本文目標(biāo)
30分鐘內(nèi)讓你明白正則表達(dá)式是什么，并對(duì)它有一些基本的了解，讓你可以在自己的程序或網(wǎng)頁里使用它。一旦入門后，你可以從網(wǎng)上找到更多更詳細(xì)的資料來繼續(xù)學(xué)習(xí)。
別被下面那些復(fù)雜的表達(dá)式嚇倒，只要跟著我一步一步來，你會(huì)發(fā)現(xiàn)正則表達(dá)式其實(shí)并不像你想像中的那么困難。當(dāng)然，如果你看完了這篇教程之后發(fā)現(xiàn)自己明白了 很多，卻又幾乎什么都記不得，那也是很正常的--其實(shí)我認(rèn)為沒接觸過正則表達(dá)式的人在看完這篇教程后能把提到過的語法記住80%以上的可能性為零。這里只 是讓你明白基本道理，以后你還需要多練習(xí)，多查資料，才能熟練掌握正則表達(dá)式。
說明
正則表達(dá)式是用于進(jìn)行文本匹配的工具，所以本文里多次提到了在字符串里搜索/查找，這種說法的意思是在給定的字符串中，查找與給定的正則表達(dá)式相匹配的部分。有可能字符串里有不止一個(gè)部分滿足給定的正則表達(dá)式，這時(shí)每一個(gè)這樣的部分被稱為一個(gè)匹配。匹配在本文里可能會(huì)有三種意思：一種是形容詞性的，比如說一個(gè)字符串匹配一個(gè)表達(dá)式；一種是動(dòng)詞性的，比如說在字符串里匹配正則表達(dá)式；還有一種是名詞性的，就是剛剛說到的“字符串中滿足給定的正則表達(dá)式的一部分”。
文本格式約定：專業(yè)術(shù)語 特殊代碼/語法格式 正則表達(dá)式 正則表達(dá)式中的一部分(用于分析) 用于在其中搜索的字符串 對(duì)正則表達(dá)式或其中一部分的說明
什么是正則表達(dá)式？
很可能你使用過Windows/Dos下用于文件查找的通配符，也就是*和?。如果你想查找某個(gè)目錄下的所有的Word文檔的話，你會(huì)搜索*.doc。在這里，*會(huì)被解釋成任意的字符串。和通配符類似，正則表達(dá)式也是用來進(jìn)行文本匹配的工具，只不過比通配符更能精確地描述你的需求--當(dāng)然，代價(jià)就是更復(fù)雜。比如你可以編寫一個(gè)正則表達(dá)式來查找所有以0開頭，后面跟著2-3個(gè)數(shù)字，然后是一個(gè)連字號(hào)“-”，最后是7或8位數(shù)字的字符串(像010-12345678或0376-7654321)。
入門
在編寫處理字符串的程序或網(wǎng)頁時(shí)，經(jīng)常會(huì)有查找符合某些復(fù)雜規(guī)則的字符串的需要。正則表達(dá)式就是用于描述這些規(guī)則的工具。換句話說，正則表達(dá)式就是記錄文本規(guī)則的代碼。例如，\d+就是一個(gè)簡(jiǎn)潔的代碼，代表著規(guī)則1位或更多位數(shù)字，2008就符合這個(gè)規(guī)則，而A3則不符合(它包含了不是數(shù)字的字符)。
學(xué)習(xí)正則表達(dá)式的最好方法是從例子開始，理解例子之后再自己對(duì)例子進(jìn)行修改，實(shí)驗(yàn)。下面給出了不少簡(jiǎn)單的例子，并對(duì)它們作了詳細(xì)的說明。
假設(shè)你在一篇英文小說里查找hi，你可以使用正則正則表達(dá)式hi。
這是最簡(jiǎn)單的正則表達(dá)式了，它可以精確匹配這樣的字符串：由兩個(gè)字符組成，前一個(gè)字符是h,后一個(gè)是i。通常，處理正則表達(dá)式的工具會(huì)提供一個(gè)忽略大小寫的選項(xiàng)，如果選中了這個(gè)選項(xiàng)，它可以匹配hi,HI,Hi,hI。
不幸的是，很多單詞里包含hi這兩個(gè)連續(xù)的字符，比如him,history,high等等。用hi來查找的話，這里邊的hi也會(huì)被找出來。如果要精確地查找hi這個(gè)單詞的話，我們應(yīng)該使用\bhi\b。
\b是正則表達(dá)式規(guī)定的一個(gè)特殊代碼，代表著單詞的開頭或結(jié)尾。雖然通常英文的單詞是由空格或標(biāo)點(diǎn)符號(hào)或換行為分隔的，但是\b并不代表這些單詞分隔符中的任何一個(gè)，只代表一個(gè)位置。
假如你要找的是hi后面不遠(yuǎn)處跟著一個(gè)Lucy，你應(yīng)該用\bhi\b.*\bLucy\b。
這里，.是另一個(gè)特殊代碼，代表除了換行符以外的任意字符。*同樣是特殊的代碼，不過它代表的不是字符，也不是位置，而是數(shù)量--它指定*前邊的內(nèi)容可以重復(fù)任意次以使整個(gè)表達(dá)式得到匹配。因此，.*連在一起就意味著任意數(shù)量的不包含換行的字符。現(xiàn)在\bhi\b.*\bLucy\b的意思就很明顯了：先是一個(gè)單詞hi,然后是任意個(gè)任意字符(但不能是換行)，最后是Lucy這個(gè)單詞。
如果同時(shí)使用其它的一些特殊代碼，我們就能構(gòu)造出功能更強(qiáng)大的正則表達(dá)式。比如下面這個(gè)例子：
0\d\d-\d\d\d\d\d\d\d\d代表著這樣的字符串：以0開頭，然后是兩個(gè)數(shù)字，然后是一個(gè)連字號(hào)“-”，最后是8個(gè)數(shù)字(也就是中國的電話號(hào)碼，當(dāng)然，這個(gè)例子只能匹配區(qū)號(hào)為3位的情形，想同時(shí)匹配區(qū)號(hào)為4位的話，請(qǐng)?jiān)诮坛痰南旅鎸ふ掖鸢?。
這里的\d是一個(gè)新的特殊代碼，代表任意的數(shù)字(0，或1，或2，或。。。)。-不是特殊代碼，只代表它本身--連字號(hào)。
為了避免那么多煩人的重復(fù)，我們也可以這樣寫這個(gè)表達(dá)式：0\d{2}-\d{8}
這里\d后面的{2}({8})指定的是前面\d必須連續(xù)重復(fù)出現(xiàn)2次(8次)。
測(cè)試正則表達(dá)式
如果你不覺得正則表達(dá)式很難讀寫的話，要么你是一個(gè)天才，要么，你不是地球人。正則表達(dá)式的語法很令人頭疼，即使對(duì)經(jīng)常使用它的人來說也是如此。由于難于讀寫，容易出錯(cuò)，所以很有必要?jiǎng)?chuàng)建一種工具來測(cè)試正則表達(dá)式。
由于在不同的環(huán)境下正則表達(dá)式的一些細(xì)節(jié)是不相同的，本教程介紹的是Microsoft .net下正則表達(dá)式的行為，所以，我向你介紹一個(gè).net下的工具The Regulator。首先你確保已經(jīng)安裝了.net Framework1.1，然后下載The Regulator，下載完后打開壓縮包，運(yùn)行setup.exe安裝。
下面是the Regulator運(yùn)行時(shí)的截圖：
特殊代碼
現(xiàn)在你已經(jīng)知道幾個(gè)具有特殊意義的代碼了，如\b,.,*，還有\(zhòng)d.事實(shí)上還有更多的特殊代碼，比如\s代表任意的空白符，包括空格，制表符(Tab),換行符。\w代表著字母或數(shù)字。
下面來試試更多的例子：
\ba\w*\b匹配以字母a開頭的單詞-先是某個(gè)單詞開始處(\b)，然后是字母a,然后是任意數(shù)量的字母或數(shù)字(\w*)，最后是單詞結(jié)束處(\b)。
\d+匹配1個(gè)或更多連續(xù)的數(shù)字。這里的+是和*類似的特殊代碼，不同的是*代表重復(fù)任意次(可能是0次)，而+則代表重復(fù)1次或更多次。
\b\w{6}\b 匹配剛好6個(gè)字母/數(shù)字的單詞。
特殊代碼^以及$和\b有點(diǎn)類似，都匹配一個(gè)位置。^匹配你要用來查找的字符串的開頭，$匹配結(jié)尾。這兩個(gè)代碼在驗(yàn)證輸入的內(nèi)容時(shí)非常有用，比如一個(gè)網(wǎng)站如果要求你填寫的QQ號(hào)必須為5位到12位數(shù)字時(shí)，可以使用：^\d{5,12}$。
這里的{5,12}和前面介紹過的{2}是類似的，只不過{2}代表只能不多不少重復(fù)2次，{5,12}則是必須重復(fù)最少5次，最多12次，否則都不匹配。
因?yàn)槭褂昧薧和$，所以輸入的整個(gè)字符串都要用來和\d{5,12}來匹配，也就是說整個(gè)輸入必須是5到12個(gè)數(shù)字，因此如果輸入的QQ號(hào)能匹配這個(gè)正則表達(dá)式的話，那就符合要求了。
和忽略大小寫的選項(xiàng)類似，有些正則表達(dá)式處理工具還有一個(gè)處理多行的選項(xiàng)。如果選中了這個(gè)選項(xiàng)，^和$的意義就變成了匹配行的開始處和結(jié)束處。
字符轉(zhuǎn)義
如果你想查找特殊代碼本身的話，比如你查找.,或者*,就出現(xiàn)了問題：你沒法指定它們，因?yàn)樗鼈儠?huì)被解釋成其它的意思。這時(shí)你就必須使用\來取消這些字符的特殊意義。因此，你應(yīng)該使用\.和\*。當(dāng)然，要查找\本身，你也得用\\.
例如：deerchao\.net匹配deerchao.net，c:\\windows匹配c:\windows,2\^8匹配2^8(通常這是2的8次方的書寫方式)。
重復(fù)
你已經(jīng)看過了前面的*,+,{2},{5,12}這幾個(gè)代表重復(fù)的方式了。下面是正則表達(dá)式中所有指定重復(fù)的方式：
Windows\d+匹配Windows后面跟1個(gè)或更多數(shù)字
13\d{9}匹配以13后面跟9個(gè)數(shù)字(中國的手機(jī)號(hào))
^\w+匹配一行的第一個(gè)單詞(或整個(gè)字符串的第一個(gè)單詞，具體代表哪個(gè)意思得看選項(xiàng)設(shè)置)
字符類
要想查找數(shù)字，字母或數(shù)字，空白是很簡(jiǎn)單的，因?yàn)橐呀?jīng)有了對(duì)應(yīng)這些字符集的特殊代碼，但是如果你想匹配沒有預(yù)定義特殊代碼的字符集比如元音字母(a,e,i,o,u),怎么辦？
很簡(jiǎn)單，你只需要在中括號(hào)里列出它們就行了，像[aeiou]就匹配任何一個(gè)元音字母，[.?!]匹配標(biāo)點(diǎn)符號(hào)(.或?或!)(英文語句通常只以這三個(gè)標(biāo)點(diǎn)結(jié)束)。要注意的是，在中括號(hào)中，特殊代碼不會(huì)被解釋成其它意義，所以我們不需要寫成[\.\?!](事實(shí)上這樣寫會(huì)出錯(cuò)，因?yàn)槌霈F(xiàn)了兩次\)。
我們也可以輕松地指定一個(gè)字符范圍，像[0-9]代表的含意與\d就是完全一致的：一位數(shù)字，同理[a-z0-9A-Z]也完全等同于\w。
下面是一個(gè)更復(fù)雜的表達(dá)式：\(?0\d{2}[) -]?\d{8}。
這個(gè)表達(dá)式可以匹配幾種格式的電話號(hào)碼，像(010)88886666，或022-22334455，或02912345678等。我們對(duì)它進(jìn)行一些分析吧：首先是一個(gè)轉(zhuǎn)義字符\(,它能出現(xiàn)0次或1次(?),然后是一個(gè)0，后面跟著2個(gè)數(shù)字({2})，然后是)或-或空格中的一個(gè)，它出現(xiàn)1次或不出現(xiàn)(?)，最后是8個(gè)數(shù)字(\d{8})。不幸的是，它也能匹配010)12345678或(022-87654321這樣的“不正確”的格式。要解決這個(gè)問題，請(qǐng)?jiān)诒窘坛痰南旅娌檎掖鸢浮?/p>
反義
有時(shí)需要查找不屬于某個(gè)簡(jiǎn)單定義的字符類的字符。比如想查找除了數(shù)字以外，其它任意字符都行的情況，這時(shí)需要用到反義：
例子：\S+代表不包含空白符的字符串。]+>代表用尖括號(hào)括起來的以a開頭的字符串。替換好了，現(xiàn)在終于到了解決3位或4位區(qū)號(hào)問題的時(shí)間了。正則表達(dá)式里的替換指的是有幾種規(guī)則，如果滿足其中任意一種規(guī)則都應(yīng)該當(dāng)成匹配，具體方法是用|把不同的規(guī)則分隔開。聽不明白？沒關(guān)系，看例子：0\d{2}-\d{8}|0\d{3}-\d{7}這個(gè)表達(dá)式能匹配兩種以連字號(hào)分隔的電話號(hào)碼：一種是三位區(qū)號(hào)，8位本地號(hào)(如010-12345678)，一種是4位區(qū)號(hào)，7位本地號(hào)(0376-2233445)。\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}這個(gè)表達(dá)式匹配3位區(qū)號(hào)的電話號(hào)碼，其中區(qū)號(hào)可以用小括號(hào)括起來，也可以不用，區(qū)號(hào)與本地號(hào)間可以用連字號(hào)或空格間隔，也可以沒有間隔。你可以試試用替換|把這個(gè)表達(dá)式擴(kuò)展成也支持4位區(qū)號(hào)的。\d{5}-\d{4}|\d{5}這個(gè)表達(dá)式用于匹配美國的郵政編碼。美國郵編的規(guī)則是5位數(shù)字，或者用連字號(hào)間隔的9位數(shù)字。之所以要給出這個(gè)例子是因?yàn)樗苷f明一個(gè)問題：使用替換時(shí)，順序是很重要的。如果你把它改成\d{5}|\d{5}-\d{4}的話，那么就只會(huì)匹配5位的郵編(以及9位郵編的前5位)。原因是匹配替換時(shí)，將會(huì)從左到右地測(cè)試每個(gè)條件，如果滿足了某個(gè)條件的話，就不會(huì)去管其它的替換條件了。Windows98|Windows2000|WindosXP這個(gè)例子是為了告訴你替換不僅僅能用于兩種規(guī)則，也能用于更多種規(guī)則。分組我們已經(jīng)提到了怎么重復(fù)單個(gè)字符；但如果想要重復(fù)一個(gè)字符串又該怎么辦？你可以用小括號(hào)來指定子表達(dá)式(也叫做分組)，然后你就可以指定這個(gè)子表達(dá)式的重復(fù)次數(shù)了，你也可以對(duì)子表達(dá)式進(jìn)行其它一些操作(教程后面會(huì)有介紹)。(\d{1,3}\.){3}\d{1,3}是一個(gè)簡(jiǎn)單的IP地址匹配表達(dá)式。要理解這個(gè)表達(dá)式，請(qǐng)按下列順序分析它：\d{1,3}代表1到3位的數(shù)字，(\d{1,3}\.}{3}代表三位數(shù)字加上一個(gè)英文句號(hào)(這個(gè)整體也就是這個(gè)分組)重復(fù)3次，最后再加上一個(gè)一到三位的數(shù)字(\d{1,3})。不幸的是，它也將匹配256.300.888.999這種不可能存在的IP地址(IP地址中每個(gè)數(shù)字都不能大于255)。如果能使用算術(shù)比較的話，或許能簡(jiǎn)單地解決這個(gè)問題，但是正則表達(dá)式中并不提供關(guān)于數(shù)學(xué)的任何功能，所以只能使用冗長的分組，選擇，字符類來描述一個(gè)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(gè)表達(dá)式的關(guān)鍵是理解2[0-4]\d|25[0-5]|[01]?\d\d?，這里我就不細(xì)說了，你自己應(yīng)該能分析得出來它的意義。后向引用使用小括號(hào)指定一個(gè)子表達(dá)式后，匹配這個(gè)子表達(dá)式的文本可以在表達(dá)式或其它程序中作進(jìn)一步的處理。默認(rèn)情況下，每個(gè)分組會(huì)自動(dòng)擁有一個(gè)組號(hào)，規(guī)則是：以分組的左括號(hào)為標(biāo)志，從左向右，第一個(gè)分組的組號(hào)為1，第二個(gè)為2，以此類推。后向引用用于重復(fù)搜索前面某個(gè)分組匹配的文本。例如，\1代表分組1匹配的文本。難以理解？請(qǐng)看示例：\b(\w+)\b\s+\1\b可以用來匹配重復(fù)的單詞，像go go, kitty kitty。首先是一個(gè)單詞，也就是單詞開始處和結(jié)束處之間的多于一個(gè)的字母或數(shù)字(\b(\w+)\b)，然后是1個(gè)或幾個(gè)空白符(\s+，最后是前面匹配的那個(gè)單詞(\1)。你也可以自己指定子表達(dá)式的組號(hào)或組名。要指定一個(gè)子表達(dá)式的組名，請(qǐng)使用這樣的語法：(?\w+),這樣就把\w+的組名指定為Word了。要反向引用這個(gè)分組捕獲的內(nèi)容，你可以使用\k,所以上一個(gè)例子也可以寫成這樣：\b(?\w+)\b\s*\k\b。使用小括號(hào)的時(shí)候，還有很多特定用途的語法。下面列出了最常用的一些：表4.分組語法捕獲(exp)匹配exp,并捕獲文本到自動(dòng)命名的組里(?exp)匹配exp,并捕獲文本到名稱為name的組里(?:exp)匹配exp,不捕獲匹配的文本位置指定(?=exp)匹配exp前面的位置(?<=exp)匹配exp后面的位置(?!exp)匹配后面跟的不是exp的位置(?).*(?=<\/\1>)匹配不包含屬性的簡(jiǎn)單HTML標(biāo)簽內(nèi)里的內(nèi)容。()指定了這樣的前綴：被尖括號(hào)括起來的單詞(比如可能是)，然后是.*(任意的字符串),最后是一個(gè)后綴(?=<\/\1>)。注意后綴里的\/，它用到了前面提過的字符轉(zhuǎn)義；\1則是一個(gè)反向引用，引用的正是捕獲的第一組，前面的(\w+)匹配的內(nèi)容，這樣如果前綴實(shí)際上是的話，后綴就是了。整個(gè)表達(dá)式匹配的是和之間的內(nèi)容(再次提醒，不包括前綴和后綴本身)。注釋小括號(hào)的另一種用途是能過語法(?#comment)來包含注釋。要包含注釋的話，最好是啟用“忽略模式里的空白符”選項(xiàng)，這樣在編寫表達(dá)式時(shí)能任意的添加空格，Tab，換行，而實(shí)際使用時(shí)這些都將被忽略。啟用這個(gè)選項(xiàng)后，在#后面到這一行結(jié)束的所有文本都將被當(dāng)成注釋忽略掉。例如，我們可以把上一個(gè)表達(dá)式寫成這樣：? ? ? (?<=? ? # 查找前綴，但不包含它? ? ? <(\w+)> # 查找尖括號(hào)括起來的字母或數(shù)字(標(biāo)簽)? ? ? )? ? ? # 前綴結(jié)束? ? ? .*? ? ? # 匹配任意文本? ? ? (?=? ? # 查找后綴，但不包含它? ? ? <\/\1>? # 查找尖括號(hào)括起來的內(nèi)容：前面是一個(gè)"/"，后面是先前捕獲的標(biāo)簽? ? ? )? ? ? # 后綴結(jié)束? ? 貪婪與懶惰當(dāng)正則表達(dá)式中包含能接受重復(fù)的量詞(指定數(shù)量的代碼，例如*,{5,12}等)時(shí)，通常的行為是匹配盡可能多的字符?？紤]這個(gè)表達(dá)式：a.*b，它將會(huì)匹配最長的以a開始，以b結(jié)束的字符串。如果用它來搜索aabab的話，它會(huì)匹配整個(gè)字符串a(chǎn)abab。這被稱為貪婪匹配。有時(shí)，我們更需要懶惰匹配，也就是匹配盡可能少的字符。前面給出的量詞都可以被轉(zhuǎn)化為懶惰匹配模式，只要在它后面加上一個(gè)問號(hào)?。這樣.*?就意味著匹配任意數(shù)量的重復(fù)，但是在能使整個(gè)匹配成功的前提下使用最少的重復(fù)?，F(xiàn)在看看懶惰版的例子吧：a.*?b匹配最短的，以a開始，以b結(jié)束的字符串。如果把它應(yīng)用于aabab的話，它會(huì)匹配aab和ab。表5.懶惰量詞*?重復(fù)任意次，但盡可能少重復(fù)+?重復(fù)1次或更多次，但盡可能少重復(fù)??重復(fù)0次或1次，但盡可能少重復(fù){n,m}?重復(fù)n到m次，但盡可能少重復(fù){n,}?重復(fù)n次以上，但盡可能少重復(fù)還有些什么東西沒提到我已經(jīng)描述了構(gòu)造正則表達(dá)式的大量元素，還有一些我沒有提到的東西。下面是未提到的元素的列表，包含語法和簡(jiǎn)單的說明。你可以在網(wǎng)上找到更詳細(xì)的參考資料 來學(xué)習(xí)它們--當(dāng)你需要用到它們的時(shí)候。如果你安裝了MSDN Library,你也可以在里面找到關(guān)于.net下正則表達(dá)式詳細(xì)的文檔。表6.尚未討論的語法\a報(bào)警字符(打印它的效果是電腦嘀一聲)\b通常是單詞分界位置，但如果在字符類里使用代表退格\t制表符，Tab\r回車\v豎向制表符\f換頁符\n換行符\eEscape\0nnASCII代碼中八進(jìn)制代碼為nn的字符\xnnASCII代碼中十六進(jìn)制代碼為nn的字符\unnnnUnicode代碼中十六進(jìn)制代碼為nnnn的字符\cNASCII控制字符。比如\cC代表Ctrl+C\A字符串開頭(類似^，但不受處理多行選項(xiàng)的影響)\Z字符串結(jié)尾或行尾(不受處理多行選項(xiàng)的影響)\z字符串結(jié)尾(類似$，但不受處理多行選項(xiàng)的影響)\G當(dāng)前搜索的開頭\p{name}Unicode中命名為name的字符類，例如\p{IsGreek}(?>exp)貪婪子表達(dá)式(?-exp)平衡組(?-exp) 平衡組
(?im-nsx:exp) 在子表達(dá)式exp中改變處理選項(xiàng)
(?im-nsx) 為表達(dá)式后面的部分改變處理選項(xiàng)
(?(exp)yes|no) 把exp當(dāng)作零寬正向先行斷言，如果在這個(gè)位置能匹配，使用yes作為此組的表達(dá)式；否則使用no
(?(exp)yes) 同上，只是使用空表達(dá)式作為no
(?(name)yes|no) 如果命名為name的組捕獲到了內(nèi)容，使用yes作為表達(dá)式；否則使用no
(?(name)yes) 同上，只是使用空表達(dá)式作為no
一些我認(rèn)為你可能已經(jīng)知道的術(shù)語的參考
字符
程序處理文字時(shí)最基本的單位，可能是字母，數(shù)字，標(biāo)點(diǎn)符號(hào)，空格，換行符，漢字等等。
字符串
0個(gè)或更多個(gè)字符的序列。
文本
文字，字符串。
匹配
符合規(guī)則，檢驗(yàn)是否符合規(guī)則，符合規(guī)則的部分。
網(wǎng)上的資源
微軟的正則表達(dá)式教程
專業(yè)的正則表達(dá)式教學(xué)網(wǎng)站(英文)
The Regulator官方網(wǎng)站
