第一章正则表达式概述

正则表达式(Regular Expression)起源于人类神经系统的研究。正则表达式的定义有以下几种：

l用某种模式去匹配一类字符串的公式，它主要是用来描述字符串匹配的工具。

l描述了一种字符串匹配的模式。可以用来检查字符串是否含有某种子串、将匹配的子串做替换或者从中取出符合某个条件的子串等。

l由普通字符(a-z)以及特殊字符（元字符）组成的文字模式，正则表达式作为一个模版，将某个字符模式与所搜索的字符串进行匹配。

l用于描述某些规则的的工具。这些规则经常用于处理字符串中的查找或替换字符串。也就是说正则表达式就是记录文本规则的代码。

l用一个字符串来描述一个特征，然后去验证另一个字符串是否符合这个特征。

以上这些定义其实也就是正则表达式的作用。

第二章 正则表达式基础理论

这些理论将为编写正则表达式提供法则和规范，正则表达式主要包括以下基础理论：

l元字符

l字符串

l字符转义

l反义

l限定符

l替换

l分组

l反向引用

l零宽度断言

l匹配选项

l注释

l优先级顺序

l递归匹配

2．1元字符

在正则表达式中，元字符（Metacharacter）是一类非常特殊的字符，它能够匹配一个位置或字符集合中的一个字符，如：、 w等。根据功能，元字符可以分为两种类型：匹配位置的元字符和匹配字符的元字符。

2．1．1匹配位置的元字符

包括：^、$、和b。其中^（脱字符号）和$（美元符号）都匹配一个位置，分别匹配行的开始和结尾。比如，^string匹配以string开头的行，string$匹配以string结尾的行。^string$匹配以string开始和结尾的行。单个$匹配一个空行。单个^匹配任意行。b匹配单词的开始和结尾，如：bstr匹配以str开始的单词，但b不匹配空格、标点符号或换行符号，所以，bstr可以匹配string、string fomat等单词。bstr正则表达式匹配的字符串必须以str开头，并且str以前是单词的分界处，但此正则表达式不能限定str之后的字符串形式。以下正则表达式匹配以ing结尾的字符串，如string、This is a string等

Ingb

正则表达式ingb匹配的字符串必须以ing结尾，并且ing后是分界符，以下正则表达式匹配一个完整的单词：bstringb。

2.1.2 匹配字符的元字符

匹配字符的元字符有7个:.(点号)、w、W、、s、S、d和D。其中点号匹配除换行之外的任意字符；w匹配单词字符（包括字母、汉字、下划线和数字）；W匹配任意非单词字符、s匹配任意的空白字符，如空格、制表符、换行等；S匹配任意的非空白字符；d匹配任意数字字符；D匹配任意的非数字字符。如：

^.$匹配一个非空行，在该行中可以包含除了换行符以外的任意字符。

^w$匹配一个非空行，并且该行中只能包含字母、数字、下划线和汉字中的任意字符。

bawwwwwwb匹配以字母a开头长度等于7的任意单词

bawwwdddDb匹配以字母a开头后面有3个字符三个数字和1个非数字字符长度等于8的单词

2.2 字符类

字符类是一个字符集合，如果该字符集合中的任何一个字符被匹配，则它会找到该匹配项。字符类可以在[]（方括号）中定义。如：

[012345]可以匹配数字0到5中的任意一个。

<H[123456]>可以匹配HTML标签中的H1到H6。

[Jj]ack可以匹配字符串Jack或jack。

但是，由于表达式[0123456789]书写非常不方便，连字符(-)便应用而生,[0-9]等价于[0123456789]。[a-z]匹配任何小写字母，[A-Z]匹配任意大写字母。如果要在字符类中包含连字符，则必须包含在第一位，如：[-a]表示表达式匹配-或者a。在字符类中如果^是字符类的第一个字符表示否定该字符串，也就是匹配该字符串外的任意字符，如：[^abc]匹配除了abc以外的任意字符，[^-]匹配除了连字符以外的任意字符，a[^b]匹配a之后不是b的字符串。

表2-1常用的字符类

2.3字符转义

表2-2：常用的转义字符

还有其他一些在后边章节中有特殊用处的标点符号，在前面加 "" 后，就代表该符号本身。比如：^,$ 都有特殊意义，如果要想匹配字符串中 "^" 和 "$" 字符，则表达式就需要写成 "^" 和 "$"。

2.4 反义

在使用正则表达式时，如果需要匹配不在字符类指定的范围内的字符时，可以使用反义规则。其实我们已经使用过反义表达式，如W、S、D、[^abc]等。常用的反义表如下：

表2-3：常用的反义表达式

2.4 限定符

正则表达式的元字符一次只能匹配一个位置或一个字符，如果需要匹配零个一个或多个字符时，则需要使用限定符。限定符用于指定允许特定字符或字符集自身重复出现的次数。如{n}表示出现n次；{n,}表示重复至少n次；{n,m}表示至少出现n次最

多m次。常用限定符如下表：

表2-4：常用限定符

2.5 贪婪、惰性和支配性匹配

惰性匹配：先看字符串中的第一个字母是不是一个匹配，如果单独一个字符还不够就读入下一个字符，如果还没有发现匹配，就不断地从后续字符中读取，只道发现一个合适的匹配，然后开始下一次的匹配。

贪婪匹配：先看整个字符串是不是一个匹配，如果没有发现匹配，它去掉字符串中最后一个字符并再次尝试，如果还没有发现匹配，那么再次去掉最后一个字符，这个过程会一直重复直到发现一个匹配或字符串不剩一个字符为止。

支配性匹配：只尝试匹配整个字符串，如果整个字符串不能产生一个匹配，则不再进行尝试。

我们普通的字符类均是贪婪匹配，如果在字符类后加个问号(?)则表示懒惰匹配，要成为支配性匹配则在懒惰匹配后加个问号(?).

2.6替换

正则表达式0d{2}-d{8}和0d{3}-d{7}分别匹配区号为3位和4位的固定电话号码，如果需要同时匹配区号为3位和4位的固定电话号码，可以使用替换满足这一需求。最简单的替换是使用竖线(|)表示。以下表达式匹配了区号为3位号码为8位和区号为4位号码为7位的的电话号码，区号和号码均使用-连接，0d{2}-d{8}|0d{3}-d{7}

表2-5常用替换

2.7 分组

分组又称为子表达式，即把一个正则表达式的全部或部分分成一个或多个组。其中分组使用圆括号()，分组后把圆括号中的表达式看做一个整体来处理，比如:（abc）{1，2}表示abc出现一次或两次的字符串，其中把abc看做一个整体来进行匹配。

2.8 后向引用

当一个正则表达式被分组后，每一个组将自动被赋予一个组号，该组号可以代表该组的表达式。其中，组号的编制规则为：从左到右，以分组的左括号为标志，第一个组号为1，第二个分组号为2，以此类推。如：(A?(B?(C?)))将产生3个组号，第一组为：(A?(B?(C?)))；第二组为： (B?(C?))；第三组为:(C?)。

反向引用提供了查找重复字符组的方便方法，反向引用可以使用数字命名（默认名称）的组号，也可以使用指定命名的组号。比如：b(w)1b匹配两个字符一样的单词，此表达式和b(w)wb不一样，后者两个字符可以不一样。再看，b(w)(d)12b，匹配一个字符和一个数字然后重复字符和数字。bw*(w+)1b匹配以至少两个字符一样结尾的单词。b(w+)bs+1b此正则表达式匹配的具体过程如下：

a.表达式b(w+)b匹配一个单词并且单词的长度至少为1

b.表达式s+匹配一个或多个空白字符

c.表达式1将重复子表达式(w+)匹配的内容，及匹配重复的单词

d.匹配单词的结束位置。

分组不仅可以使用数字作为组号，还可以使用自定义名称作为组号。以下两个正则表达式都是将分组后的子表达式w+命名为word.

(?<word>w+)

(?’word’w+)

因此b(w+)bs+1b和以下正则表达式是等价的，都匹配重复的单词：

b(?<word>w+)bs+k<word>b

表2-5后向引用说明表

表2-6常用分组说明

2.9 零宽度断言

元字符^、b、$都匹配一个位置，并且这个位置满足一定条件。在此把满足一个条件称为断言或零宽度断言。正则表达式中零宽度断言说明如下表：

表2-6零宽度断言

表达式(?=expression)、(?!expression)、(?<=expression)、和(?<!expression)都是匹配一个位置。下面将详细介绍表达式(?=expression)和(?<=expression)。

(?=expression)又称为零宽度正预测先行断言，它断言自身位置的前面能够匹配表达式expression。以下正则表达式匹配以ed结尾的单词的前面部分：bw+(?=edb)。

(?<=expression)又称为零宽度正回顾后发断言，它断言自身位置的后面能够匹配表达式expression，以下正则表达式匹配以an开头的单词的后面部分，即匹配单词除了字符串an之外的部分：(?<=ban)w+b

2.10 负向零宽度断言

（编辑：安卓应用网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!