马天
0%

正则表达式语法笔记及常用表达式

发表于 分类于

对于正则表达式一向了解不多，假期期间随着《正则表达式必知必会》快速学习了一下正则表达式的基本使用，在此记录一下。

正则表达式语法笔记

常用元字符

元字符 作用
. 换行符外任意字符
\d 一个数字，等价于 [0-9]
\D 一个非数字，等价于 [^0-9]
\w 一个数字、字符及下划线，等价于[a-zA-Z0-9_]（最后一个是下划线_）
\W 一个非数字、字符和下划线，等价于[^a-zA-Z0-9_]（最后一个是下划线_），注意，[]内的 ^，对之后每个组合都取非，不只是紧接的
\s 一个空白字符，等价于[\f\n\r\t\v ]（最后有个空格），换页、换行、回车、制表、垂直制表符、空格
\S 一个非空白字符，等价于[^\f\n\r\t\v ]（最后有个空格）

要注意，[]内出现的的元字符对应字符，不按照元字符处理，不需要要转义，如“.”、“$”等

重复匹配

表达式 作用
+，[]+ 匹配前面字符/集合的一次或多次，贪婪
*，[]* 匹配前面字符/集合的零次或多次，贪婪
?，[]? 匹配前面字符/集合的零次或一次，等价于{0,1}
+? +的懒惰情况
*? *的懒惰情况
{n}，[]{n} 字符或集合出现 n 次
{n,m}，[]{n,m} 字符或集合出现 n 到 m 次
{n,}，[]{n,} 字符或集合出现 n 到无穷次/至少 n 次，贪婪
{n,}?，[]{n,}? {n,}，[]{n,}的懒惰情况

关于贪婪和懒惰，可见例子：

1
<B>AK</B> and <B>HI</B>

使用

1
<B>.*</B>

将匹配到

1
<B>AK</B> and <B>HI</B>

而懒惰形式

1
<B>.*?</B>

将匹配到

1
<B>AK</B>

和

1
<B>HI</B>

边界

表达式 作用
\b 单词边界，相当于 \w 和 \W 之间的位置
\B 非单词边界，即 字母数字下划线之间 或 非字母数字下划线之间
^ 匹配字符串开头
$ 匹配字符串结尾
(?m) 加在最前，使 ^ 和 $ 匹配行内字符串开头和行内字符串结尾。ps：不一定每种语法都适用
\A 同 ^，但 (?m) 对其无效
\Z 同 $，但 (?m) 对其无效

回溯引用

表达式 作用
() 括号内的作为一个子表达式，其中的元字符对应字符要匹配时需要转义，如”.”
\1 \1、\2 等是回溯引用，\1 将回溯引用第一个子表达式，\2 回溯第二个，以此类推（\0 在多种语法中表示整个正则表达式）

例如，使用回溯引用

1
<[Hh]([1-6])>.*?</[Hh]\1>

来匹配 html 1 到 6 级标题。

另外注意，使用

1
.*?

而不是

1
.*

是为了避免过度匹配，比如，使用

1
<[Hh]([1-6])>.*</[Hh]\1>

将在

1
<h1>test1</h1><h2>test2</h1>

中匹配到

1
<h1>test1</h1><h2>test2</h1>

前后查找

表达式 作用
?= 向前查找，要作为子表达式使用
?<= 向后查找，要作为子表达式使用
?! 负向前查找，要作为子表达式使用
?<! 负向后查找，要作为子表达式使用

例如，对于

1
2
http://matian.connorma.cn
https://matian.connorma.cn

使用向前匹配

1
\w+(?=:)

的匹配结果为

1
2
http
https

使用向后匹配

1
(?<=://).*

的匹配结果为

1
2
matian.connorma.cn
matian.connorma.cn

向前查找和向后查找可以起来，比如对上例，

1
(?<=://)[\w\.]*(?=\.cn)

将匹配到

1
2
matian.connorma
matian.connorma

对于负向前/后查找，比如，

1
2
3
4
30
200
$59
45

若要匹配所有金额数值，可以使用

1
(?<=\$)\d+

将匹配到

1
59

若要匹配所有非金额的数字，可以使用

1
\b(?<!\$)\d+\b

将匹配到

1
2
3
30
200
45

这里要注意，如果不使用 \b，而使用如下的表达式

1
(?<!\$)\d+

匹配结将是

1
2
3
4
30
200
9
45

条件（或）

对 OR 运算符“|”，

使用时注意

  1. 有优先级问题，如 19|20\d{2}，匹配 19，或者 20xx 的四位数字；(19|20)\d{2}，匹配 19xx 或者 20xx 的四位数字。

  2. 表现出短路，如 (((\d{1,2})|(1\d\d)|(2[0-4]\d)|(25[0-5])).){3}((\d{1,2})|(1\d\d)|(2[0-4]\d)|(25[0-5])) 意在匹配 ip 地址，但是好像，经测试，| 在正则表达式中，也表现出了短路的特性，会导致最后一段出现类似 255 只匹配到 25 的情况，而最后一段出现 256 时，将匹配到 25。\b(((\d{1,2})|(1\d\d)|(2[0-4]\d)|(25[0-5])).){3}((\d{1,2})|(1\d\d)|(2[0-4]\d)|(25[0-5]))\b 看起来更合理。

其他嵌入条件暂时没看。

常用表达式

  1. 匹配空白行（linux + windows）

    1
    [\r]?\n[\s]\*[\r]?\n

  2. 匹配 Email

    1
    (\w+\.)*\w*@(\w+\.)+[A-Za-z]+

  3. 匹配 URL 地址

    1
    [a-zA-z]+://[^\s]*

  4. 匹配 ip 地址

    1
    ((?:(?:25[0-5]|2[0-4]\d|[01]?\d?\d)\.){3}(?:25[0-5]|2[0-4]\d|[01]?\d?\d))