阅读 2866

五分钟搞定正则表达式,如果没搞定,再加两分钟

这是 ZY 第 18 篇原创文章

文章概览

re

一、正则表达式介绍

正则表达式,又称规则表达式。(英语:Regular Expression,在代码中常简写为regex、regexp或RE),计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

不用过多介绍,大家对正则表达式应该不太陌生。即使没有用过,也一定听说过。
我们先看几个常见的正则表达式:

匹配 IP 地址
((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)

匹配电子邮箱
([a-z0-9_\.-]+)@([\da-z\.-]+)\.([a-z\.]{2,6})
复制代码

对于正则表达式,第一映像是一串神秘的字符串。如果不是真正了解其规则,看到这字符串,定然是摸不着头脑。

不过说实话,了解其规则以后,看到这数字,也有点头疼。毕竟正则这个东西,写时爽歪歪,看时如天书。

话虽这样说,正则表达式说白了,也就是一连串的规则而已,只要了解了规则,一点一点总能看懂。所以不要有畏难情绪。

我们从最简单的例子开始,一点一点添加规则,争取让大家在学会正则表达式的过程中感觉不到丝毫痛苦。
(这里有一个网站,tool.oschina.net/regex/#,可以在…

二、几个常用规则

前面看了那么复杂的例子,我们这里回归本源,从一个简单的例子开始看。

2.1 完全匹配

正则表达式是用来匹配文本的,现在假设我们要匹配 "abcdefg" 这一字符串中的 "abc" 三个字母,我们该怎么写呢?

abc
复制代码

对,不要怀疑,就是这么简单。

如果想匹配 "def",那么就是

def
复制代码

是不是很简单呢?是不是小脑瓜中又透露出一丝疑惑?

如果正则表达式的匹配内容很简单,也很明确,可以进行完全匹配,写出来的结果就是这样的。

2.2 符号 |

那我们再继续往后看。

还是 "abcdefg" 字符串,我们想匹配其中的 "ab" 和 "ef" 两个子串,怎么写呢?按照上面的写法,就是写两个正则 "ab" 和 "ef" 来匹配。这样可以,不过略显麻烦。我们写法如下:

ab|ef
复制代码

这里我们新加了 "|" 这个字符,表示 或,即匹配 ab 或者 ef,是不是就方便了许多。

再继续看,这次我们需要改变一下待匹配的字符串。

我们在 "acabcdefgh acbbcdefgh accbcdefgh" 字符串中,要匹配 "abcdef","bbcdef","cbcdef" 三个子串。

读者朋友们一看,这题非常简单,用上面的方法,正则表达式如下:

abcdef|bbcdef|cbcdef
复制代码

写法正确,不过略显繁琐。我们的写法如下:

(a|b|c)bcdef
复制代码

是不是有些理解 "|" 的使用了呢。

那我们要匹配 "acabcdef","acbbcdef","accbcdef" 这三个子串怎么写呢?

ac(a|b|c)bcdef
复制代码

这下子理解 "|" 的使用了吧。而且我们现在的的写法,是不是长得有些 ”像“ 正则表达式了呢?

2.3 符号 []

我们继续。
上面的例子,我们如果不用 "|",可以实现么?

答案是可以的,写法如下:

ac[abc]bcdef
复制代码

是不是看着比上面更清爽一点呢?

我们这里引入了一个新的字符 "[]"

这对中括号是字符集的意思,里面包含的字符,都是或("|")的关系。

我们还可以这样写:

ac[a-c]bcdef
复制代码

"[a-c]" 表示的是匹配 a-c 之间的任意字符。

这里对 "[]" 稍微多说一些,[] 除了可以放字符集合以及字符范围以外,还可以做取反操作。

比如 "[^a-c]" 表示的是匹配 a-c 范围以外其他的字符。"[^0-8]" 表示的是匹配 0-8 范围以外的其他字符。

到了这里,我们已经可以写一些简单的匹配规则了。

2.4 限制符号 * + ? {}

我们继续往下看。

我们现在想匹配 类似 "fooooooooooooooooof" 这样子的字符串,中间的 "o" 个数我们不能确定,上面讲到的规则就有点无能为力了。

那我们该怎么写呢?

fo*f
复制代码

这里的 "*" 表示匹配前面的子表达式零次或多次。

那么有些读者朋友会问了,如果想匹配至少有一个 "o" 该怎么写呢?

fo+f
复制代码

这里的 "+" 表示匹配前面的子表达式一次或多次。

那么读者朋友又问了,如果想匹配 0 个或者者 1 个 该怎么写呢?

fo?f
复制代码

这里的 "?" 表示匹配前面的子表达式零次或一次。

那么有些读者朋友又会问了,如果想匹配确定次数的 "o" 该怎么写呢?

我们可以这样写:

fo{2}f
复制代码

上面的规则,会匹配 foof,即匹配 2 个 "o"。

所以,"{n}" 表示匹配前面子表达式 n 次。

那读者朋友们再次发问,如果想匹配至少 n 个 "o" 该怎么写呢?

fo{2,}f
复制代码

"{n,}" 表示匹配前面子表达式至少 n 次。

那读者朋友们这次不发问了,会举一反三了,那如果想匹配 最少 n 个,最多 m 个呢?

fo{2,5}f
复制代码

"{n,m}" 表示匹配前面子表达式至少 n 次,至多 m 次。

所以 "*" 等价于 "{0,}","+" 等价于 "{1,}","?" 等价于 "{0,1}"。

到这里,我们能写的匹配规则更多了,而且可以说大部分匹配运用上面的规则都可以实现了。

大家可以回头看看文章开头贴的几段正则表达式,看看是否能看懂了。

当然除此之外,正则里的规则其实还是不少的,除了上面几个,我们再看几个比较常用的。

2.5 几个转义字符

在正则表达式里,也有一些转义字符,表示一些特殊的含义。

"\d" 表示匹配数字字符,等价于 "[0-9]"。

"\D" 表示匹配非数字字符,等价于 "[^0-9]"。

"\n" 表示匹配换行符。

"\s" 表示匹配任何空白字符,等价于 "[\f\n\r\t\v]"。

"\S" 表示匹配任何非空白字符,等价于 "[^\f\n\r\t\v]"。

2.6 符号 .

符号 "." 会匹配 "\n" 以外的所有字符,也是比较常用的。

2.7 符号 ?

到目前为止,我们已经学习了大部分常用的正则表达式规则,日常开发基本已经够用了。

不过使用正则表达式时,限制字符 "* + ? {}" 默认的匹配规则是贪婪的。什么意思呢?

比如说有一个字符串 "abbbbb",我们使用正则表达式 "ab+" 去匹配,匹配的结果是 "abbbbbbb",会尽可能多的去匹配满足的字符。

我们如果想尽可能少的匹配满足的字符,那么就在限定符后面加 "?"。

"ab+?" 匹配的结果就是 ab。

"?" 符号的非贪婪匹配,在某些情况下也是很有用的。

2.8 符号 ()

最后我们再来看一个符号 "()",小括号的含义是分组,可以理解为被小括号包含的子表达式就是一个分组,在前面介绍 "|" 的时候我们使用过。

不过分组也分很多类型。

"(pattern)" 小括号单纯的包含了子表达式,表示此分组可以被捕获。捕获的意思就是此分组的内容会被保存下来,后续可以从匹配的集合中获取到。

"(?:pattern)" 小括号中增加了 ?: 前缀,表示此分组不可以被捕获。后续匹配的集合中就不会包含此分组信息。
这样说下来,不太好理解。这里需要结合具体开发语言的实现来说。先留个悬念,后面会讲到。

"(?=pattern)" 小括号中增加了 ?= 前缀,表示的是匹配此分组,但是此分组里的内容不需要被获取。

"(?!pattern)" 小括号中增加了 ?! 前缀,表示的是匹配此分组之外的内容,但是此分组里的内容不需要被获取。

举个栗子:
正则表达式 "Windows(?=95|98|NT|2000)" 可以匹配字符串 "Windows2000" 中的 "Windows",但是不能匹配 "Windows3.1" 中的 Windowds。

正则表达式 "Windows(?!95|98|NT|2000)" 可以匹配字符串 "Windows3.1" 中的 "Windows",但是不能匹配 "Windows2000" 中的 Windowds。

以上就是正则表达式里一些常见的规则解析。

2.9 看看文章开头的例子

我们在文章开头放了两个例子,这里来分析一下。

匹配 IP 地址的正则表达式
"((2[0-4]\d|25[0-5]|[01]?\d\d?).){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)"

我们分段来看。

先看第一段 "(2[0-4]\d|25[0-5]|[01]?\d\d?)\.)",这里用 "|" 分割了三种匹配情况。

第一种是 "2[0-4]\d",即三位数字,第一位是 2,第二位是 0 - 4 之间,第三位是任意数字。

第二种是 "25[0-5]",三位数字,第一位是 2,第二位是 5,第三位是 0 - 5 之间。

第三种是 "[01]?\d\d?",第一位是 0 或者 1,匹配零次或一次,第二位和第三位是任意数字,第三位数字匹配零次或一次,也就是 一位数,两位数,三位数都可能满足这种情况。

第一段末尾是 "\." 作为分隔符。

再来看第二段 "{3}",这个表示前面的子表达式重复三次,也就是 IP 地址的前三个字节。

再看第三段 "(2[0-4]\d|25[0-5]|[01]?\d\d?)",和第一段是一样的。

匹配电子邮箱
"([a-z0-9_.-]+)@([\da-z.-]+).([a-z.]{2,6})"

也是分段来看。

第一段 "([a-z0-9_\.-]+)",表示匹配 a-z 范围内的字母,0-9 范围的数字,以及 "_",".","-" 三个字符,"+" 表示至少有一个字符。

第二段 "@" 表示匹配 "@" 字符。

第三段 "([\da-z\.-]+)","\d" 表示匹配任意数字,a-z 范围的字母,".","-" 两个字符,"+" 至少有一个字符。

第四段 "\." 表示匹配 "." 字符。

第五段 "([a-z\.]{2,6})",表示匹配 a-z 范围的字母,"." 字符,"{2,6}" 表示至少 2 个字符,至多 6 个字符。

经过上面的讲解,大家应该对正则表达式有了进一步的了解。

三、在代码中如何使用

在了解了正则表达式的规则以后,我们看一下在实际代码中是如何使用的。

这里以 Java 代码作为示例。

在 Java 中,关于正则表达式的主要有两个类,PatternMatcher

我们看一下具体如何使用。

package com.zy.java;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class ReTest {
    public static void main(String[] args) {
        String str = "grilboy1girlboy2boy3girl";
        String pattern = "boy([0-9])";

        // 创建 Pattern 对象
        Pattern r = Pattern.compile(pattern);
        // 创建 matcher 对象
        Matcher m = r.matcher(str);
        while (m.find()) {
            System.out.println("match boy: " + m.group(0));
            System.out.println("match boy number: " + m.group(1));
        }

        String phoneNumber = "18888888888";
        String phonePattern = "^[1](([3][0-9])|([4][5-9])|([5][0-3,5-9])|([6][5,6])|([7][0-8])|([8][0-9])|([9][1,8,9]))[0-9]{8}$";
        r = Pattern.compile(phonePattern);
        m = r.matcher(phoneNumber);
        System.out.println("is phone number: " + m.matches());

        r = Pattern.compile(pattern);
        String[] res = r.split(str);
        for (String s : res) {
            System.out.println("split res: " + s);
        }
    }
}
复制代码

上面代码运行的结果如下:

match boy: boy1
match boy number: 1
match boy: boy2
match boy number: 2
match boy: boy3
match boynumber: 3
is phone number: true
split res: gril
split res: girl
split res: 
split res: girl

Process finished with exit code 0
复制代码

在 Java 中使用正则表达式分三步走:

  1. 写好正则表达式
  2. Pattern.compile 生成 Pattern 对象
  3. 调用 Pattern 相关的正则操作

Pattern 类中有几个方法会比较常用:

Pattern#matcher 生成 Matcher,可以对正则表达式进行匹配,以及获取匹配的内容。

Pattern#split 根据正则表达式内容划分字符串。

Matcher 类中也有几个方法比较常用:

Matcher#find 寻找下一个满足规则的子串,通常用在查找子串中。

Matcher#matches 用来判断整个字符串是否满足匹配规则,常用的类似匹配电话号码,邮箱等等。

Matcher#group 就是获取我们在上面讲到的 "()" 小括号分组。默认 group(0) 整个串的匹配,group(1),group(2) 等等往后顺延,就是小括号内的分组。

在我们上面的例子中的正则表达式是 "boy([0-9])",用来获取字符串中的 boy,而括号中的分组是 boy 的编号,在生成 Matcher 以后,调用 Matcher#group(0) 获取的是整个匹配内容,Matcher#group(1) 获取的是小括号分组的内容。

通过上面例子,大家应该明白 "()" 的作用了吧。

四、规则全集

下面总结一下正则表达式的所有规则,在使用时可以查阅,引用自 tool.oschina.net/uploads/api…

字符 描述
\ 将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。例如,“n”匹配字符“n”。“\n”匹配一个换行符。串行“\”匹配“\”而“(”则匹配“(”。
^ 匹配输入字符串的开始位置。如果设置了RegExp对象的Multiline属性,^也匹配“\n”或“\r”之后的位置。
$ 匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性,$也匹配“\n”或“\r”之前的位置。
* 匹配前面的子表达式零次或多次。例如,zo*能匹配“z”以及“zoo”。*等价于{0,}。
+ 匹配前面的子表达式一次或多次。例如,“zo+”能匹配“zo”以及“zoo”,但不能匹配“z”。+等价于{1,}。
? 匹配前面的子表达式零次或一次。例如,“do(es)?”可以匹配“does”或“does”中的“do”。?等价于{0,1}。
{n} n是一个非负整数。匹配确定的n次。例如,“o{2}”不能匹配“Bob”中的“o”,但是能匹配“food”中的两个o。
{n,} n是一个非负整数。至少匹配n次。例如,“o{2,}”不能匹配“Bob”中的“o”,但能匹配“foooood”中的所有o。“o{1,}”等价于“o+”。“o{0,}”则等价于“o*”。
{n,m} m和n均为非负整数,其中n<=m。最少匹配n次且最多匹配m次。例如,“o{1,3}”将匹配“fooooood”中的前三个o。“o{0,1}”等价于“o?”。请注意在逗号和两个数之间不能有空格。
? 当该字符紧跟在任何一个其他限制符(*,+,?,{n},{n,},{n,m})后面时,匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串,而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如,对于字符串“oooo”,“o+?”将匹配单个“o”,而“o+”将匹配所有“o”。
. 匹配除“\n”之外的任何单个字符。要匹配包括“\n”在内的任何字符,请使用像“(.
(pattern) 匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到,在VBScript中使用SubMatches集合,在JScript中则使用$0…$9属性。要匹配圆括号字符,请使用“(”或“)”。
(?:pattern) 匹配pattern但不获取匹配结果,也就是说这是一个非获取匹配,不进行存储供以后使用。这在使用或字符“(
(?=pattern) 正向肯定预查,在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如,“Windows(?=95
(?!pattern) 正向否定预查,在任何不匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如“Windows(?!95
(?<=pattern) 反向肯定预查,与正向肯定预查类拟,只是方向相反。例如,“(?<=95
(?<!pattern) 反向否定预查,与正向否定预查类拟,只是方向相反。例如“(?<!95
x|y 匹配x或y。例如,“z
[xyz] 字符集合。匹配所包含的任意一个字符。例如,“[abc]”可以匹配“plain”中的“a”。
[^xyz] 负值字符集合。匹配未包含的任意字符。例如,“[^abc]”可以匹配“plain”中的“p”。
[a-z] 字符范围。匹配指定范围内的任意字符。例如,“[a-z]”可以匹配“a”到“z”范围内的任意小写字母字符。
[^a-z] 负值字符范围。匹配任何不在指定范围内的任意字符。例如,“[^a-z]”可以匹配任何不在“a”到“z”范围内的任意字符。
\b 匹配一个单词边界,也就是指单词和空格间的位置。例如,“er\b”可以匹配“never”中的“er”,但不能匹配“verb”中的“er”。
\B 匹配非单词边界。“er\B”能匹配“verb”中的“er”,但不能匹配“never”中的“er”。
\cx 匹配由x指明的控制字符。例如,\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则,将c视为一个原义的“c”字符。
\d 匹配一个数字字符。等价于[0-9]。
\D 匹配一个非数字字符。等价于[^0-9]。
\f 匹配一个换页符。等价于\x0c和\cL。
\n 匹配一个换行符。等价于\x0a和\cJ。
\r 匹配一个回车符。等价于\x0d和\cM。
\s 匹配任何空白字符,包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。
\S 匹配任何非空白字符。等价于[^ \f\n\r\t\v]。
\t 匹配一个制表符。等价于\x09和\cI。
\v 匹配一个垂直制表符。等价于\x0b和\cK。
\w 匹配包括下划线的任何单词字符。等价于“[A-Za-z0-9_]”。
\W 匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。
\xn 匹配n,其中n为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如,“\x41”匹配“A”。“\x041”则等价于“\x04&1”。正则表达式中可以使用ASCII编码。.
\num 匹配num,其中num是一个正整数。对所获取的匹配的引用。例如,“(.)\1”匹配两个连续的相同字符。
\n 标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式,则n为向后引用。否则,如果n为八进制数字(0-7),则n为一个八进制转义值。
\nm 标识一个八进制转义值或一个向后引用。如果\nm之前至少有nm个获得子表达式,则nm为向后引用。如果\nm之前至少有n个获取,则n为一个后跟文字m的向后引用。如果前面的条件都不满足,若n和m均为八进制数字(0-7),则\nm将匹配八进制转义值nm。
\nml 如果n为八进制数字(0-3),且m和l均为八进制数字(0-7),则匹配八进制转义值nml。
\un 匹配n,其中n是一个用四个十六进制数字表示的Unicode字符。例如,\u00A9匹配版权符号(©)。

总结

最后,大家只要多多练习,实际开发中多使用,掌握正则表达式不是难事~

参考资料

tool.oschina.net/uploads/api…

about

关注下面的标签,发现更多相似文章
评论