1. 程式人生 > >30分鐘瞭解正則表示式

30分鐘瞭解正則表示式

本文目標

30分鐘內讓你明白正則表示式是什麼,並對它有一些基本的瞭解,讓你可以在自己的程式或網頁裡使用它。

如何使用本教程

最重要的是——請給我30分鐘,如果你沒有使用正則表示式的經驗,請不要試圖在30秒內入門——除非你是超人 :)
別被下面那些複雜的表示式嚇倒,只要跟著我一步一步來,你會發現正則表示式其實並沒有想像中的那麼困難。當然,如果你看完了這篇教程之後,發現自己明白了很多,卻又幾乎什麼都記不得,那也是很正常的——我認為,沒接觸過正則表示式的人在看完這篇教程後,能把提到過的語法記住80%以上的可能性為零。這裡只是讓你明白基本的原理,以後你還需要多練習,多使用,才能熟練掌握正則表示式。
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示式語法參考手冊。就作者本人的經歷來說,這個目標還是完成得不錯的——你看,我自己也沒能把所有的東西記下來,不是嗎?
清除格式 文字格式約定:專業術語 元字元/語法格式 正則表示式 正則表示式中的一部分(用於分析) 對其進行匹配的源字串 對正則表示式或其中一部分的說明

正則表示式到底是什麼東西?

字元是計算機軟體處理文字時最基本的單位,可能是字母,數字,標點符號,空格,換行符,漢字等等。字串是0個或更多個字元的序列。文字也就是文字,字串。說某個字串匹配某個正則表示式,通常是指這個字串裡有一部分(或幾部分分別)能滿足表示式給出的條件。
在編寫處理字串的程式或網頁時,經常會有查詢符合某些複雜規則的字串的需要。正則表示式就是用於描述這些規則的工具。換句話說,正則表示式就是記錄文字規則的程式碼。
很可能你使用過Windows/Dos下用於檔案查詢的萬用字元(wildcard),也就是*和?。如果你想查詢某個目錄下的所有的Word文件的話,你會搜尋*.doc。在這裡,*會被解釋成任意的字串。和萬用字元類似,正則表示式也是用來進行文字匹配的工具,只不過比起萬用字元,它能更精確地描述你的需求——當然,代價就是更復雜——比如你可以編寫一個正則表示式,用來查詢所有以0開頭,後面跟著2-3個數字,然後是一個連字號“-”,最後是7或8位數字的字串(像010-12345678或0376-7654321)。

入門

學習正則表示式的最好方法是從例子開始,理解例子之後再自己對例子進行修改,實驗。下面給出了不少簡單的例子,並對它們作了詳細的說明。
假設你在一篇英文小說裡查詢hi,你可以使用正則表示式hi。這幾乎是最簡單的正則表示式了,它可以精確匹配這樣的字串:由兩個字元組成,前一個字元是h,後一個是i。通常,處理正則表示式的工具會提供一個忽略大小寫的選項,如果選中了這個選項,它可以匹配hi,HI,Hi,hI這四種情況中的任意一種。不幸的是,很多單詞裡包含hi這兩個連續的字元,比如him,history,high等等。用hi來查詢的話,這裡邊的hi也會被找出來。如果要精確地查詢hi這個單詞的話,我們應該使用\bhi\b。\b是正則表示式規定的一個特殊程式碼(好吧,某些人叫它元字元,metacharacter),代表著單詞的開頭或結尾,也就是單詞的分界處。雖然通常英文的單詞是由空格,標點符號或者換行來分隔的,但是\b並不匹配這些單詞分隔字元中的任何一個,它只匹配一個位置。如果需要更精確的說法,\b匹配這樣的位置:它的前一個字元和後一個字元不全是(一個是,一個不是或不存在)\w。假如你要找的是hi後面不遠處跟著一個Lucy,你應該用\bhi\b.*\bLucy\b。
這裡,.是另一個元字元,匹配除了換行符以外的任意字元。*同樣是元字元,不過它代表的不是字元,也不是位置,而是數量——它指定*前邊的內容可以連續重複使用任意次以使整個表示式得到匹配。因此,.*連在一起就意味著任意數量的不包含換行的字元。現在\bhi\b.*\bLucy\b的意思就很明顯了:先是一個單詞hi,然後是任意個任意字元(但不能是換行),最後是Lucy這個單詞。
換行符就是'\n',ASCII編碼為10(十六進位制0x0A)的字元。如果同時使用其它元字元,我們就能構造出功能更強大的正則表示式。比如下面這個例子:
0\d\d-\d\d\d\d\d\d\d\d匹配這樣的字串:以0開頭,然後是兩個數字,然後是一個連字號“-”,最後是8個數字(也就是中國的電話號碼。當然,這個例子只能匹配區號為3位的情形)。
這裡的\d是個新的元字元,匹配一位數字(0,或1,或2,或……)。-不是元字元,只匹配它本身——連字元(或者減號,或者中橫線,或者隨你怎麼稱呼它)。
為了避免那麼多煩人的重複,我們也可以這樣寫這個表示式:0\d{2}-\d{8}。這裡\d後面的{2}({8})的意思是前面\d必須連續重複匹配2次(8次)。

測試正則表示式

如果你不覺得正則表示式很難讀寫的話,要麼你是一個天才,要麼,你不是地球人。正則表示式的語法很令人頭疼,即使對經常使用它的人來說也是如此。由於難於讀寫,容易出錯,所以找一種工具對正則表示式進行測試是很有必要的。
不同的環境下正則表示式的一些細節是不相同的,本教程介紹的是微軟 .Net Framework 4.0 下正則表示式的行為,所以,我向你推薦我編寫的.Net下的工具 正則表示式測試器。請參考該頁面的說明來安裝和執行該軟體。
下面是Regex Tester執行時的截圖:
正則表示式測試器執行截圖

這裡寫圖片描述

元字元

現在你已經知道幾個很有用的元字元了,如\b,.,*,還有\d.正則表示式裡還有更多的元字元,比如\s匹配任意的空白符,包括空格,製表符(Tab),換行符,中文全形空格等。\w匹配字母或數字或下劃線或漢字等。
對中文/漢字的特殊處理是由.Net提供的正則表示式引擎支援的,其它環境下的具體情況請檢視相關文件。
下面來看看更多的例子:
\ba\w*\b匹配以字母a開頭的單詞——先是某個單詞開始處(\b),然後是字母a,然後是任意數量的字母或數字(\w*),最後是單詞結束處(\b)。
好吧,現在我們說說正則表示式裡的單詞是什麼意思吧:就是不少於一個的連續的\w。不錯,這與學習英文時要背的成千上萬個同名的東西的確關係不大 :)
\d+匹配1個或更多連續的數字。這裡的+是和*類似的元字元,不同的是*匹配重複任意次(可能是0次),而+則匹配重複1次或更多次。
\b\w{6}\b 匹配剛好6個字元的單詞。
.   匹配除換行符以外的任意字元
\w  匹配字母或數字或下劃線或漢字
\s  匹配任意的空白符
\d  匹配數字
\b  匹配單詞的開始或結束
^   匹配字串的開始
$  匹配字串的結束
正則表示式引擎通常會提供一個“測試指定的字串是否匹配一個正則表示式”的方法,如JavaScript裡的RegExp.test()方法或.NET裡的Regex.IsMatch()方法。這裡的匹配是指是字串裡有沒有符合表示式規則的部分。如果不使用^和$的話,對於\d{5,12}而言,使用這樣的方法就只能保證字串裡包含5到12連續位數字,而不是整個字串就是5到12位數字。
元字元^(和數字6在同一個鍵位上的符號)和$都匹配一個位置,這和\b有點類似。^匹配你要用來查詢的字串的開頭,$匹配結尾。這兩個程式碼在驗證輸入的內容時非常有用,比如一個網站如果要求你填寫的QQ號必須為5位到12位數字時,可以使用:^\d{5,12}$。
這裡的{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複2次,{5,12}則是重複的次數不能少於5次,不能多於12次,否則都不匹配。
因為使用了^和$,所以輸入的整個字串都要用來和\d{5,12}來匹配,也就是說整個輸入必須是5到12個數字,因此如果輸入的QQ號能匹配這個正則表示式的話,那就符合要求了。
和忽略大小寫的選項類似,有些正則表示式處理工具還有一個處理多行的選項。如果選中了這個選項,^和$的意義就變成了匹配行的開始處和結束處。

字元轉義

如果你想查詢元字元本身的話,比如你查詢.,或者*,就出現了問題:你沒辦法指定它們,因為它們會被解釋成別的意思。這時你就得使用\來取消這些字元的特殊意義。因此,你應該使用\.和\*。當然,要查詢\本身,你也得用\\.
例如:deerchao\.net匹配deerchao.net,C:\\Windows匹配C:\Windows。

重複

你已經看過了前面的*,+,{2},{5,12}這幾個匹配重複的方式了。下面是正則表示式中所有的限定符(指定數量的程式碼,例如*,{5,12}等):
2.常用的限定符
程式碼/語法   說明
*   重複零次或更多次
+   重複一次或更多次
?   重複零次或一次
{n} 重複n次
{n,}    重複n次或更多次
{n,m}   重複n到m次
下面是一些使用重複的例子:
Windows\d+匹配Windows後面跟1個或更多數字
    ^\w+匹配一行的第一個單詞(或整個字串的第一個單詞,具體匹配哪個意思得看選項設定)

字元類

要想查詢數字,字母或數字,空白是很簡單的,因為已經有了對應這些字元集合的元字元,但是如果你想匹配沒有預定義元字元的字元集合(比如母音字母a,e,i,o,u),應該怎麼辦?
很簡單,你只需要在方括號裡列出它們就行了,像[aeiou]就匹配任何一個英文母音字母,[.?!]匹配標點符號(.或?或!)。
我們也可以輕鬆地指定一個字元範圍,像[0-9]代表的含意與\d就是完全一致的:一位數字;同理[a-z0-9A-Z_]也完全等同於\w(如果只考慮英文的話)。
下面是一個更復雜的表示式:\(?0\d{2}[) -]?\d{8}。
“   (”和“)”也是元字元,後面的分組節裡會提到,所以在這裡需要使用轉義。
    這個表示式可以匹配幾種格式的電話號碼,像(010)88886666,或022-22334455,或02912345678等。我們對它進行一些分析吧:首先是一個轉義字元\(,它能出現0次或1次(?),然後是一個0,後面跟著2個數字(\d{2}),然後是)或-或空格中的一個,它出現1次或不出現(?),最後是8個數字(\d{8})。

分枝條件

不幸的是,剛才那個表示式也能匹配010)12345678或(022-87654321這樣的“不正確”的格式。要解決這個問題,我們需要用到分枝條件。正則表示式裡的分枝條件指的是有幾種規則,如果滿足其中任意一種規則都應該當成匹配,具體方法是用|把不同的規則分隔開。聽不明白?沒關係,看例子:
0\d{2}-\d{8}|0\d{3}-\d{7}這個表示式能匹配兩種以連字號分隔的電話號碼:一種是三位區號,8位本地號(如010-12345678),一種是4位區號,7位本地號(0376-2233445)。
\(?0\d{2}\)?[- ]?\d{8}|0\d{2}[- ]?\d{8}這個表示式匹配3位區號的電話號碼,其中區號可以用小括號括起來,也可以不用,區號與本地號間可以用連字號或空格間隔,也可以沒有間隔。你可以試試用分枝條件把這個表示式擴充套件成也支援4位區號的。
    \d{5}-\d{4}|\d{5}這個表示式用於匹配美國的郵政編碼。美國郵編的規則是5位數字,或者用連字號間隔的9位數字。之所以要給出這個例子是因為它能說明一個問題:使用分枝條件時,要注意各個條件的順序。如果你把它改成\d{5}|\d{5}-\d{4}的話,那麼就只會匹配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,將會從左到右地測試每個條件,如果滿足了某個分枝的話,就不會去再管其它的條件了。

分組

我們已經提到了怎麼重複單個字元(直接在字元後面加上限定符就行了);但如果想要重複多個字元又該怎麼辦?你可以用小括號來指定子表示式(也叫做分組),然後你就可以指定這個子表示式的重複次數了,你也可以對子表示式進行其它一些操作(後面會有介紹)。
(\d{1,3}\.){3}\d{1,3}是一個簡單的IP地址匹配表示式。要理解這個表示式,請按下列順序分析它:\d{1,3}匹配1到3位的數字,(\d{1,3}\.){3}匹配三位數字加上一個英文句號(這個整體也就是這個分組)重複3次,最後再加上一個一到三位的數字(\d{1,3})。
IP地址中每個數字都不能大於255. 經常有人問我, 01.02.03.04 這樣前面帶有0的數字, 是不是正確的IP地址呢? 答案是: 是的, IP 地址裡的數字可以包含有前導 0 (leading zeroes).
不幸的是,它也將匹配256.300.888.999這種不可能存在的IP地址。如果能使用算術比較的話,或許能簡單地解決這個問題,但是正則表示式中並不提供關於數學的任何功能,所以只能使用冗長的分組,選擇,字元類來描述一個正確的IP地址:((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。
理解這個表示式的關鍵是理解2[0-4]\d|25[0-5]|[01]?\d\d?,這裡我就不細說了,你自己應該能分析得出來它的意義。

反義

有時需要查詢不屬於某個能簡單定義的字元類的字元。比如想查詢除了數字以外,其它任意字元都行的情況,這時需要用到反義:
表3.常用的反義程式碼
程式碼/語法   說明
\W  匹配任意不是字母,數字,下劃線,漢字的字元
\S  匹配任意不是空白符的字元
\D  匹配任意非數字的字元
\B  匹配不是單詞開頭或結束的位置
[^x]    匹配除了x以外的任意字元
[^aeiou]    匹配除了aeiou這幾個字母以外的任意字元
例子:\S+匹配不包含空白符的字串。
<a[^>]+>匹配用尖括號括起來的以a開頭的字串。

後向引用

使用小括號指定一個子表示式後,匹配這個子表示式的文字(也就是此分組捕獲的內容)可以在表示式或其它程式中作進一步的處理。預設情況下,每個分組會自動擁有一個組號,規則是:從左向右,以分組的左括號為標誌,第一個出現的分組的組號為1,第二個為2,以此類推。
呃……其實,組號分配還不像我剛說得那麼簡單:
分組0對應整個正則表示式
實際上組號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都大於未命名的組號
你可以使用(?:exp)這樣的語法來剝奪一個分組對組號分配的參與權.
後向引用用於重複搜尋前面某個分組匹配的文字。例如,\1代表分組1匹配的文字。難以理解?請看示例:
\b(\w+)\b\s+\1\b可以用來匹配重複的單詞,像go go, 或者kitty kitty。這個表示式首先是一個單詞,也就是單詞開始處和結束處之間的多於一個的字母或數字(\b(\w+)\b),這個單詞會被捕獲到編號為1的分組中,然後是1個或幾個空白符(\s+),最後是分組1中捕獲的內容(也就是前面匹配的那個單詞)(\1)。
    你也可以自己指定子表示式的組名。要指定一個子表示式的組名,請使用這樣的語法:(?<Word>\w+)(或者把尖括號換成'也行:(?'Word'\w+)),這樣就把\w+的組名指定為Word了。要反向引用這個分組捕獲的內容,你可以使用\k<Word>,所以上一個例子也可以寫成這樣:\b(?<Word>\w+)\b\s+\k<Word>\b。
使用小括號的時候,還有很多特定用途的語法。下面列出了最常用的一些:
4.常用分組語法
分類  程式碼/語法   說明
捕獲  (exp)   匹配exp,並捕獲文字到自動命名的組裡
(?<name>exp)    匹配exp,並捕獲文字到名稱為name的組裡,也可以寫成(?'name'exp)
(?:exp) 匹配exp,不捕獲匹配的文字,也不給此分組分配組號
零寬斷言    (?=exp) 匹配exp前面的位置
(?<=exp)    匹配exp後面的位置
(?!exp) 匹配後面跟的不是exp的位置
(?<!exp)    匹配前面不是exp的位置
註釋  (?#comment) 這種型別的分組不對正則表示式的處理產生任何影響,用於提供註釋讓人閱讀
我們已經討論了前兩種語法。第三個(?:exp)不會改變正則表示式的處理方式,只是這樣的組匹配的內容不會像前兩種那樣被捕獲到某個組裡面,也不會擁有組號。“我為什麼會想要這樣做?”——好問題,你覺得為什麼呢?

零寬斷言

地球人,是不是覺得這些術語名稱太複雜,太難記了?我也有同感。知道有這麼一種東西就行了,它叫什麼,隨它去吧!人若無名,便可專心練劍;物若無名,便可隨意取捨……
接下來的四個用於查詢在某些內容(但並不包括這些內容)之前或之後的東西,也就是說它們像\b,^,$那樣用於指定一個位置,這個位置應該滿足一定的條件(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:
斷言用來宣告一個應該為真的事實。正則表示式中只有當斷言為真時才會繼續進行匹配。
(?=exp)也叫零寬度正預測先行斷言,它斷言自身出現的位置的後面能匹配表示式exp。比如\b\w+(?=ing\b),匹配以ing結尾的單詞的前面部分(除了ing以外的部分),如查詢I'm singing while you're dancing.時,它會匹配sing和danc。
(?<=exp)也叫零寬度正回顧後發斷言,它斷言自身出現的位置的前面能匹配表示式exp。比如(?<=\bre)\w+\b會匹配以re開頭的單詞的後半部分(除了re以外的部分),例如在查詢reading a book時,它匹配ading。
    假如你想要給一個很長的數字中每三位間加一個逗號(當然是從右邊加起了),你可以這樣查詢需要在前面和裡面新增逗號的部分:((?<=\d)\d{3})+\b,用它對1234567890進行查詢時結果是234567890。
下面這個例子同時使用了這兩種斷言:(?<=\s)\d+(?=\s)匹配以空白符間隔的數字(再次強調,不包括這些空白符)。

負向零寬斷言

前面我們提到過怎麼查詢不是某個字元或不在某個字元類裡的字元的方法(反義)。但是如果我們只是想要確保某個字元沒有出現,但並不想去匹配它時怎麼辦?例如,如果我們想查詢這樣的單詞--它裡面出現了字母q,但是q後面跟的不是字母u,我們可以嘗試這樣:
\b\w*q[^u]\w*\b匹配包含後面不是字母u的字母q的單詞。但是如果多做測試(或者你思維足夠敏銳,直接就觀察出來了),你會發現,如果q出現在單詞的結尾的話,像Iraq,Benq,這個表示式就會出錯。這是因為[^u]總要匹配一個字元,所以如果q是單詞的最後一個字元的話,後面的[^u]將會匹配q後面的單詞分隔符(可能是空格,或者是句號或其它的什麼),後面的\w*\b將會匹配下一個單詞,於是\b\w*q[^u]\w*\b就能匹配整個Iraq fighting。負向零寬斷言能解決這樣的問題,因為它只匹配一個位置,並不消費任何字元。現在,我們可以這樣來解決這個問題:\b\w*q(?!u)\w*\b。
零寬度負預測先行斷言(?!exp),斷言此位置的後面不能匹配表示式exp。例如:\d{3}(?!\d)匹配三位數字,而且這三位數字的後面不能是數字;\b((?!abc)\w)+\b匹配不包含連續字串abc的單詞。
同理,我們可以用(?<!exp),零寬度負回顧後發斷言來斷言此位置的前面不能匹配表示式exp:(?<![a-z])\d{7}匹配前面不是小寫字母的七位數字。
請詳細分析表示式(?<=<(\w+)>).*(?=<\/\1>),這個表示式最能表現零寬斷言的真正用途。
一個更復雜的例子:(?<=<(\w+)>).*(?=<\/\1>)匹配不包含屬性的簡單HTML標籤內裡的內容。(?<=<(\w+)>)指定了這樣的字首:被尖括號括起來的單詞(比如可能是<b>),然後是.*(任意的字串),最後是一個字尾(?=<\/\1>)。注意字尾裡的\/,它用到了前面提過的字元轉義;\1則是一個反向引用,引用的正是捕獲的第一組,前面的(\w+)匹配的內容,這樣如果字首實際上是<b>的話,字尾就是</b>了。整個表示式匹配的是<b>和</b>之間的內容(再次提醒,不包括字首和字尾本身)。

註釋

    小括號的另一種用途是通過語法(?#comment)來包含註釋。例如:2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。

要包含註釋的話,最好是啟用“忽略模式裡的空白符”選項,這樣在編寫表示式時能任意的新增空格,Tab,換行,而實際使用時這些都將被忽略。啟用這個選項後,在#後面到這一行結束的所有文字都將被當成註釋忽略掉。例如,我們可以前面的一個表示式寫成這樣:

    (?<=    # 斷言要匹配的文字的字首
      <(\w+)> # 查詢尖括號括起來的字母或數字(即HTML/XML標籤)
      )       # 字首結束
      .*      # 匹配任意文字
      (?=     # 斷言要匹配的文字的字尾
      <\/\1>  # 查詢尖括號括起來的內容:前面是一個"/",後面是先前捕獲的標籤
      )       # 字尾結束

貪婪與懶惰

當正則表示式中包含能接受重複的限定符時,通常的行為是(在使整個表示式能得到匹配的前提下)匹配儘可能多的字元。以這個表示式為例:a.*b,它將會匹配最長的以a開始,以b結束的字串。如果用它來搜尋aabab的話,它會匹配整個字串aabab。這被稱為貪婪匹配。
有時,我們更需要懶惰匹配,也就是匹配儘可能少的字元。前面給出的限定符都可以被轉化為懶惰匹配模式,只要在它後面加上一個問號?。這樣.*?就意味著匹配任意數量的重複,但是在能使整個匹配成功的前提下使用最少的重複。現在看看懶惰版的例子吧:
a.*?b匹配最短的,以a開始,以b結束的字串。如果把它應用於aabab的話,它會匹配aab(第一到第三個字元)和ab(第四到第五個字元)。
    為什麼第一個匹配是aab(第一到第三個字元)而不是ab(第二到第三個字元)?簡單地說,因為正則表示式有另一條規則,比懶惰/貪婪規則的優先順序更高:最先開始的匹配擁有最高的優先權——The match that begins earliest wins。
5.懶惰限定符
程式碼/語法   說明
*?  重複任意次,但儘可能少重複
+?  重複1次或更多次,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

處理選項

在C#中,你可以使用Regex(String, RegexOptions)建構函式來設定正則表示式的處理選項。如:Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);
上面介紹了幾個選項如忽略大小寫,處理多行等,這些選項能用來改變處理正則表示式的方式。下面是.Net中常用的正則表示式選項:
表6.常用的處理選項
名稱  說明
IgnoreCase(忽略大小寫)   匹配時不區分大小寫。
Multiline(多行模式) 更改^和$的含義,使它們分別在任意一行的行首和行尾匹配,而不僅僅在整個字串的開頭和結尾匹配。(在此模式下,$的精確含意是:匹配\n之前的位置以及字串結束前的位置.)
Singleline(單行模式)    更改.的含義,使它與每一個字元匹配(包括換行符\n)。
IgnorePatternWhitespace(忽略空白)   忽略表示式中的非轉義空白並啟用由#標記的註釋。
ExplicitCapture(顯式捕獲)   僅捕獲已被顯式命名的組。
一個經常被問到的問題是:是不是隻能同時使用多行模式和單行模式中的一種?答案是:不是。這兩個選項之間沒有任何關係,除了它們的名字比較相似(以至於讓人感到疑惑)以外。

平衡組/遞迴匹配

這裡介紹的平衡組語法是由.Net Framework支援的;其它語言/庫不一定支援這種功能,或者支援此功能但需要使用不同的語法。
有時我們需要匹配像( 100 * ( 50 + 15 ) )這樣的可巢狀的層次性結構,這時簡單地使用\(.+\)則只會匹配到最左邊的左括號和最右邊的右括號之間的內容(這裡我們討論的是貪婪模式,懶惰模式也有下面的問題)。假如原來的字串裡的左括號和右括號出現的次數不相等,比如( 5 / ( 3 + 2 ) ) ),那我們的匹配結果裡兩者的個數也不會相等。有沒有辦法在這樣的字串裡匹配到最長的,配對的括號之間的內容呢?
為了避免(和\(把你的大腦徹底搞糊塗,我們還是用尖括號代替圓括號吧。現在我們的問題變成了如何把xx <aa <bbb> <bbb> aa> yy這樣的字串裡,最長的配對的尖括號內的內容捕獲出來?
這裡需要用到以下的語法構造:
(?'group') 把捕獲的內容命名為group,並壓入堆疊(Stack)
(?'-group') 從堆疊上彈出最後壓入堆疊的名為group的捕獲內容,如果堆疊本來為空,則本分組的匹配失敗
(?(group)yes|no) 如果堆疊上存在以名為group的捕獲內容的話,繼續匹配yes部分的表示式,否則繼續匹配no部分
(?!) 零寬負向先行斷言,由於沒有後綴表示式,試圖匹配總是失敗
如果你不是一個程式設計師(或者你自稱程式設計師但是不知道堆疊是什麼東西),你就這樣理解上面的三種語法吧:第一個就是在黑板上寫一個"group",第二個就是從黑板上擦掉一個"group",第三個就是看黑板上寫的還有沒有"group",如果有就繼續匹配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,就在壓入一個"Open",每碰到一個右括號,就彈出一個,到了最後就看看堆疊是否為空--如果不為空那就證明左括號比右括號多,那匹配就應該失敗。正則表示式引擎會進行回溯(放棄最前面或最後面的一些字元),儘量使整個表示式得到匹配。
<                         #最外層的左括號
    [^<>]*                #最外層的左括號後面的不是括號的內容
    (
        (
            (?'Open'<)    #碰到了左括號,在黑板上寫一個"Open"
            [^<>]*       #匹配左括號後面的不是括號的內容
        )+
        (
            (?'-Open'>)   #碰到了右括號,擦掉一個"Open"
            [^<>]*        #匹配右括號後面不是括號的內容
        )+
    )*
    (?(Open)(?!))         #在遇到最外層的右括號前面,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
平衡組的一個最常見的應用就是匹配HTML,下面這個例子可以匹配巢狀的<div>標籤:<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>.

還有些什麼東西沒提到

上邊已經描述了構造正則表示式的大量元素,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。你可以在網上找到更詳細的參考資料來學習它們--當你需要用到它們的時候。如果你安裝了MSDN Library,你也可以在裡面找到.net下正則表示式詳細的文件。這裡的介紹很簡略,如果你需要更詳細的資訊,而又沒有在電腦上安裝MSDN Library,可以檢視關於正則表示式語言元素的MSDN線上文件。
表7.尚未詳細討論的語法
程式碼/語法   說明
\a  報警字元(列印它的效果是電腦嘀一聲)
\b  通常是單詞分界位置,但如果在字元類裡使用代表退格
\t  製表符,Tab
\r  回車
\v  豎向製表符
\f  換頁符
\n  換行符
\e  Escape
\0nn    ASCII程式碼中八進位制程式碼為nn的字元
\xnn    ASCII程式碼中十六進位制程式碼為nn的字元
\unnnn  Unicode程式碼中十六進位制程式碼為nnnn的字元
\cN ASCII控制字元。比如\cC代表Ctrl+C
\A  字串開頭(類似^,但不受處理多行選項的影響)
\Z  字串結尾或行尾(不受處理多行選項的影響)
\z  字串結尾(類似$,但不受處理多行選項的影響)
\G  當前搜尋的開頭
\p{name}    Unicode中命名為name的字元類,例如\p{IsGreek}
(?>exp) 貪婪子表示式
(?<x>-<y>exp)   平衡組
(?im-nsx:exp)   在子表示式exp中改變處理選項
(?im-nsx)   為表示式後面的部分改變處理選項
(?(exp)yes|no)  把exp當作零寬正向先行斷言,如果在這個位置能匹配,使用yes作為此組的表示式;否則使用no
(?(exp)yes) 同上,只是使用空表示式作為no
(?(name)yes|no) 如果命名為name的組捕獲到了內容,使用yes作為表示式;否則使用no
(?(name)yes)    同上,只是使用空表示式作為no

聯絡作者

好吧,我承認,我騙了你,讀到這裡你肯定花了不止30分鐘.相信我,這是我的錯,而不是因為你太笨.我之所以說"30分鐘",是為了讓你有信心,有耐心繼續下去.既然你看到了這裡,那證明我的陰謀成功了.被忽悠的感覺很爽吧?
要投訴我,或者覺得我其實可以忽悠得更高明,歡迎來我的微博讓我知道. 如果你有關於正則表示式的問題, 可以到 stackoverflow 網站上提問, 記得要新增 regex 標籤. 如果你更習慣於用中文交流, 可以到微博上用 #正則# 標籤提出問題.

網上的資源及本文參考文獻

精通正則表示式(第3版)
微軟的正則表示式教程
System.Text.RegularExpressions.Regex類(MSDN)
專業的正則表示式教學網站(英文)
關於.Net下的平衡組的詳細討論(英文)