正則表示式入門教程
什麼是正則表示式?
正則表示式是一組由字母和符號組成的特殊文字, 它可以用來從文字中找出滿足你想要的格式的句子.
一個正則表示式是在一個主體字串中從左到右匹配字串時的一種樣式.
“Regular expression"這個詞比較拗口, 我們常使用縮寫的術語"regex"或"regexp”.
正則表示式可以從一個基礎字串中根據一定的匹配模式替換文字中的字串、驗證表單、提取字串等等.
想象你正在寫一個應用, 然後你想設定一個使用者命名的規則, 讓使用者名稱包含字元,數字,下劃線和連字元,以及限制字元的個數,好讓名字看起來沒那麼醜.
我們使用以下正則表示式來驗證一個使用者名稱:
以上的正則表示式可以接受 john_doe
jo-hn_doe
, john12_as
.但不匹配
Jo
, 因為它包含了大寫的字母而且太短了.
1. 基本匹配
正則表示式其實就是在執行搜尋時的格式, 它由一些字母和數字組合而成.
例如: 一個正則表示式 the
, 它表示一個規則: 由字母t
開始,接著是h
,再接著是e
.
"the" => The fat cat sat on the mat.
正則表示式123
匹配字串123
. 它逐個字元的與輸入的正則表示式做比較.
正則表示式是大小寫敏感的, 所以The
不會匹配the
.
"The" => The fat cat sat on the mat.
2. 元字元
正則表示式主要依賴於元字元.
元字元不代表他們本身的字面意思, 他們都有特殊的含義. 一些元字元寫在方括號中的時候有一些特殊的意思. 以下是一些元字元的介紹:
元字元 | 描述 |
---|---|
. | 句號匹配任意單個字元除了換行符. |
[ ] | 字元種類. 匹配方括號內的任意字元. |
[^ ] | 否定的字元種類. 匹配除了方括號裡的任意字元 |
* | 匹配>=0個重複的在*號之前的字元. |
+ | 匹配>=1個重複的+號前的字元. |
? | 標記?之前的字元為可選. |
{n,m} | 匹配num個大括號之前的字元 (n <= num <= m). |
(xyz) | 字符集, 匹配與 xyz 完全相等的字串. |
| | 或運算子,匹配符號前或後的字元. |
\ | 轉義字元,用於匹配一些保留的字元 [ ] ( ) { } . * + ? ^ $ \ | |
^ | 從開始行開始匹配. |
$ | 從末端開始匹配. |
2.1 點運算子 .
.
是元字元中最簡單的例子.
.
匹配任意單個字元, 但不匹配換行符.
例如, 表示式.ar
匹配一個任意字元後面跟著是a
和r
的字串.
".ar" => The car parked in the garage.
2.2 字符集
字符集也叫做字元類.
方括號用來指定一個字符集.
在方括號中使用連字元來指定字符集的範圍.
在方括號中的字符集不關心順序.
例如, 表示式[Tt]he
匹配 the
和 The
.
"[Tt]he" => The car parked in the garage.
方括號的句號就表示句號.
表示式 ar[.]
匹配 ar.
字串
"ar[.]" => A garage is a good place to park a car.
2.2.1 否定字符集
一般來說 ^
表示一個字串的開頭, 但它用在一個方括號的開頭的時候, 它表示這個字符集是否定的.
例如, 表示式[^c]ar
匹配一個後面跟著ar
的除了c
的任意字元.
"[^c]ar" => The car parked in the garage.
2.3 重複次數
後面跟著元字元 +
, *
or ?
的, 用來指定匹配子模式的次數.
這些元字元在不同的情況下有著不同的意思.
2.3.1 *
號
*
號匹配 在*
之前的字元出現大於等於0
次.
例如, 表示式 a*
匹配以0或更多個a開頭的字元, 因為有0個這個條件, 其實也就匹配了所有的字元. 表示式[a-z]*
匹配一個行中所有以小寫字母開頭的字串.
"[a-z]*" => The car parked in the garage #21.
*
字元和.
字元搭配可以匹配所有的字元.*
.
*
和表示匹配空格的符號\s
連起來用, 如表示式\s*cat\s*
匹配0或更多個空格開頭和0或更多個空格結尾的cat字串.
"\s*cat\s*" => The fat cat sat on the concatenation.
2.3.2 +
號
+
號匹配+
號之前的字元出現 >=1 次.
例如表示式c.+t
匹配以首字母c
開頭以t
結尾,中間跟著任意個字元的字串.
2.3.3 ?
號
在正則表示式中元字元 ?
標記在符號前面的字元為可選, 即出現 0 或 1 次.
例如, 表示式 [T]?he
匹配字串 he
和 The
.
"[T]he" => The car is parked in the garage.
"[T]?he" => The car is parked in the garage.
2.4 {}
號
在正則表示式中 {}
是一個量詞, 常用來一個或一組字元可以重複出現的次數.
例如, 表示式 [0-9]{2,3}
匹配最少 2 位最多 3 位 0~9 的數字.
"[0-9]{2,3}" => The number was 9.9997 but we rounded it off to 10.0.
我們可以省略第二個引數.
例如, [0-9]{2,}
匹配至少兩位 0~9 的數字.
如果逗號也省略掉則表示重複固定的次數.
例如, [0-9]{3}
匹配3位數字
"[0-9]{2,}" => The number was 9.9997 but we rounded it off to 10.0.
"[0-9]{3}" => The number was 9.9997 but we rounded it off to 10.0.
2.5 (...)
特徵標群
特徵標群是一組寫在 (...)
中的子模式. 例如之前說的 {}
是用來表示前面一個字元出現指定次數. 但如果在 {}
前加入特徵標群則表示整個標群內的字元重複 N 次. 例如, 表示式 (ab)*
匹配連續出現 0 或更多個 ab
.
我們還可以在 ()
中用或字元 |
表示或. 例如, (c|g|p)ar
匹配 car
或 gar
或 par
.
"(c|g|p)ar" => The car is parked in the garage.
2.6 |
或運算子
或運算子就表示或, 用作判斷條件.
例如 (T|t)he|car
匹配 (T|t)he
或 car
.
"(T|t)he|car" => The car is parked in the garage.
2.7 轉碼特殊字元
反斜線 \
在表示式中用於轉碼緊跟其後的字元. 用於指定 { } [ ] / \ + * . $ ^ | ?
這些特殊字元. 如果想要匹配這些特殊字元則要在其前面加上反斜線 \
.
例如 .
是用來匹配除換行符外的所有字元的. 如果想要匹配句子中的 .
則要寫成 \.
以下這個例子 \.?
是選擇性匹配.
"(f|c|m)at\.?" => The fat cat sat on the mat.
2.8 錨點
在正則表示式中, 想要匹配指定開頭或結尾的字串就要使用到錨點. ^
指定開頭, $
指定結尾.
2.8.1 ^
號
^
用來檢查匹配的字串是否在所匹配字串的開頭.
例如, 在 abc
中使用表示式 ^a
會得到結果 a
. 但如果使用 ^b
將匹配不到任何結果. 因為在字串 abc
中並不是以 b
開頭.
例如, ^(T|t)he
匹配以 The
或 the
開頭的字串.
"(T|t)he" => The car is parked in the garage.
"^(T|t)he" => The car is parked in the garage.
2.8.2 $
號
同理於 ^
號, $
號用來匹配字元是否是最後一個.
例如, (at\.)$
匹配以 at.
結尾的字串.
"(at\.)" => The fat cat. sat. on the mat.
"(at\.)$" => The fat cat. sat. on the mat.
3. 簡寫字符集
正則表示式提供一些常用的字符集簡寫. 如下:
簡寫 | 描述 |
---|---|
. | 除換行符外的所有字元 |
\w | 匹配所有字母數字, 等同於 [a-zA-Z0-9_] |
\W | 匹配所有非字母數字, 即符號, 等同於: [^\w] |
\d | 匹配數字: [0-9] |
\D | 匹配非數字: [^\d] |
\s | 匹配所有空格字元, 等同於: [\t\n\f\r\p{Z}] |
\S | 匹配所有非空格字元: [^\s] |
\f | 匹配一個換頁符 |
\n | 匹配一個換行符 |
\r | 匹配一個回車符 |
\t | 匹配一個製表符 |
\v | 匹配一個垂直製表符 |
\p | 匹配 CR/LF (等同於 \r\n ),用來匹配 DOS 行終止符 |
4. 前後關聯約束(前後預查)
前置約束和後置約束都屬於非捕獲簇(用於匹配不在匹配列表中的格式).
前置約束用於判斷所匹配的格式是否在另一個確定的格式之後.
例如, 我們想要獲得所有跟在 $
符號後的數字, 我們可以使用正向向後約束 (?<=\$)[0-9\.]*
.
這個表示式匹配 $
開頭, 之後跟著 0,1,2,3,4,5,6,7,8,9,.
這些字元可以出現大於等於 0 次.
前後關聯約束如下:
符號 | 描述 |
---|---|
?= | 前置約束-存在 |
?! | 前置約束-排除 |
?<= | 後置約束-存在 |
?<! | 後置約束-排除 |
4.1 ?=...
前置約束(存在)
?=...
前置約束(存在), 表示第一部分表示式必須跟在 ?=...
定義的表示式之後.
返回結果只滿足第一部分表示式.
定義一個前置約束(存在)要使用 ()
. 在括號內部使用一個問號和等號: (?=...)
.
前置約束的內容寫在括號中的等號後面.
例如, 表示式 (T|t)he(?=\sfat)
匹配 The
和 the
, 在括號中我們又定義了前置約束(存在) (?=\sfat)
,即 The
和 the
後面緊跟著 (空格)fat
.
"(T|t)he(?=\sfat)" => The fat cat sat on the mat.
4.2 ?!...
前置約束-排除
前置約束-排除 ?!
用於篩選所有匹配結果, 篩選條件為 其後不跟隨著定義的格式
前置約束-排除
定義和 前置約束(存在)
一樣, 區別就是 =
替換成 !
也就是 (?!...)
.
表示式 (T|t)he(?!\sfat)
匹配 The
和 the
, 且其後不跟著 (空格)fat
.
"(T|t)he(?!\sfat)" => The fat cat sat on the mat.
4.3 ?<= ...
後置約束-存在
後置約束-存在 記作(?<=...)
用於篩選所有匹配結果, 篩選條件為 其前跟隨著定義的格式.
例如, 表示式 (?<=(T|t)he\s)(fat|mat)
匹配 fat
和 mat
, 且其前跟著 The
或 the
.
"(?<=(T|t)he\s)(fat|mat)" => The fat cat sat on the mat.
4.4 ?<!...
後置約束-排除
後置約束-排除 記作 (?<!...)
用於篩選所有匹配結果, 篩選條件為 其前不跟著定義的格式.
例如, 表示式 (?<!(T|t)he\s)(cat)
匹配 cat
, 且其前不跟著 The
或 the
.
"(?<!(T|t)he\s)(cat)" => The cat sat on cat.
5. 標誌
標誌也叫修飾語, 因為它可以用來修改表示式的搜尋結果.
這些標誌可以任意的組合使用, 它也是整個正則表示式的一部分.
標誌 | 描述 |
---|---|
i | 忽略大小寫. |
g | 全域性搜尋. |
m | 多行的: 錨點元字元 ^ $ 工作範圍在每行的起始. |
5.1 忽略大小寫 (Case Insensitive)
修飾語 i
用於忽略大小寫.
例如, 表示式 /The/gi
表示在全域性搜尋 The
, 在後面的 i
將其條件修改為忽略大小寫, 則變成搜尋 the
和 The
, g
表示全域性搜尋.
"The" => The fat cat sat on the mat.
"/The/gi" => The fat cat sat on the mat.
5.2 全域性搜尋 (Global search)
修飾符 g
常用語執行一個全域性搜尋匹配, 即(不僅僅返回第一個匹配的, 而是返回全部).
例如, 表示式 /.(at)/g
表示搜尋 任意字元(除了換行) + at
, 並返回全部結果.
"/.(at)/" => The fat cat sat on the mat.
"/.(at)/g" => The fat cat sat on the mat.
5.3 多行修飾符 (Multiline)
多行修飾符 m
常用語執行一個多行匹配.
像之前介紹的 (^,$)
用於檢查格式是否是在待檢測字串的開頭或結尾. 但我們如果想要它在每行的開頭和結尾生效, 我們需要用到多行修飾符 m
.
例如, 表示式 /at(.)?$/gm
表示在待檢測字串每行的末尾搜尋 at
後跟一個或多個 .
的字串, 並返回全部結果.
"/.at(.)?$/" => The fat cat sat on the mat.
"/.at(.)?$/gm" => The fat cat sat on the mat.
最短匹配
懶惰限定符
| 程式碼 | 說明 |
| :-- | :-- |
| *? | 重複任意次,但儘可能少重複 |
| ?? | 重複0次或1次,但儘可能少重複 |
| {n,m}? | 重複n到m次,但儘可能少重複 |
| {n,}? | 重複n次以上,但儘可能少重複 |
分組捕獲
捕獲組
捕獲組可以通過從左到右計算其開括號來編號 。例如,在表示式 (A)(B(C))
中,存在四個這樣的組:
| 組號 | 捕獲組 |
| :-- | :-- |
| 0 | (A)(B©) |
| 1 | (A) |
| 2 | (B©) |
| 3 | © |
組零 始終代表 整個表示式
之所以這樣命名捕獲組是因為在匹配中,儲存了與這些組匹配的輸入序列的每個子序列。捕獲的子序列稍後可以通過 Back 引用(反向引用) 在表示式中使用,也可以在匹配操作完成後從匹配器檢索。
Back 引用 是說在後面的表示式中我們可以使用 組的編號 來引用前面的表示式所捕獲到的文字序列。注意:反向引用,引用的是前面捕獲組中的 文字 而不是正則,也就是說反向引用處匹配的文字應和前面捕獲組中的文字相同,這一點很重要。
【例】 (["’]).*\1
例子中使用了分組,\1
就是對引號這個分組的引用,它匹配包含在兩個引號或者兩個單引號中的所有字串,如,"abc"
或 " ' "
或 ' " '
,但是請注意,它並不會對 " a'
或者 'a"
匹配。原因上面已經說明, Back引用只是引用文字而不是表示式
非捕獲組
它的作用就是匹配 Pattern 字元,好處就是不捕獲文字,不將匹配到的字元儲存到記憶體中,從而節省記憶體。
【例】匹配 indestry 或者 indestries
我們可以使用 indestr(y|ies)
或者 indestr(?:y|ies)
【例】 (?:a|A)123(?:b)
可以匹配 a123b 或者 A123b
非捕獲組有很多種形式,其中包括: 零寬度斷言 和 模式修正符
零寬度斷言
| 模式 | 說明 |
| :-- | :-- |
| (?=X) | X,通過零寬度的正 lookahead |
| (?!X) | X,通過零寬度的負 lookahead |
| (?<=X) | X,通過零寬度的正 lookbehind |
| (?<!X) | X,通過零寬度的負 lookbehind |
這四個非捕獲組用於匹配表示式 X,但是不包含表示式的文字。
| 模式 | 說明 |
| :— | :-- |
| (?=X) | 零寬度正先行斷言。僅當子表示式 X 在 此位置的右側匹配時才繼續匹配。也就是說要使此零寬度斷言起到我們想要的效果的話,就必須把這個非捕獲組放在整個表示式的右側。例如,/w+(?=/d) 與後跟數字的單詞匹配,而不與該數字匹配。此構造不會回溯。 |
| (?!X) | 零寬度負先行斷言。僅當子表示式 X 不在 此位置的右側匹配時才繼續匹配。例如,例如,/w+(?!/d) 與後不跟數字的單詞匹配,而不與該數字匹配 。 |
| (?<=X) | 零寬度正後發斷言。僅當子表示式 X 在 此位置的左側匹配時才繼續匹配。例如,(?<=19)99 與跟在 19 後面的 99 的例項匹配。此構造不會回溯。 |
| (?<!X) | 零寬度負後發斷言。僅當子表示式 X 不在此位置的左側匹配時才繼續匹配。例如,(?<!19)99 與不跟在 19 後面的 99 的例項匹配 |
上面都是理論性的介紹,這裡就使用一些例子來說明一下問題:
【例1】正則表示式 (?<!4)56(?=9)
含義:匹配後面的文字56前面不能是4,後面必須是9組成。因此,可以匹配如下文字 5569中的 56 ,與4569不匹配。
【例2】提取字串 da12bka3434bdca4343bdca234bm 中包含在字元a和b之間的數字,但是這個a之前的字元不能是c;b後面的字元必須是d才能提取。
顯然,這裡就只有3434這個數字滿足要求。那麼我們怎麼提取呢?
首先,我們寫出含有捕獲組的正則表示式: [^c]a\d*bd
然後我們再將其變為非捕獲組的正則表示式: (?<=[^c]a)\d*(?=bd)
模式修正符
以(?)開頭的非捕獲組除了零寬度斷言之外,還有模式修正符。
正則表示式中常用的模式修正符有i、g、m、s、x、e等。它們之間可以組合搭配使用。
(?imnsx-imnsx: )
應用或禁用子表示式中指定的選項。例如,(?i-s: )
將開啟不區分大小寫並禁用單行模式。關閉不區分大小寫的開關可以使用 (?-i)
。有關更多資訊,請參閱正則表示式選項。
【例1】 (?i)ab
表示對 (?i)
後的所有字元都開啟不區分大小寫的開關。故它可以匹配ab、aB、Ab、AB
【例2】 (?i:a)b
它表示只對a開啟不區分大小寫的開關。故它可以匹配ab和Ab。不能匹配aB和AB。
(?>Pattern)等同於侵佔模式
匹配成功不進行回溯,這個比較複雜,與侵佔量詞“+”可以通用,比如:\d++
可以寫為 (?>\d+)
【例】將一些多位的小數截短到三位小數:\d+\.\d\d[1-9]?\d+
在這種條件下 6.625 能進行匹配,這樣做沒有必要,因為它本身就是三位小數。最後一個“5”本來是給 [1-9] 匹配的,但是後面還有一個 \d+ 所以,[1-9] 由於是“?”可以不匹配所以只能放棄當前的匹配,將這個“5”送給 \d+ 去匹配,如果改為: \d+\.\d\d[1-9]?+\d+
的侵佔形式,在“5”匹配到 [1-9] 時,由於是侵佔式的,所以不會進行回溯,後面的 \d+ 就匹配不到任東西了,所以導致 6.625 匹配失敗。
這種情況,在替換時就有效了,比如把數字截短到小數點後三位,如果正好是三位小數的,就可以不用替換了,可以提高效率,侵佔量詞基本上就是用來提高匹配效率的。
把 \d+\.\d\d[1-9]?+\d+
改為 \d+\.\d\d(?>[1-9]?)\d+
這樣是一樣的。