正则表达式

参考:





正则表达式介绍

正则表达式,又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法(Regular Expression, 在代码中常简写为regex、regexp或RE)。
是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里,正则表达式通常被用来检索、替换那些匹配某个模式的文本。


正则表达式的POSIX规范,分为两大流派:

  • 基本型正则表达式(Basic Regular Expression,BRE)
    • grepvised都属于BRE,是历史最早的正则表达式,因此元字符必须转译之后才具有特殊含义
  • 扩展型正则表达式(Extended Regular Express,ERE)
    • egrepawk则属于ERE,元字符不用转译






正则表达式基本语法

一个正则表达式通常被称为一个模式(pattern),用来描述或者匹配一系列匹配某个句法规则的字符串。


大部分正则表达式有如下结构:

  • 选择
    • |竖线符代表选择(或),具有最低优先级
  • 数量限定
    • 字符后的数量限定符用来限定前面这个字符允许出现的个数
    • 不加数量限定则代表仅出现一次
    • 常见的数量限定符包括 +?*
      • +加号代表前面的字符必须至少出现一次 ( $$$>=1$$$ )
      • ?问号代表前面的字符最多只可出现一次 ( $$$1>=?>=0$$$ )
      • *星号代表前面的字符可不出现,也可出现一次或多次 ($$$>=0$$$)
  • 匹配
    • ()圆括号可以定义操作符的范围和优先度






PCRE表达式全集

正则表达式有多种不同的风格。
PCRE(Perl兼容正则表达式,Perl Compatible Regular Expression)。适用于Perl或者Python编程语言(grep或者egrep的正则表达式文法是PCRE的子集)


基础正则表达式

字符 描述
\ 转义字符
zhang 匹配文本字符串值zhang
. 匹配除\r,\n之外的任何单个字符
竖线l 匹配竖线两边某一个
^ 匹配输入字符串的开始位置
$ 匹配输入字符串的结束位置
* 匹配前面的子表达式零次或多次
+ 匹配前面的子表达式一次或多次
? 匹配前面的子表达式零次或一次
{n} n是一个非负整数。匹配n次
{n,} n是一个非负整数。至少匹配n次
{n,m} m和n均为非负整数,匹配n-m次
[xyz] 字符集合(character class)。匹配所包含的任意一个字符
xyz 排除型字符集合(negated character classes)。匹配未列出的任意字符
[a-z] 字符范围。匹配指定范围内的任意字符
a-z 排除型的字符范围。匹配任何不在指定范围内的任意字符
[:name:] 增加命名字符类(named character class)
[=elt=] 增加当前locale下排序(collate)等价于字符“elt”的元素
[.elt.] 增加排序元素(collation element)elt到表达式中。这是因为某些排序元素由多个字符组成


元字符
元字符(meta character),是一种Perl风格的正则表达式,只有一部分文本处理工具支持它。

字符 描述
\b 匹配一个单词边界,也就是指单词和空格间的位置
\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
\d 匹配一个数字字符。等价于[0-9]。注意Unicode正则表达式会匹配全角数字字符
\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
\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_]”。注意Unicode正则表达式会匹配中文字符
\W 匹配任何非单词字符。等价于“A-Za-z0-9_
\ck 匹配控制转义字符。k代表一个字符。等价于“Ctrl-k”。用于ECMA语法
\xnn 十六进制转义字符序列。匹配两个十六进制数字nn表示的字符
\num 向后引用(back-reference)一个子字符串(substring),该子字符串与正则表达式的第num个用括号围起来的捕捉群(capture group)子表达式(subexpression)匹配。其中num是从1开始的十进制正整数,其上限可能是9[注 2]、31、[注 3]99甚至无限。[注 4]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 3位八进制数字,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 Unicode转义字符序列。其中n是一个用四个十六进制数字表示的Unicode字符


扩展正则表达式

字符 描述
? 非贪心量化(Non-greedy quantifiers):当该字符紧跟在任何一个其他重复修饰符(*,+,?,{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
(pattern) 匹配pattern并获取这一匹配的子字符串。该子字符串用于向后引用。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但不获取匹配的子字符串(shy groups),也就是说这是一个非获取匹配,不存储匹配的子字符串用于向后引用
(?=pattern) 正向肯定预查(look ahead positive assert),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
(?!pattern) 正向否定预查(negative assert),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
(?<=pattern) 反向(look behind)肯定预查,与正向肯定预查类似,只是方向相反
(?<!pattern) 反向否定预查,与正向否定预查类似,只是方向相反






POSIX字符组

POSIX字符类(POSIX character class),是一个形如[:…:]的特殊元序列,它用于匹配特定的字符范围。

POSIX字符组 说明 ASCII环境 Unicode环境
[:alnum:] 字母字符和数字字符 [a-zA-Z0-9] [\p{L&}\p{Nd}]
[:alpha:] 字母 [a-zA-Z] \p{L&}
[:ascii:] ASCII字符 [\x00-\x7F] \p{InBasicLatin}
[:blank:] 空格字符和制表符 [ \t] [\p{Zs}\t]
[:cntrl:] 控制字符 [\x00-\x1F\x7F] \p{Cc}
[:digit:] 数字字符 [0-9] \p{Nd}
[:graph:] 空白字符之外的字符 [\x21-\x7E] \p{Z}\p{C}
[:lower:] 小写字母字符 [a-z] \p{Ll}
[:print:] 类似[:graph:],但包括空白字符 [\x20-\x7E] \P{C}
[:punct:] 标点符号 }~-] [\p{P}\p{S}]
[:space:] 空白字符 [ \t\r\n\v\f] [\p{Z}\t\r\n\v\f]
[:upper:] 大写字母字符 [A-Z] \p{Lu}
[:word:] 字母字符 [A-Za-z0-9_] [\p{L}\p{N}\p{Pc}]
[:xdigit:] 十六进制字符 [A-Fa-f0-9] [A-Fa-f0-9]






优先级

优先权 符号
最高 \
( )、(?: )、(?= )、[ ]
*、+、?、{n}、{n,}、{m,n}
^、$、中介字符
次最低 串接,即相邻字符连接在一起
最低 l