【正则表达式】

概述

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。正则表达式并不仅限于某一种语言，但是在每种语言中有细微的差别。

简介

正则表达式是对字符串（包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为"元字符"））操作的一种逻辑公式，就是用事先定义好的一些特定字符及这些特定字符的组合，组成一个"规则字符串"，这个"规则字符串"用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式，该模式描述在搜索文本时要匹配的一个或多个字符串。

目的

播报编辑给定一个正则表达式和另一个字符串，我们可以达到如下的目的：1. 判断给定的字符串是否符合正则表达式的过滤逻辑（称作"匹配"）：2. 可以通过正则表达式，从字符串中获取我们想要的特定部分。

特点

正则表达式的特点是：

灵活性、逻辑性和功能性非常强；
可以迅速地用极简单的方式达到字符串的复杂控制。
对于刚接触的人来说，比较晦涩难懂。

由于正则表达式主要应用对象是文本，因此它在各种文本编辑器场合都有应用，小到著名编辑器EditPlus，大到Microsoft Word、Visual Studio等大型编辑器，都可以使用正则表达式来处理文本内容。

符号

正则表达式由一些普通字符和一些元字符（metacharacters）组成。普通字符包括大小写的字母和数字，而元字符则具有特殊的含义，我们下面会给予解释。

在最简单的情况下，一个正则表达式看上去就是一个普通的查找串。例如，正则表达式"testing"中没有包含任何元字符，它可以匹配"testing"和"testing123"等字符串，但是不能匹配"Testing"。要想真正的用好正则表达式，正确的理解元字符是最重要的事情。

下表列出了所有的元字符和对它们的一个简短的描述。

|---------------|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 元字符 | 描述 |
| \ | 将下一个字符标记为或特殊字符、或原义字符、或向后引用、或八进制转义符。例如，"\\n"匹配\n。"\n"匹配换行符。序列"\\"匹配"\"而"\("则匹配"("。即相当于多种编程语言中都有的"转义字符"的概念。 |
| ^ | 匹配输入字行首。如果设置了RegExp对象的Multiline属性，^也匹配"\n"或"\r"之后的位置。 |
| $| 匹配输入行尾。如果设置了RegExp对象的Multiline属性，$ 也匹配"\n"或"\r"之前的位置。 |
| * | 匹配前面的子表达式任意次。例如，zo*能匹配"z"，也能匹配"zo"以及"zoo"。*等价于{0,}。 |
| + | 匹配前面的子表达式一次或多次(大于等于1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"do"或"does"。?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为一组，后三个o为一组。"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地匹配所搜索的字符串，而默认的贪婪模式则尽可能多地匹配所搜索的字符串。例如，对于字符串"oooo"，"o+"将尽可能多地匹配"o"，得到结果 $"oooo"$ ，而"o+?"将尽可能少地匹配"o"，得到结果 $'o', 'o', 'o', 'o'$ |
| .点 | 匹配除"\n"和"\r"之外的任何单个字符。要匹配包括"\n"和"\r"在内的任何字符，请使用像" $\\s\\S$ "的模式。 |
| (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) | 非获取匹配，匹配pattern但不获取匹配结果，不进行存储供以后使用。这在使用或字符"(|)"来组合一个模式的各个部分时很有用。例如"industr(?:y|ies)"就是一个比"industry|industries"更简略的表达式。 |
| (?=pattern) | 非获取匹配，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，该匹配不需要获取供以后使用。例如，"Windows(?=95|98|NT|2000)"能匹配"Windows2000"中的"Windows"，但不能匹配"Windows3.1"中的"Windows"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。 |
| (?!pattern) | 非获取匹配，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，该匹配不需要获取供以后使用。例如"Windows(?!95|98|NT|2000)"能匹配"Windows3.1"中的"Windows"，但不能匹配"Windows2000"中的"Windows"。 |
| (?<=pattern) | 非获取匹配，反向肯定预查，与正向肯定预查类似，只是方向相反。例如，"(?<=95|98|NT|2000)Windows"能匹配"2000Windows"中的"Windows"，但不能匹配"3.1Windows"中的"Windows"。 |
| (?<=pattern) | *python的正则表达式没有完全按照正则表达式规范实现，所以一些高级特性建议使用其他语言如java、scala等 |
| (?<!pattern) | 非获取匹配，反向否定预查，与正向否定预查类似，只是方向相反。例如"(?<!95|98|NT|2000)Windows"能匹配"3.1Windows"中的"Windows"，但不能匹配"2000Windows"中的"Windows"。 |
| (?<!pattern) | *python的正则表达式没有完全按照正则表达式规范实现，所以一些高级特性建议使用其他语言如java、scala等 |
| x|y | 匹配x或y。例如，"z|food"能匹配"z"或"food"(此处请谨慎)。" $z\|f$ ood"则匹配"zood"或"food"。 |
| $xyz$ | 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"plin"任一字符。 |
| $a-z$ | 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。 |
| $a-z$ | 注意:只有连字符在字符组内部时,并且出现在两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身. |
| $\^a-z$ | 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 | 匹配一个单词的边界，也就是指单词和空格间的位置（即正则表达式的"匹配"有两种概念，一种是匹配字符，一种是匹配位置，这里的\b就是匹配位置的）。例如，"er\b"可以匹配"never"中的"er"，但不能匹配"verb"中的"er"；"\b1_"可以匹配"1_23"中的"1_"，但不能匹配"21_3"中的"1_"。 |
| \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 $0-9$ 。grep 要加上-P，perl正则支持 |
| \D | 匹配一个非数字字符。等价于 $\^0-9$ 。grep要加上-P，perl正则支持 |
| \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 | 匹配任何不可见字符，包括空格、制表符、换页符等等。等价于 $\\f\\n\\r\\t\\v$ 。 |
| \S | 匹配任何可见字符。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。类似但不等价于" $A-Za-z0-9_$ "，这里的"单词"字符使用Unicode字符集。 |
| \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（0-7），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（©）。 |
| \p{P} | 小写 p 是 property 的意思，表示 Unicode 属性，用于 Unicode 正表达式的前缀。中括号内的"P"表示Unicode 字符集七个字符属性之一：标点字符。 |
| \p{P} | 其他六个属性： |
| \p{P} | L：字母； |
| \p{P} | M：标记符号（一般不会单独出现）； |
| \p{P} | Z：分隔符（比如空格、换行等）； |
| \p{P} | S：符号（比如数学符号、货币符号等）； |
| \p{P} | N：数字（比如阿拉伯数字、罗马数字等）； |
| \p{P} | C：其他字符。 |
| \p{P} | *注：此语法部分语言不支持，例：javascript。 |
| \< | 匹配词（word）的开始（\<）和结束（\>）。例如正则表达式\<the\>能够匹配字符串"for the wise"中的"the"，但是不能匹配字符串"otherwise"中的"the"。注意：这个元字符不是所有的软件都支持的。 |
| \> | 匹配词（word）的开始（\<）和结束（\>）。例如正则表达式\<the\>能够匹配字符串"for the wise"中的"the"，但是不能匹配字符串"otherwise"中的"the"。注意：这个元字符不是所有的软件都支持的。 |
| ( ) | 将( 和 ) 之间的表达式定义为"组"（group），并且将匹配这个表达式的字符保存到一个临时区域（一个正则表达式中最多可以保存9个），它们可以用 \1 到\9 的符号来引用。 |
| | | 将两个匹配条件进行逻辑"或"（or）运算。例如正则表达式(him|her) 匹配"it belongs to him"和"it belongs to her"，但是不能匹配"it belongs to them."。注意：这个元字符不是所有的软件都支持的。 |

正则表达式语法支持情况

|----------------|-------|-----------|--------|-------|-------------|-------------------------------------|-------|-------|--------|---------|
| 命令或环境 | . | | ^ | $ |  | \{ \} | ? | + | | | ( ) |
| vi | √ | √ | √ | √ | √ | | | | | |
| Visual C++ | √ | √ | √ | √ | √ | | | | | |
| awk | √ | √ | √ | √ | | awk是支持该语法的，只是要在命令 | √ | √ | √ | √ |
| awk | √ | √ | √ | √ | | 行加入 --posix or --re-interval参数即可，可见 | √ | √ | √ | √ |
| awk | √ | √ | √ | √ | | man awk中的interval expression | √ | √ | √ | √ |
| sed | √ | √ | √ | √ | √ | √ | | | | |
| delphi | √ | √ | √ | √ | √ | | √ | √ | √ | √ |
| python | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ |
| java | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ |
| javascript | √ | √ | √ | √ | √ | | √ | √ | √ | √ |
| php | √ | √ | √ | √ | √ | | | | | |
| perl | √ | √ | √ | √ | √ | | √ | √ | √ | √ |
| C# | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ |

应用教学

大家可以使用Nodepad++来练习。

按下Ctrl+F，弹出搜索替换窗口，Search Mode项点Regular expression即可。

输入【.】123abc匹配了6次，说明每个字符都匹配了一次。

如果想知道有多少数字，输入【 $0-9$ 】即可。

如果想知道连续三个数字有几处，，输入【\d{3}】即可。

实例应用

1.验证用户名和密码：（"^ $a-zA-Z$ \w{5,15}$"）正确格式：" $A-Z$ $a-z$ _ $0-9$ "组成,并且第一个字必须为字母6~16位；

2.验证电话号码：（"^(\d{3,4}-)\d{7,8}$"）正确格式：xxx/xxxx-xxxxxxx/xxxxxxxx；

3.验证手机号码（包含虚拟号码和新号码段）："^1( $38$ $0-9$ |4 $5-9$ |5 $0-3,5-9$ |66|7 $0-8$ |9 $89$ ) $0-9$ {8}$"；

4.验证身份证号（15位）："\d{14} $\[0-9$ ,0-9xX]"，（18位）："\d{17}(\d|X|x)"；

5.验证Email地址：("^\w+( $-+.$ \w+)*@\w+( $-.$ \w+)*\.\w+( $-.$ \w+)*$")；

6.只能输入由数字和26个英文字母组成的字符串：("^ $A-Za-z0-9$ +$")；

7.整数或者小数：^ $0-9$ +( $.$ $0-9$ +){0,1}$

8.只能输入数字："^ $0-9$ *$"。

9.只能输入n位的数字："^\d{n}$"。

10.只能输入至少n位的数字："^\d{n,}$"。

11.只能输入m~n位的数字："^\d{m,n}$"。

12.只能输入零和非零开头的数字："^(0| $1-9$ $0-9$ *)$"。

13.只能输入有两位小数的正实数："^ $0-9$ +(\. $0-9$ {2})?$"。

14.只能输入有1~3位小数的正实数："^ $0-9$ +(\. $0-9$ {1,3})?$"。

15.只能输入非零的正整数："^\+? $1-9$ $0-9$ *$"。

16.只能输入非零的负整数："^\- $1-9$ $0-9$ *$"。

17.只能输入长度为3的字符："^.{3}$"。

18.只能输入由26个英文字母组成的字符串："^ $A-Za-z$ +$"。

19.只能输入由26个大写英文字母组成的字符串："^ $A-Z$ +$"。

20.只能输入由26个小写英文字母组成的字符串："^ $a-z$ +$"。

21.验证是否含有^%&',;=? $\\"等字符："\[%\&',;=?$ \\^]+"。

22.只能输入汉字："^ $\\u4e00-\\u9fa5$ {0,}$"。

23.验证URL："^http://( $\\w-$ +\.)+ $\\w-$ +(/ $\\w-./?%\&=$ *)?$"。

24.验证一年的12个月："^(0? $1-9$ |1 $[0-2](https://baike.baidu.com/item/0-2/58505032?fromModule=lemma_inlink "0-2")$ )$"正确格式为："01"～"09"和"10"～"12"。

25.验证一个月的31天："^((0? $1-9$ )|((1|2) $0-9$ )|30|31)$"正确格式为；"01"～"09"、"10"～"29"和"30"~"31"。

26.获取日期正则表达式：\\d{4} $年\|\\-\|\\.$ \d{\1-\12} $月\|\\-\|\\.$ \d{\1-\31}日?

评注：可用来匹配大多数年月日信息。

27.匹配双字节字符(包括汉字在内)： $\^\\x00-\\xff$

评注：可以用来计算字符串的长度（一个双字节字符长度计2，ASCII字符计1）

28.匹配空白行的正则表达式：\n\s*\r

评注：可以用来删除空白行

29.匹配HTML标记的正则表达式：<(\S*?) $\^\>$ *>.*?</>|<.*? />

评注：网上流传的版本太糟糕，上面这个也仅仅能匹配部分，对于复杂的嵌套标记依旧无能为力

30.匹配首尾空白字符的正则表达式：^\s*|\s*$

评注：可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式

31.匹配网址URL的正则表达式： $a-zA-z$ +:// $\^\\s$ *

评注：网上流传的版本功能很有限，上面这个基本可以满足需求

32.匹配账号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^ $a-zA-Z$ $a-zA-Z0-9_$ {4,15}$

评注：表单验证时很实用

33.匹配腾讯QQ号： $1-9$ $0-9$ {4,}

评注：腾讯QQ号从10 000 开始

34.匹配中国邮政编码： $1-9$ \\d{5}(?!\d)

评注：中国邮政编码为6位数字

35.匹配ip地址：( $1-9$ {1,3}\.){3} $1-9$ 。

评注：提取ip地址时有用

36.匹配MAC地址：( $A-Fa-f0-9$ {2}\:){5} $A-Fa-f0-9$