正则表达式高级学习技巧_正则表达式教程-查字典教程网
正则表达式高级学习技巧
正则表达式高级学习技巧
发布时间:2016-12-29 来源:查字典编辑
摘要:什么是RE?想必各位大大在做文件查找的时侯都有使用过万用字符”*”,比如说想查找在Windows目录下所有的Word文件时,你可能就会用”*...

什么是RE?

想必各位大大在做文件查找的时侯都有使用过万用字符”*”,比如说想查找在Windows目录下所有的Word文件时,你可能就会用”*.doc”这样的方式来做查找,因为”*”所代表的是任意的字符。RE所做的就是类似这样的功能,但其功能更为强大。

写程序时,常需要比对字符串是否符合特定样式,RE最主要的功能就是来描述这特定的样式,因此可以将RE视为特定样式的描述式,举个例子来说,”w+”所代表的就是任何字母与数字所组成的非空字符串(non-nullstring)。在.NETframework中提供了非常强大的类别库,藉此可以很轻易的使用RE来做文字的查找与取代、对复杂标头的译码及验证文字等工作。

接下来,就让我们来体验一些例子吧。

一些简单的例子

假设要查找文章中Elvis后接有alive的文字符串的话,使用RE可能会经过下列的过程,括号是所下RE的意思:

1.elvis(查找elvis)

上述代表所要查找的字符顺序为elvis。在.NET中可以设定乎略字符的大小写,所以”Elvis”、”ELVIS”或者是”eLvIs”都是符合1所下的RE。但因为这只管字符出现的顺序为elvis,所以pelvis也是符合1所下的RE。可以用2的RE来改进。

2.belvisb(将elvis视为一整体的字查找,如elvis、Elvis乎略字符大小写时)

“b”在RE中有特别的意思,在上述的例子中所指的就是字的边界,所以belvisb用b把elvis的前后边界界定出来,也就是要elvis这个字。

假设要将同一行里elvis后接有alive的文字符串找出来,此时就会用到另外二个特别意义的字符”.”及”*”。”.”所代表就是除了换行字符的任意字符,而”*”所代表的是重复*之前项目直到找到符合RE的字符串。所以”.*”所指的就是除了换行字符外的任意数目的字符数。所以查找同一行里elvis后接有alive的文字符串找出来,则可下如3之RE。

3.belvisb.*baliveb(查找elvis后面接有alive的文字符串,如elvisisalive)

用简单之特别字符就可以组成功能强大的RE,但也发现当使用越来越多的特别字符时,RE就会越来越难看得懂了。

再看看另外的例子

组成有效的电话号码

假使要从网页上收集顾客格式为xxx-xxxx的7位数字的电话号码,其中x是数字,RE可能会这样写。

4.bddd-dddd(查找七位数字之电话号码,如123-1234)

每一个d代表一个数字。”-”则是一般的连字符号,为避免太多重复的d,RE可以改写成如5的方式。

5.bd{3}-d{4}(查找七位数字电话号码较好的方法,如123-1234)

在d后的{3},代表重复前一个项目三次,也就是相等于ddd。

RE的学习及测试工具Expresso

因为RE不易阅读及使用者容易会下错RE的特性,Jim大大开发了一个工具软件Expresso,用来帮助使用者学习及测试RE,除了上面所述的网址之外,也可以上Ultrapico网站。安装完expresso后,在expression%20%20library中,jim大大把文章的例子都建立在其中,可以边看文章边测试,也可以试着修改范例所下的re,马上可以看到结果,小弟觉得非常好用。各位大大可以试试。/"。安装完Expresso后,在ExpressionLibrary中,Jim大大把文章的例子都建立在其中,可以边看文章边测试,也可以试着修改范例所下的RE,马上可以看到结果,小弟觉得非常好用。各位大大可以试试。

.NET中RE的基础概念

特殊字符

有些字符有特别的意义,比如之前所看到的”b”、”.”、”*”、”d”等。”s”所代表的是任意空格符,比如说spaces、tabs、newlines等.。”w”代表是任意字母或数字字符。

再看一些例子吧

6.baw*b(查找a开头的字,如able)

这RE描述要查找一个字的开始边界(b),再来是字母”a”,再加任意数目的字母数字(w*),再接结束这个字的结束边界(b)。

7.d+(查找数字字符串)

“+”和”*”非常相似,除了+至少要重复前面的项目一次。也就是说至少有一个数字。

8.bw{6}b(查找六个字母数字的字,如ab123c)

下表为RE常用的特殊字符

.除了换行字符的任意字符

w任意字母数字字符

s任意空格符

d任意数字字符

b界定字的边界

^文章的开头,如”^The''用以表示出现于文章开头的字符串为”The”

$文章的结尾,如”End$”用以表示出现在文章的结尾为”End”

特殊字符”^”及”$”是用来查找某些字必需是文章的开头或结尾,这在验证输入是否符合某一样式时特别用有,比如说要验证七位数字的电话号码,可能会输入如下9的RE。

9.^d{3}-d{4}$(验证七位数字之电话号码)

这和第5个RE相同,但其前后都无其它的字符,也就是整串字符串只有这七个数字的电话号码。在.NET中如果设定Multiline这个选项,则”^”和”$”会每行进行比较,只要某行的开头结尾符合RE即可,而不是整个文章字符串做一次比较。

转意字符(Escapedcharacters)

有时可能会需要”^”、”$”单纯的字面意义(literalmeaning)而不要将它们当成特殊字符,此时””字符就是用来移除特殊字符特别意义的字符,因此”^”、”.”、””所代表的就是”^”、”.”、””的字面意义。

重复前述项目

在前面看过”{3}”及”*”可以用来重复前述字符,之后我们会看到如何用同样的语法重复整个次描述(subexpressions)。下表是使用重复前述项目的一些方式。

*重复任意次数

+重复至少一次

?重复零次或一次

{n}重复n次

{n,m}重复至少n次,但不超过m次

{n,}重复至少n次

再来试一些例子吧

10.bw{5,6}b(查找五个或六个字母数字字符的字,如as25d、d58sdf等)

11.bd{3}sd{3}-d{4}(查找十个数字的电话号码,如800123-1234)

12.d{3}-d{2}-d{4}(查找社会保险号码,如123-45-6789)

13.^w*(每行或整篇文章的第一个字)

在Espresso可试试有Multiline和没Multiline的不同。

匹配某范围的字符

有时需要查找某些特定的字符时怎么辨?这时中括号”[]”就派上了用场。因此[aeiou]所要查找的是”a”、”e”、”i”、”o”、”u”这些元音,[.?!]所要查找的是”.”、”?”、”!”这些符号,在中括号中的特殊字符的特别意义都会被移除,也就是解译成单纯的字面意义。也可以指定某些范围的字符,如”[a-z0-9]”,所指的就是任意小写字母或任意数字。

接下来再看一个比较初复杂查找电话号码的RE例子

14.(?d{3}[(]s?d{3}[-]d{4}(查找十位数字之电话号码,如(080)333-1234)

这样的RE可查找出较多种格式的电话号码,如(080)123-4567、5112546654等。”(?”代表一个或零个左小括号”(“,而”[(]”代表查找一个右小括号”)”或空格符,”s?”指一个或零个空格符组。但这样的RE会将类似”800)45-3321”这样的电话找出来,也就是括号没有对称平衡的问题,之后会学到择一(alternatives)来决解这样的问题。

不包含在某特定字符组里(Negation)

有时需要查找在包含在某特定字符组里的字符,下表说明如何做类似这样的描述。

W不是字母数字的任意字符

S不是空格符的任意字符

D不是数字字符的任意字符

B不在字边界的位置

[^x]不是x的任意字符

[^aeiou]不是a、e、i、o、u的任意字符

15.S+(不包含空格符的字符串)

择一(Alternatives)

有时会需要查找几个特定的选择,此时”|”这个特殊字符就派上用场了,举例来说,要查找五个数字及九个数字(有”-”号)的邮政编码。

16.bd{5}-d{4}b|bd{5}b(查找五个数字及九个数字(有”-”号)的邮政编码)

在使用Alternatives时需要注意的是前后的次序,因为RE在Alternatives中会优先选择符合最左边的项目,16中,如果把查找五个数字的项目放在前面,则这RE只会找到五个数字的邮政编码。了解了择一,可将14做更好的修正。

17.((d{3})|d{3})s?d{3}[-]d{4}(十个数字的电话号码)

群组(Grouping)

括号可以用来介定一个次描述,经由次描述的介定,可以针对次描述做重复或及他的处理。

18.(d{1,3}.){3}d{1,3}(寻找网络地址的简单RE)

此RE的意思第一个部分(d{1,3}.){3},所指的是,数字最小一位最多三位,并且后面接有”.”符号,此类型的共有三个,之后再接一到三位的数字,也就是如192.72.28.1这样的数字。

但这样会有个缺点,因为网络地址数字最多只到255,但上述的RE只要是一到三位的数字都是符合的,所以这需要让比较的数字小于256才行,但只单独使用RE并无法做这样的比较。在19中使用择一来将地址的限制在所需要的范围内,也就是0到255。

19.((2[0-4]d|25[0-5]|[01]?dd?).){3}(2[0-4]d|25[0-5]|[01]?dd?)(寻找网络地址)

有没有发觉RE越来越像外星人说的话了?就以简单的寻找网络地址,直接看RE都满难理解的哩。

ExpressoAnalyzerView

Expresso提供了一个功能,它可以将所下的RE变成树状的说明,一组组的分开说明,提供了一个好的除错环境。其它的功能,如部分符合(PartialMatch只查找反白RE的部分)及除外符合(ExcludeMatch只不查找反白RE的部分)就留给各位大大试试啰。

当次描述用括号群组起来时,符合次描述的文字可用在之后的程序处理或RE本身。在预设的情型下,所符合的群组是由数字命名,由1开始,由顺序是由左至右,这自动群组命名,可在Expresso中的skeletonview或resultview中看到。

Backreference是用来查找群组中抓取的符合文字所相同的文字。举例来说”1”所指符合群组1所抓取的文字。

20.b(w+)bs*1b(寻找重复字,此处说的重复是指同样的字,中间有空白隔开如dogdog这样的字)

(w+)会抓取至少一个字符的字母或数字的字,并将它命名为群组1,之后是查找任意空格符,再接和群组1相同的文字。

如果不喜欢群组自动命名的1,也可以自行命名,以上述例子为例,(w+)改写为(?<Word>w+),这就是将所抓取的群组命名为Word,Backreference就要改写成为k<Word>

21.b(?<Word>w+)bs*k<Word>b(使用自行命名群组抓取重复字)

使用括号还有许多特别的语法元素,比较通用的列表如下:

抓取(Captures)

(exp)符合exp并抓取它进自动命名的群组

(?<name>exp)符合exp并抓取它进命名的群组name

(?:exp)符合exp,不抓取它

Lookarounds

(?=exp)符合字尾为exp的文字

(?<=exp)符合前缀为exp的文字

(?!exp)符合后面没接exp字尾的文字

(?<!exp)符合前面没接exp前缀的文字

批注Comment

(?#comment)批注

PositiveLookaround

接下来要谈的是lookahead及lookbehindassertions。它们所查找的是目前符合之前或之后的文字,并不包含目前符合本身。这些就如同”^”及”b”特殊字符,本身并不会对应任何文字(用来界定位置),也因此称做是zero-widthassertions,看些例子也许会清楚些。

(?=exp)是一个”zero-widthpositivelookaheadassertion”。它指的就是符合字尾为exp的文字,但不包含exp本身。

22.bw+(?=ingb)(字尾为ing的字,比如说filling所符合的就是fill)

(?<=exp)是一个”zero-widthpositivelookbehindassertion”。它指的就是符合前缀为exp的文字,但不包含exp本身。

23.(?<=bre)w+b(前缀为re的字,比如说repeated所符合的就是peated)

24.(?<=d)d{3}b(在字尾的三位数字,且之前接一位数字)

25.(?<=s)w+(?=s)(由空格符分隔开的字母数字字符串)

NegativeLookaround

之前有提到,如何查找一个非特定或非在特定群组的字符。但如果只是要验证某字符不存在而不要对应这些字符进来呢?举个例子来说,假设要查找一个字,它的字母里有q但接下来的字母不是u,可以用下列的RE来做。

26.bw*q[^u]w*b(一个字,其字母里有q但接下来的字母不是u)

这样的RE会有一个问题,因为[^u]要对应一个字符,所以若q是字的最后一个字母,[^u]这样的下法就会将空格符对应下去,结果就有可能会符合二个字,比如说”Iraqhaha”这样的文字。使用NegativeLookaround就能解决这样的问题。

27.bw*q(?!u)w*b(一个字,其字母里有q但接下来的字母不是u)

这是”zero-widthnegativelookaheadassertion”。

28.d{3}(?!d)(三个位的数字,其后不接一个位数字)

同样的,可以使用(?<!exp),”zero-widthnegativelookbehindassertion”,来符合前面没接exp前缀的文字符串。

29.(?<![a-z])w{7}(七个字母数字的字符串,其前面没接字母或空格)

30.(?<=<(w+)>.*(?=</1>(HTML卷标间的文字)

这使用lookahead及lookbehindassertion来取出HTML间的文字,不包括HTML卷标。

请批注(CommentsPlease)

括号还有个特殊的用途就是用来包住批注,语法为”(?#comment)”,若设定”IgnorePatternWhitespace”选项,则RE中的空格符当RE使用时会乎略。此选项设定时,”#”之后的文字会乎略。

31.HTML卷标间的文字,加上批注

(?<=#查找前缀,但不包含它

<(w+)>#HTML标签

)#结束查找前缀

.*#符合任何文字

(?=#查找字尾,但不包含它

</1>#符合所抓取群组1之字符串,也就是前面小括号的HTML标签

)#结束查找字尾

寻找最多字符的字及最少字符的字(GreedyandLazy)

当RE下要查找一个范围的重复时(如”.*”),它通常会寻找最多字符的符合字,也就是Greedymatching。举例来说。

32.a.*b(开始为a结束为b的最多字符的符合字)

若有一字符串是”aabab”,使用上述RE所得到的符合字符串就是”aabab”,因为这是寻找最多字符的字。有时希望是符合最少字符的字也就是lazymatching。只要将重复前述项目的表加上问号(?)就可以把它们全部变成lazymatching。因此”*?”代表的就是重复任意次数,但是使用最少重复的次数来符合。举个例子来说:

33.a.*?b(开始为a结束为b的最少字符的符合字)

若有一字符串是”aabab”,使用上述RE第一个所得到的符合字符串就是”aab”再来是”ab”,因为这是寻找最少字符的字。

*?重复任意次数,最少重复次数为原则

+?重复至少一次,最少重复次数为原则

??重复零次或一次,最少重复次数为原则

{n,m}?重复至少n次,但不超过m次,最少重复次数为原则

{n,}?重复至少n次,最少重复次数为原则

还有什么没提到呢?

到目前为止,已经提到了许多建立RE的元素,当然还有许多元素没有提到,下表整理了一些没提到的元素,在最左边的字段的数字是说明在Expresso中的例子。

#语法说明

aBell字符

b通常是指字的边界,在字符组里所代表的就是backspace

tTab

34rCarriagereturn

vVerticalTab

fFromfeed

35nNewline

eEscape

36nnnASCII八位码为nnn的字符

37xnn十六位码为nn的字符

38unnnnUnicode为nnnn的字符

39cNControlN字符,举例来说Ctrl-M是cM

40A字符串的开始(和^相似,但不需籍由multiline选项)

41Z字符串的结尾

z字符串的结尾

42G目前查找的开始

43p{name}Unicode字符组名称为name的字符,比如说p{Lowercase_Letter}所指的就是小写字

(?>exp)Greedy次描述,又称之为non-backtracking次描述。这只符合一次且不采backtracking。

44(?<x>-<y>exp)

or(?-<y>exp)平衡群组。虽复杂但好用。它让已命名的抓取群组可以在堆栈中操作使用。(小弟对这个也是不太懂哩)

45(?im-nsx:exp)为次描述exp更改RE选项,比如(?-i:Elvis)就是把Elvis大乎略大小写的选项关掉

46(?im-nsx)为之后的群组更改RE选项。

(?(exp)yes|no)次描述exp视为zero-widthpositivelookahead。若此时有符合,则yes次描述为下一个符合标的,若否,则no次描述为下一个符合标的。

(?(exp)yes)和上述相同但无no次描述

(?(name)yes|no)若name群组为有效群组名称,则yes次描述为下一个符合标的,若否,则no次描述为下一个符合标的。

47(?(name)yes)和上述相同但无no次描述

相关阅读
推荐文章
猜你喜欢
附近的人在看
推荐阅读
拓展阅读
  • 大家都在看
  • 小编推荐
  • 猜你喜欢
  • 最新正则表达式学习
    热门正则表达式学习
    编程开发子分类