陈某某的网络日志

活到老学到老,学习无止境

0%

正则表达式笔记

发表于 分类于

简介

正则表达式(Regular Expression ,re,regex)。个人理解就是是一种匹配的模式（pattern）,可以用来匹配符合pattern的字符串。本身就是用特殊的字符串和语法规则来书写。常见语言c#,java,python,vb,php等都支持，基本语法类似，但细节上和支持的元字符有所不同。Linux下的文本处理工具sed,awk(gawk),grep都会用到正则表达式。

元字符

字符组

  • [] 表示匹配这一系列字符集合中的任一个
  • \d 数字，等价于[0-9]
  • \w 数字，字母 ，等价于[0-9a-zA-Z]
  • \s 空字符 等价于[ \t\r\n\v\f] 第一个是空格
  • -是在[]是不用转义的，表示范围，其它元字符必须用\转义
  • ^在[]表示非（不是开始位置），[^0-9]表示非数字

量词

  • {m,n} 之前的元素出现最少m次，最多n次
  • * 任意次， 等价于{0,}
  • + 最少一次，等价于{1,}
  • ？ 0次或1次，等价于{0,1}
    量词默认都是贪婪匹配，有时要懒惰匹配，需要在后面加?

其它元字符

  • . 匹配除\n之外的任意字符
  • ^ 字符串开始位置
  • $ 结尾位置
  • \b 单词边界

分组

  • （exp） 括号里面的叫分组，也叫子表达式，子模式，可以看做一个整体。
  • 分组可以后向引用， 从\1,\2…开始。

环视（look around）

类型 pattern
Positive Lookahead /pattern/(?=exp)
Positive Lookbehind (?<=exp)/pattern/
Negative Lookahead /pattern/(?!exp)
Negative Lookbehind (?<!exp)/pattern/

这些()里的分组都是不捕获的，可以理解为自定义的边界,只匹配位置。
这几个名字不好记，翻译成中文叫啥的都有（环视，预查，零宽断言）。
简单记忆：=是要匹配的（肯定），！是不能匹配的（否定），<是从右往左（逆序，反向,behind），没有< 是正则默认的从左往右（顺序，正向，ahead）。
注：以肯定顺序环视为例，常见的写法是 /pattern/(?=exp) 表示要匹配的pattern右边是子表达式匹配的位置。
但也可以这么用 (?=exp)/pattern/
文本： jack2007jac
正则 (?=jack2007)jack 可以匹配出jack
用jack(?=2007) 一样匹配出jack

Mode

匹配模式(这里不是pattern)，可理解为 匹配时有哪些选项。包括: 不区分大小写，单行（DOTALL）模式 等。
结构是(?modifier),写在整个表达式的开头处。
(?i) 表示不区分大小写
(?s) 单行模式（点号通配），此时.可以匹配\n
(?m) 多行模式（和单行模式没关系），影响的是^$,匹配行的开始和结束

Unicode

匹配unicode代码值：如”我”

python: \u6211
php: \x{6211}
匹配中文: [\u4e00-\u9fff] (CJK统一表意符号)

Unicode属性

三种属性：
1.Unicode Property 功能，是标点，字母，符号？ 而不关心是哪种语言的字符。\p{n}表示各种书写系统中的数字。
2.Unicode Block 所属代码区块，如控制字符和基本拉丁语\p{InBasic_Latin}, \u0000-\uFFFF 一共有105个区块。
3.Unicdoe Script 书写系统，是英文，中文，阿拉伯文？如 \p{Han}表示汉语（中文字符）

结构写法都是 \p{property},部分编程语言不支持。python的标准库re不支持， perl,php支持。

正则实例：

含义 正则表达式
手机号码（非严格） 1\d{10}
匹配素数个长度的字符 ^(?!(..+)\1+$) 解释:(..+)\1+ 表示两个及以上的重复出现2倍以上，即不是素数，?!是Negative Lookahead，整个表达式就是开头到最后不是非素数长的，即能匹配的就是素数个长度的字符串
IPV6 ^(([0-9a-fA-F]{1,4}):){7}([0-9a-fA-F]{1,4})$
IPV4 ^((2[0-4]\d|25[0-5]|1[0-9]{2}|[1-9]\d|[0-9])\.){3}(2[0-4]\d|25[0-5]|1[0-9]{2}|[1-9]\d|[0-9])$

正则规范

有许多的语言和工具都支持正则表达式，但是它们支持的标准不尽相同。

  1. POSIX规范：

    • BRE（基本正则表达式）： （）{} 等元字符要加转义符，不支持反向引用\1,\2，不支持量词+，？
    • ERE（扩展正则表达式）： （）{} 无需加转义,量词+，?可以直接使用
      如linux下的工具基本采用POSIX规范，sed/grep 默认使用的为BRE,grep -P使用下面的PCRE，awk默认使用的为 ERE
      其实现在纯粹的BRE用的比较少了，GNU其实对这些工具都作了一定的扩展。

  2. PCRE（Perl Compatible Regular Expression）
    PCRE可以认为是事实上的标准，来自于Perl,很多对正则的支持均移植于PCRE，常见的字符组\d,\w,\s均来自于PCRE。

参考资料