么困難。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。

正則表達(dá)式到底是什么東西？

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。

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)。

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(jiǎn)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(jiǎn)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)出現(xiàn)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。現(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)。

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。

由于在不同的環(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 2.0下正則表達(dá)式的行為，所以，我向你介紹一個(gè).Net下的工具Regex Tester。首先你確保已經(jīng)安裝了.Net Framework 2.0，然后下載Regex Tester。這是個(gè)綠色軟件，下載完后打開壓縮包,直接運(yùn)行RegexTester.exe就可以了。

下面是Regex Tester運(yùn)行時(shí)的截圖：

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)。

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：就是多于一個(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 :)

\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)字母/數(shù)字的單詞。

表1.常用的元字符

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="j2hy5srdl" 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。

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：chinasum\.com匹配chinasum.com，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)：

表2.常用的限定符

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(jiǎn)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(jiǎn)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}。

“(”和“)”也是元字符，后面的分組節(jié)里會(huì)提到，所以在這里需要使用轉(zhuǎn)義。

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(jiǎn)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})。

IP地址中每個(gè)數(shù)字都不能大于255，大家千萬不要被《24》第三季的編劇給忽悠了...

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(jiǎn)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。

反義

有時(shí)需要查找不屬于某個(gè)能簡(jiǎn)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：

表3.常用的反義代碼

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。

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：

表4.常用分組語法

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
	(?<=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)。

零寬斷言

地球人，是不是覺得這些術(shù)語名稱太復(fù)雜，太難記了？我也和你一樣。知道有這么一種東西就行了，它叫什么，隨它去吧！“無名，萬物之始...”

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="j2hy5srdl" 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。現(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),零寬度正回顧后發(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。

請(qǐng)?jiān)敿?xì)分析表達(dá)式(?<=<(\w+)>).*(?=<\/\1>)，這個(gè)表達(dá)式最能表現(xiàn)零寬斷言的真正用途。

一個(gè)更復(fù)雜的例子：(?<=<(\w+)>).*(?=<\/\1>)匹配不包含屬性的簡(jiǎn)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)括起來的字母或數(shù)字(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：前面是一個(gè)"/"，后面是先前捕獲的標(biāo)簽

      )       # 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。考慮這個(gè)表達(dá)式：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)。現(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(jiǎn)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。

表5.懶惰限定符

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)

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);

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)：

表6.常用的處理選項(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。
RightToLeft(從右向左查找)	匹配從右向左而不是從左向右進(jìn)行。
ExplicitCapture(顯式捕獲)	僅捕獲已被顯式命名的組。
ECMAScript(JavaScript兼容模式)	使表達(dá)式的行為與它在JavaScript里的行為一致。

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。

平衡組/遞歸匹配

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。

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(jiǎn)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？

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。現(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

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。

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)

    [^<>]*                #最外層的左括號(hào)后面的不是括號(hào)的內(nèi)容

    (

        (

            (?'Open'<)    #碰到了左括號(hào)，在黑板上寫一個(gè)"Open"

            [^<>]*       #匹配左括號(hào)后面的不是括號(hào)的內(nèi)容

        )+

        (

            (?'-Open'>)   #碰到了右括號(hào)，擦掉一個(gè)"Open"

            [^<>]*        #匹配右括號(hào)后面不是括號(hào)的內(nèi)容

        )+

    )*

    (?(Open)(?!))         #在遇到最外層的右括號(hào)前面，判斷黑板上還有沒有沒擦掉的"Open"；如果還有，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>.

還有些什么東西沒提到

我已經(jīng)描述了構(gòu)造正則表達(dá)式的大量元素，還有一些我沒有提到的東西。下面是未提到的元素的列表，包含語法和簡(jiǎn)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關(guān)于.net下正則表達(dá)式詳細(xì)的文檔。

表7.尚未詳細(xì)討論的語法

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

網(wǎng)上的資源及本文參考文獻(xiàn)

• 微軟的正則表達(dá)式教程


• System.Text.RegularExpressions.Regex類(MSDN)


• 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）


• Mastering Regular Expressions (Second Edition)