C#中的正则表达式
JeffreyE.F.Friedl写了一本关于正则表达式的书《精通正则表达式》。作者为了使读者更好的理解和掌握正则表达式,编造了一个故事。该书的语言以perl为主。据我所知C#中的正则表达式也是基于perl5。所以它们应该有许多的共同之处。http://ike.126.com
其实,我并不打算原封不动的对该书的内容进行翻译,一则这本书内容太多了,我根本就不胜任翻译这项工作;二则如果我真的把这本书翻译过来,同时把里面的代码换成C#,在没有征得原作者的情况下,可能有侵权的嫌疑了。所以,权当作读书笔记好了。
略过冗长的前言,我们可以直接进入第一章:
介绍正则表达式
作者说这一章是为正则表达式的绝对菜鸟而准备的,目的是为以后的章节打下坚实的基础。那么如果你是不是菜鸟,你可以忽略这一章。
故事场景:
你的档案部的头儿想要一个工具用来检查重复的单词(如:thisthis),一个在大量编辑文档的时候通常会遇到的问题。你的工作就是创建一个解决方案:
接受任何数量要检查的文件,报告每个文件中带有重复单词的那些行,突出显示这些重复的单词,同时确保原文件名称和这些行出现在报表中。
跨行检查,找到一行的最后一个单词和下一行开头第一个单词出现重复的情况。
找出重复的单词,不管他们是否大小写不同(如:Thethe),以及允许在这些重复单词之间含有不同数量的空白字符(空格、制表符、新行等)
找出重复的单词,甚至这些单词被Html标签隔开。(如:…itis<B>very</B>veryimportant.)
要解决上述的实际问题,我们首先要做的就是写出正则表达式,找到我们想要的文本,忽略我们不需要的文本,然后使用我们的C#代码对获取的文本进行处理。
在使用正则表达式之前,你也许多少已经知道什么是正则表达式。甚至你不知道,你几乎可以肯定已经熟悉它的基本概念了。
你知道report.txt是一个具体的文件名称,但是如果你有任何Unix或者DOS/Windows的经验,你也知道“*.txt”可以用来选择多个文件。这种形式的文件名,有一些字符有着特殊的含义。星号意味着匹配任何东西,问号意味着匹配一个字符。如:“*.txt”表示任何文件名以.txt结尾的文件。
文件名称得模式匹配,使用了有限的匹配符。还有当前网络上的搜索引擎也允许使用某些指定的匹配符来进行内容搜索。正则表达式采用丰富的匹配字符,可以处理各种复杂的问题。
首先我们介绍两个位置匹配符:
^:表示一行文字的开始位置
$:表示一行文字的结束位置
如:表达式:"^Cat",匹配的单词Cat出现在行的开始处,注意^是一个位置字符,不是要匹配字符的本身。
同样,表达式:"Cat$"匹配的单词Cat出现来一行的结尾处。
接下来,我们介绍表达式中的方括号"[]",它表示匹配括号中字符中的一个。如:
表达式:"[0123456789]"将匹配数字0到9的任何一个。
例如:我们要查找文本中,所有包含gray或者grey,那么表达式可以这么写:"gr[ea]y"
[ea]表示匹配ea中的一个,而不是整个ea。
如果我们要匹配html中的<H1><H2><H3><H4><H5><H6>的标签,我们可以写表达式:
"<H[123456]>",但是如果我们要匹配所有字符中的一个呢?哈,问题就来了,在方括号中写出所有的字符?很幸运,我们不必这么做,我们引进范围符号"-";
使用范围符号,我们只需要给出一个范围的边界字符即可,上面的Html例子,我们可以写成:"<H[1-6]>"
而表达式:"[0-9a-zA-Z]"的意思现在清楚了吧?它匹配数字字符,小写26个字母和大写26个字母中的一个。
出现在[]中的"^"符号
如果你看到表达式如:"[^0-9]",此时,"^"不再是前面说的位置符号,这里它是否定符号,表示排除的意思,上面的表达式,表示不包含数字0到9的字符。
思考1:表达式"q[^u]"的意思。假如有下列的单词,那些将被匹配?
Iraqi
Iraqian
miqra
qasida
qintar
qoph
zaqqum
除了范围字符的表示之外,还有一个是点字符".",点字符出现在表达式中,表示匹配任何字符。
如表达式:"07.04.76"将匹配:
形如:07/04/76,07-04-76,07.04.76。
如果我们需要在某些字符中可选择,我们可以采用选项字符"|":
选项字符有“或"的意思,比如表达式:"[Bob|Robert]"则表示Bob或者Robert将被匹配。
现在看我们前面提到的表达式:"gr[ea]y",利用选项字符我们可以写作"grey|gray",它们是相同的。
圆括号的使用:圆括号在表达式中也是被作为元字符使用,如前面的表达式,我们可以写成:"gr(e|a)y",这里的圆括号是必须的,如果没有圆括号,那么表达式"gre|ay"将匹配gre或者ay,这不是我们想要的结果。如果你还不是很清楚,让我们看一下下面的例子:
在电子邮件中查找所有以From:或者Subject:或者Date:开头的行,我们比较下面的两个表达式:
表达式1:"^From|Subject|Data:"
表达式2:"^(From|Subject|Data):"
哪一个是我们想要的?
很明显,表达式1的结果不是我们想要的结果,它匹配的将是:From或者Subjec或者Data:,表达式2使用圆括符,就能满足我们的需要。
单词边界
我们已经可以匹配出现在行首和行尾的字符,那么如果我们想定位的不仅仅是行首或者行尾呢?我们需要引入单词边界符号,单词边界符号是:"b",斜杠不可省略,否则变成匹配字母b。使用单词边界符号,我们可以定位匹配的位置必须出现在一个单词的开始或者结尾部分,而不是在单词的中间。例如:"bisb"表达式在字符串"Thisisacat."中将匹配单词"is"而不会匹配单词"This"中的"is"。
字符串边界符号
除了上述的位置符号,如果我们要匹配的是整个字符串(含多个单词)那么我们可以使用下面的两个符号:
A:表示字符串的开始处;
z:表示字符串的结束处。
表达式:"AThisisacatz"将匹配这个字符串"Thisisacat"。
使用边界定位符号,这里要提到一个重要的概念,那就是单词字符,单词字符表示可以构成单词的字符,它们是[a-zA-Z0-9]中的任意一个字符。所以上面的表达式也会在句子"Thisisacat."得到匹配。匹配的结果不包含句号。
重复数量符号
让我们看表达式:"Colou?r",这个表达式中出现了我们还没有见过的问号,(这个问号和文件名称匹配的问号意义不同),它表示符号前面的一个字符可以被重复的次数,"?"表示0次或者1次,前面的表达式中问号表示u可以出现0或1次,所以它将匹配"Color"或者"Colour"。
下面是其他的重复数量符号:
+:表示1次或者多次
*:表示0次或者多次
例如我们要表示一或多个空格,我们可以写表达式:"+";
如果要表示具体次数呢?我们引入花括符{}。
{n}:n是具体的数字,表示重复n次。
{n,m}:表示最少那次,最多m次。
这些符号都限定了符号前面一个字符的匹配次数。但是如果你想重复多个字符,比如一个单词,那么怎么办?我们再次使用圆括号,前面我们把圆括号作为选项的范围符号,这里是圆括的另外一种使用方法,它被表示为一个组,例如表达式:“(this)"这里的this就是一个组,那么问题就好办了,重复数量符号可以用来表示它前面一个组的重复次数。
现在回到查找重复单词的问题,假如我们要找到“thethe”,根据我们迄今为止学到的知识,我们可以写出表达式:
"bthe+theb"
表达式的意思是匹配两个the中间有一个或多个空格隔开。
同样,我们还可以写成:
"b(the+){2}"
但是如果要找全部可能的重复单词呢?我们目前的知识还不足以解决这个问题,下面我们引进反向引用的概念,我们已经看到圆括号可以作为组的边界,一个表达式中可以有多个被圆括号限定的组,根据它们出现的次序,这些组缺省的被分配了一个组号,第一个出现的组号为1号,依次类推。那么反向引用就是可以在之后的表达式的位置上是使用"n"来引用这个组,这里n是被引用的组号。反向引用就像是程序中的变量一样,下面我们看具体的例子:
前面的单词重复表达式,现在我们采用反向引用可以写做:
"b(the)+1b"
现在,如果我们要匹配所有的重复单词,我们就可以改写表达式为:
"b([a-zA-Z]+)+1b"
最后一个问题是,如果我们要匹配的字符是正则表达式中的符号,怎么办?对,使用转义符号"",例如如果你要匹配一个小数点,那么你可以:".",还要注意的是如果在程序中使用表达式那么""也要按照字符串的规定变成""或者在表达式前面加@。
本章仅仅是提供给菜鸟一个关于正则表达式的基础知识,它只是其中的部分,我们还有许多东西要学习,这将在后面的章节中一一介绍。其实,正则表达式的学习并不难,你需要的是耐心和实践,如果你想精通它的话。或许有人说:“我不想知道汽车的细节,我只想学会怎么开车。”如果你也是这样想的,那么,你永远也不知道怎么使用正则表达式来解决你的问题,进而,你也永远不会懂得正则表达式的真正的强大。