正则表达式 - 2018-08-07
元字符 metacharacter
- \b : 匹配单词的开始或结尾，只匹配一个位置
- . (点) 匹配除换行符以外的任何字符
- \d 匹配数字 0-9
- \s 匹配任意的空白符，包括空格、制表符、换行符、中文全角空格等
- \w 匹配字母、数字、下划线
- ^ 匹配字符串的开始
- $匹配字符串的结束，比如 一个网站要求你填写的QQ号必须为5-12位数字时，可以使用^\d{5,12}$，单独的{2}表示不多不少重复2次，{5,12}表示重复的次数不能少于5次，不能多余12次。
如果选中了处理多行的选项，^和$的意义为 匹配行的开始和结束处 - () 也是元字符，用来分组
- 如果要查找元字符本身，比如 . 和 * ，就需要使用反斜杠 \ 来进行转义，查找反斜杠 \，也得用 \\
限定符 指定数量的代码
| 代码 | 说明 |
|---|---|
| * | 重复 0 次或者重复多次 |
| + | 重复 1 次或者重复多次 |
| ? | 重复 0 次或者 1 次 |
| {n} | 重复了 n 次 |
| { n, } | 重复了 n 次或者更多次 |
| {m,n} | 重复 m 到 n次 |
字符类
使用中括号 []
-
[aeiou]匹配任何一个元音字母 -
[.?!]匹配标点符号 . ? ! -
[0-9]匹配数字 0-9 与\d代表的意义相同 -
[0-9a-zA-Z]与\w等价 -
\(?0\d{2}[(-]?\d{8}首先是一个转义字符\(它出现0次或1次(?), 然后是数字 0，后面跟着 2 个数字 (\d{2}), 然后是空格或者-中的一个，它出现1次或者不出现(?)，最后是8个数字(\d{8}) 。上式可以匹配010)88886666，或022-22334455，或02912345678等常见电话号码格式，但是也能匹配 010)12345678或(022-87654321这样的“不正确”的格式，因此就要使用下面的 分支条件
分支条件
用|号把不同的规则分隔开
e.g. \(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}这个表达式匹配三位区号的电话号码，其中区号可以用小括号括起来，也可以不用，区号与本地号支架你可以用连字号或空格间隔，也可以不用。
注意： 匹配分支条件时，将会从左到右地测试每个条件，如果满足了某个条件将不会再去管其他的条件
比如：\d{5}-\d{4}|\d{5}用于匹配美国的邮政编码，美国邮编的规则是5位数字或者用连字号间隔的9位数字；如果写成：
\d{5}|\d{5}-\d{4}那么就只会匹配5位的邮编，以及9位邮编的前五位
分组
e.g. 描述一个IP地址
((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)
要点：2[0-4]\d|25[0-5]|[01]?\d\d? 分为三种情况：
- 一个2，然后0-4中选一个，最后第三位任选（200-249）
- 一个25，然后0-5中选一个 （250-255）
- 0和1中选一个，可以不选，再是一个数字，最后第三位可有可没有（0-199）
最后再是一个\.表示IP四个数字之间的分隔，由于最后面一个数字不带点，所以要分开，先写前面3个 - 整个最外层的括号就代表分组，
{3}代表前面的部分重复三次
反义
采用大写的方式，与原来的小写方式表达相反的含义
| 代码 | 说明 |
|---|---|
\W |
与\w相对应，匹配不是字母、数字、下划线的字符 |
\S |
与\s相对应，匹配任何不是空白符的字符 |
\D |
与\d相对应，匹配任意非数字的字符 |
\B |
与\b相对应，匹配不是单词开头或结束的位置 |
[^x] |
匹配除x以外的字符 |
[^aeiou] |
匹配除aeiou以外的任意字符 |
后向引用
使用小括号指定一个子表达式后，匹配这个子表达式的文本(也就是此分组捕获的内容)可以在表达式或其它程序中作进一步的处理。默认情况下，每个分组会自动拥有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2，以此类推。
后向引用用于重复搜索前面某个分组匹配的文本，\1代表分组1匹配的文本
e.g.
-
\b(\w+)\b\s+\1\b可以用来匹配重复的单词，像go go, 或者kitty kitty。这个表达式首先是一个单词，也就是单词开始处和结束处之间的多于一个的字母或数字(
\b(\w+)\b)，这个单词会被捕获到编号为1的分组中，然后是1个或几个空白符(\s+)，最后是分组1中捕获的内容（也就是前面匹配的那个单词）(\1)。 -
也可以自己指定表达式的组名，e.g.指定一个表达式的组名为
Word，则可以使用(?<Word>\w+)，其中尖括号也可以用引号'来替代，即(?'Word'\w+)，当反向需要引用这个分组捕获的内容时，可以用\k<Word>
| 代码 | 说明 |
|---|---|
(exp) |
匹配 exp ,并捕获文本到自动命名的组里 |
(?<name>exp) |
匹配 exp ，并捕获文本到名称为 name 组里，也可以(?'name'exp)
|
?:exp |
匹配 exp ,不捕获匹配的文本，也不给此分组分配组号 |
零宽断言
-
(?=exp)它断言自身出现的位置后面可以匹配表达式 exp ，比如：\b\w+(?=ing\b)匹配以 ing 结尾的单词的前面部分(除了 ing 以外的部分)，比如在查找 I am singing while you are dancing. 它会匹配 sing 和 danc,称之为：零宽度正预测先行断言 -
(?<=exp)它断言自身出现的位置前面可以匹配表达式 exp ，比如(?<=\bre)\w+\b,会匹配以 re 开头的单词的后半部分(除 re 以外的部分)，比如在查找 *reading a book *，会匹配 ading。称之为零宽度正回顾后发断言
e.g. (?<=\s)\d+(?=\s) 匹配以空白字符间隔的数字（不包括这些空白字符）
负向零宽断言
(?!exp)断言此位置的后面不能匹配表达式 exp
e.g.
\d{3}(?!\d)匹配三位数字，而且这三位数字的后面不能是数字
\b((?!abc)\w)+\b匹配不包含连续字符串 abc 的单词
一个更复杂的例子：(?<=<(\w+)>).*(?=<\/\1>)
匹配不包含属性的简单HTML标签内的内容；(?<=<(\w+)>)指定了这样的前缀：被尖括号括起来的单词；然后是.*，即任意字符串，最后是一个后缀?=<\/\1>，这里\/(斜杠和反斜杠)b用到了前面的字符转义；\1用到了反向引用，引用的正是捕获的第一组\w+匹配的内容，这样，如果前缀是<html>, 那后缀就是 </html>；整个表达式匹配的是<html>和</html>之间的内容(不包括前缀和后缀)
注释
- 小括号的一种用途是通过
?#comment来包含注释，例如：
2[0-4]\d(?#200-249)|25[0-5](?# 250-255)|[01]?\d\d?(?#0-199) - 要包含注释的话，最好是启用“忽略模式里的空白符”选项，这样在编写表达式时能任意的添加空格，Tab，换行，而实际使用时这些都将被忽略。启用这个选项后，在#后面到这一行结束的所有文本都将被当成注释忽略掉。例如，我们可以前面的一个表达式写成这样：
(?<= #断言要匹配的文本的前缀
<(\w+)> #查找尖括号括起来的字母或数字（即HTML或XML标签）
) #前缀结束
.* #匹配任意文本
(?= #断言要匹配的文本的后缀
<\/\1> #查找尖括号括起来的内容
) #后缀结束
贪婪与懒惰
- 表达式
a.*b将匹配 最长的以 a 开始，以 b 结束的字符串，如果用其来搜索 aabab 它会匹配整个字符串；这被称之为 贪婪匹配，匹配 - 有时我们需要匹配尽可能少的字符，因此可在后面加一个限定符
?,即.*?表示匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复；
比如：a.*?b匹配最短的，以 a 开始，以 b 结束的字符串；如果将其应用于 aabab,它会匹配到第一个aad（第1个字符到第3个字符）和 ab (第4-5个字符)- 为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？简单地说，因为正则表达式有另一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权——The match that begins earliest wins。
| 代码 | 说明 |
|---|---|
*? |
重复任意次，但是尽可能少的重复 |
+? |
重复1次或更多次，但尽可能少的重复 |
?? |
重复0次或1次，但尽可能少重复 |
{m,n}? |
重复 m-n 次，但是尽可能少重复 |
{n,}? |
重复n次以上，但是尽可能少重复 |
平衡组/递归匹配
有时我们需要匹配像( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构，这时简单地使用(.+)则只会匹配到最左边的左括号和最右边的右括号之间的内容(这里我们讨论的是贪婪模式，懒惰模式也有下面的问题)。假如原来的字符串里的左括号和右括号出现的次数不相等，比如( 5 / ( 3 + 2 ) ) )，那我们的匹配结果里两者的个数也不会相等。有没有办法在这样的字符串里匹配到最长的，配对的括号之间的内容呢？
为了避免(和(把你的大脑彻底搞糊涂，我们还是用尖括号代替圆括号吧。现在我们的问题变成了如何把xx <aa <bbb> <bbb> aa> yy这样的字符串里，最长的配对的尖括号内的内容捕获出来
这里将用到一下语法：
-
(?'group')把捕获的内容命名为group，并压入堆栈(stack) -
(?'-group')从堆栈上弹出最后压入堆栈的名为 group 的捕获内容，如果堆栈为空，则本组的匹配失败 -
(?(group)yes|no)如果堆栈上存在以名为group的不捕获内容的话，继续匹配 yes 部分的表达式，否则匹配 no 部分 -
(?!)零宽负向先行断言，由于没有后缀表达式，试图匹配总是失败
思路：每碰到左括号，就压入一个 "Open" ,每碰到一个右括号，就弹出一个，到了最后看堆栈是否为空，如果不为空则证明左括号比右括号多，那匹配就应该失败。正则表达式会进行回溯（放弃最前面或最后面的一些字符），尽量使整个班表达式得到匹配
< #最外层的左括号
[^<>]* #最外层的左括号后面的不是括号的内容
(
(
(?'Open'<) #匹配到了左括号，往堆栈压入一个'Open'
[^<>]* #匹配左括号后面不是括号的内容
)+ #可以出现多次
(
(?'-Open'>) #碰到了右括号，则从堆栈弹出一个'Open'
(^<>)* #匹配右括号后面不是括号的内容
)+ #可以出现多次
)* #整个上面可以出现多次
(?(Open)(?!)) #在遇到最外层的右括号前面，判断堆栈上是否还有"Open",
#如果还有，则执行 (?!),由于后面没有后缀表达式，匹配总是失败
> #最外层的括号
