正则表达式高级
正则表达式高级
——《精通正则表达式》
+Java/Go/Python官方文档
+多年经验
+实验结果
知识整理
[TOC]
第3章 正则表达式的特性和流派概览
常用的元字符和特性 102
基本语法
https://www.runoob.com/regexp/regexp-metachar.html
量词
-
{n}{n,}{n,m} -
*同{0,} -
+同{1,} -
?同{0,1} -
量词默认匹配优先(贪婪，越多越好)
-
后面加
?则忽略优先(非贪婪，越少越好) -
后面加
+则占有优先(类似固化分组, golang不支持)，
匹配了就不会还回去，例如
用.*+c匹配abc，
.*会匹配优先地匹配到abc三个字符，
如果没有+时发现匹配失败就会回溯到.*匹配两个的情况，这时匹配成功；
而有+就占有不还回去了，匹配失败。
分组与捕获
"abc".replaceAll("a(.*)c", "s$1"); // sb
"b2b".replaceAll("(.*)2\\1", "s$1"); // sb
"b2b".replaceAll("(?<a>.*)2\\k<a>", "s${a}"); // sb
Pattern p = Pattern.compile("a(?<a>.*)c");
Matcher m = p.matcher("abc");
while (m.find()) {
System.out.println(m.group(1)); // b
System.out.println(m.group("a")); // b
}
反向引用组编号n为0代表全部，同m.group()
- 分组并捕获
(...) - 正则反向引用(Java Python)
\n(golang貌似未提供) - 字符反向引用(Java golang)
$n - 字符反向引用(Python)
\n\g<n> - 命名捕获(Java)
(?<name>...) - 正则反向引用(Java)
\k<name> - 字符反向引用(Java golang)
${name} - 字符反向引用(golang)
$name - 命名捕获(Python golang)
(?P<name>...) - 正则反向引用(Python)
(?P=name) - 字符反向引用(Python)
\g<name> - 多选结构
...|... - 仅分组不捕获
(?:...) - 固化分组(golang不支持)
(?>...) - 注释(宽松排列时 golang不支持)
# ...
Java不支持：
- 条件(Python)
(?(n/name)...|...) - 代码条件
(?... ...|...) - 嵌入式注释
(?#...) - 嵌入式代码
(?{...}) - 动态表达式
(??{...})
边界
锚点：
- 行始
^ - 文始
\A\G - 行末
$ - 文末
\Z\z - 单词边界
\b - 非单词边界
\B
环视结构(零长度断言，golang不支持)：
- 顺序环视
- 左边是A:
(?<=A) - 左边不是A:
(?<!A)
- 左边是A:
- 逆序环视
- 右边是A:
(?=A) - 右边不是A:
(?!A)
- 右边是A:
"abc".replaceAll("(?<=a)b(?=c)", ""); // ac
查找时用捕获比环视更容易阅读
注释与模式
通用常用
-
(?i)不区分大小写CASE_INSENSITIVE(Java 轻微影响性能) -
(?m)多行模式(^和$匹配整个字符串的头尾)MULTILINE -
(?s)点号通配模式(.匹配任意字符)DOTALL
Java
(?idmsuxU-idmsuxU)(?idmsux-idmsux:X)-
(?u)Unicode不区分大小写UNICODE_CASE(影响性能) -
(?x)宽松排列和注释(忽略空白和#后的内容)COMMENTS -
(?d)Unix行模式(只有\n)UNIX_LINES - Unicode按规则等价
CANON_EQ(影响性能) -
\Q...\E不使用元字符和转义序列LITERAL(1.5+) -
(?U)启用预定义和POSIX字符类UNICODE_CHARACTER_CLASS(1.7+，影响性能)
Python
(?aiLmsux-imsx:…)-
(?a)仅ASCII -
(?L)语言依赖
其他
-
(?o)编译一次(提升性能，Perl) -
(?U)忽略优先模式交换x*和x*?...的含义(golang)
也可以这样用：(?-i) (?i:...) (?-i:...)
Pattern p = Pattern.compile("a(?i)b(?-i)c(?i:d)");
Matcher m = p.matcher("aBcD");
Pattern p = Pattern.compile("a", Pattern.CASE_INSENSITIVE);
字符组
-
.换行符外任意字符 -
[...]字符组(元字符不需转义)
如[a-z]匹配小写字母 -
[^...]不包含
Perl字符族：
-
\d同[0-9] -
\D同[^0-9] -
\w同[A-Za-z0-9_] -
\W同[^A-Za-z0-9_] -
\s同[ \t\n\v\f\r] -
\S同[^ \t\n\v\f\r] -
\C字节 -
\XUnicode
ASCII字符族(来自golang):
[[:alnum:]]字母数字同[0-9A-Za-z]
[[:alpha:]]字母同[A-Za-z]
[[:ascii:]]ASCII同[\x00-\x7F]
[[:blank:]]空白[\t ]
[[:cntrl:]]控制[\x00-\x1F\x7F]
[[:digit:]]数字[0-9]
[[:graph:]]图形[!-~] == [A-Za-z0-9!"#$%&'()*+,\-./:;<=>?@[\\\]^_{|}~][[:lower:]]小写[a-z][[:print:]]可打印[ -~] == [ [:graph:]][[:punct:]]标点[!-/:-@[-{-~]
[[:space:]]空字符[\t\n\v\f\r ]
[[:upper:]]大写[A-Z]
[[:word:]]字符[0-9A-Za-z_]
[[:xdigit:]]十六进制[0-9A-Fa-f]
Unicode组：
-
\p{}Unicode 区块/属性/分类，如
java汉字
"Hi,你好!".replaceAll("[^\\p{javaIdeographic}]", ""); // 你好
Character.isIdeographic(int codePoint) // CJKV（中文，日文，韩文和越南文）表意文字
https://docs.oracle.com/en/Java/Javase/12/docs/api/Java.base/Java/util/regex/Pattern.html
golang汉字
package main_test
import (
"fmt"
"regexp"
)
func ExampleFindAllString() {
r := regexp.MustCompile(`[\p{Han}]+`) // 汉字
split := r.FindAllString("你好，中国！", -1)
for _, s := range split {
println(s) // 不计入output
fmt.Println(s)
}
// Output:
// 你好
// 中国
}
https://studygolang.com/static/pkgdoc/pkg/regexp.htm
https://godoc.org/regexp/syntax
python汉字
# coding=utf-8
import re
if __name__ == "__main__":
print(re.findall(r'[\u4e00-\u9fa5]+', '你好，中国！'))
https://docs.Python.org/zh-cn/3/library/re.html#contents-of-module-re
字符
-
\a警报同\x09\cI -
\b退格同\x09\cI -
\e退出同\x09\cI -
\t制表同\x09\cI -
\n换行同\x0a\cJ -
\v直表同\x0b\cK -
\f分页同\x0c\cL -
\r回车同\x0d\cM \*-
\07\770377八进制(带0是Java特殊) -
\xFF\uFFFF十六进制 -
\x{10FFFF}十六进制(golang) -
\u00A9Unicode 版权符号 -
\Q...\E不使用元字符和转义序列
