是什么？

正则表达式就是用于描述查找字符串符合的某些复杂规则的工具。换句话说，正则表达式就是记录文本规则的代码。是用来进行文本匹配的工具。不同的环境下正则表达式的一些细节是不相同的

基本概念

元字符（metacharacter）

• \b：代表着单词的开头或结尾，也就是单词的分界处，它并不匹配单词分隔字符中的任何一个，它只匹配一个位置。\b匹配这样的位置：它的前一个字符和后一个字符不全是(一个是,一个不是或不存在)\w
• .：匹配除了换行符以外的任意字符
• *：同样是元字符，不过它代表是数量——它指定*前边的内容可以连续重复使用任意次以使整个表达式得到匹配；.*连在一起就意味着任意数量的不包含换行的字符
• \d：匹配一位数字(0~9)
• \s：匹配任意的空白符，包括空格，制表符(Tab)，换行符，中文全角空格等
• \w：匹配字母或数字或下划线或汉字等
• +：和*类似的元字符，不同的是*匹配重复任意次(可能是0次)，而+则匹配重复1次或更多次
• ^：匹配字符串的开始
• $：匹配字符串的结束

注： 和忽略大小写的选项类似，有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项，^和$的意义就变成了匹配行的开始处和结束处。

字符转义

使用\来取消这些字符的特殊意义，如：\.、\*、\\等

重复

正则表达式中所有的限定符(指定数量的代码，例如*,{5,12}等)：

• * 重复零次或更多次
• + 重复一次或更多次
• ? 重复零次或一次
• {n} 重复n次
• {n,} 重复n次或更多次
• {n,m} 重复n到m次

字符类

如果你想匹配没有预定义元字符的字符集合(比如元音字母a,e,i,o,u),应该怎么办？
很简单，你只需要在方括号里列出它们就行了，像[aeiou]就匹配任何一个英文元音字母，[.?!]匹配标点符号(.或?或!)。

也可以指定范围，如：
[0-9]代表的含意与\d就是完全一致的：一位数字；
同理[a-z0-9A-Z_]也完全等同于\w（如果只考虑英文的话）。

分支条件

指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用|把不同的规则分隔开，如：

• 0\d{2}-\d{8}|0\d{3}-\d{7}
• (0\d{2})[- ]?\d{8}|0\d{2}[- ]?\d{8}
  使用分枝条件时，要注意各个条件的顺序。，如\d{5}-\d{4}|\d{5}，如果你把它改成\d{5}|\d{5}-\d{4}的话，那么就只会匹配5位的邮编(以及9位邮编的前5位)。原因是匹配分枝条件时，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管其它的条件了。

分组

用小括号来指定子表达式(也叫做分组)

反义

有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外，其它任意字符都行的情况，这时需要用到反义：

• \W 匹配任意不是字母，数字，下划线，汉字的字符
• \S 匹配任意不是空白符的字符
• \D 匹配任意非数字的字符
• \B 匹配不是单词开头或结束的位置
• [^x] 匹配除了x以外的任意字符
• [^aeiou] 匹配除了aeiou这几个字母以外的任意字符

简单例子

• \bhi\b.*\bLucy\b
• 0\d{2}-\d{8}
• \ba\w*\b
• \d+
• \b\w{6}\b
• ^\d{5,12}$
• (?0\d{2}[) -]?\d{8}
• (\d{1,3}.){3}\d{1,3}

常用分组语法

• 捕获：
  • (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的组里，也可以写成(?'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)：匹配exp前面的位置
  • (?<=exp)：匹配exp后面的位置
  • (?!exp)：匹配后面跟的不是exp的位置
  • (?<!exp)：匹配前面不是exp的位置
• 注释：
  • (?#comment)：这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释让人阅读

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。例如，\1代表分组1匹配的文本。例如：\b(\w+)\b\s+\1\b
你也可以自己指定子表达式的组名。要指定一个子表达式的组名，请使用这样的语法：(?<Word>\w+)(或者把尖括号换成'也行：(?'Word'\w+)),这样就把\w+的组名指定为Word了。要反向引用这个分组捕获的内容，你可以使用\k<Word>,所以上一个例子也可以写成这样：\b(?<Word>\w+)\b\s+\k<Word>\b。

注：

• 分组0对应整个正则表达式
• 实际上组号分配过程是要从左向右扫描两遍的：第一遍只给未命名组分配，第二遍只给命名组分配－－因此所有命名组的组号都大于未命名的组号
• 你可以使用(?:exp)这样的语法来剥夺一个分组对组号分配的参与权．

零宽断言

用于查找在某些内容(但并不包括这些内容)之前或之后的东西，也就是说它们像\b,^,$那样用于指定一个位置，这个位置应该满足一定的条件(即断言)，因此它们也被称为零宽断言。

• (?=exp)也叫零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式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)，如查找I'm singing while you're dancing.时，它会匹配sing和danc。
• (?<=exp)也叫零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式exp。比如(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re以外的部分)，例如在查找reading a book时，它匹配ading。
  例如：((?<=\d)\d{3})+\b用它对1234567890进行查找时结果是234567890。

负向零宽断言

\b\w*q[^u]\w*\b匹配包含后面不是字母u的字母q的单词。但你会发现，如果q出现在单词的结尾的话，像Iraq,Benq，这个表达式就会出错。这是因为[^u]总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的[^u]将会匹配q后面的单词分隔符(可能是空格，或者是句号或其它的什么)，后面的\w*\b将会匹配下一个单词，于是\b\w*q[^u]\w*\b就能匹配整个Iraq fighting。负向零宽断言能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。现在，我们可以这样来解决这个问题：\b\w*q(?!u)\w*\b。

我们可以用(?<!exp),零宽度负回顾后发断言来断言此位置的前面不能匹配表达式exp：(?<![a-z])\d{7}匹配前面不是小写字母的七位数字。

一个更复杂的例子：(?<=<(\w+)>).(?=</\1>)*匹配不包含属性的简单HTML标签内里的内容

注释

(?#comment)，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。例如：

 (?<=    # 断言要匹配的文本的前缀
 <(\w+)> # 查找尖括号括起来的内容
         # (即HTML/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
         # 查找尖括号括起来的内容
 )       # 后缀结束

其他

贪婪与懒惰

• 贪婪匹配：当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符，如：a.*b匹配aabab得到aabab
• 懒惰匹配：也就是匹配尽可能少的字符，a.*?b应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

注：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。

懒惰限定符

• *? 重复任意次，但尽可能少重复
• +? 重复1次或更多次，但尽可能少重复
• ?? 重复0次或1次，但尽可能少重复
• {n,m}? 重复n到m次，但尽可能少重复
• {n,}? 重复n次以上，但尽可能少重复

处理选项

如忽略大小写，处理多行等，这些选项能用来改变处理正则表达式的方式。常见的有：

• IgnoreCase(忽略大小写)：匹配时不区分大小写。
• Multiline(多行模式)：更改^和$的含义，使它们分别在任意一行的行首和行尾匹配，而不仅仅在整个字符串的开头和结尾匹配。(在此模式下,$的精确含意是:匹配\n之前的位置以及字符串结束前的位置.)
• Singleline(单行模式)：更改.的含义，使它与每一个字符匹配（包括换行符\n）。（注：单行模式其实名叫 dotAll，意为点可以匹配所有字符）
• IgnorePatternWhitespace(忽略空白)：忽略表达式中的非转义空白并启用由#标记的注释。
• ExplicitCapture(显式捕获)：仅捕获已被显式命名的组。

平衡组/递归匹配

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？

用到以下的语法构造：

• (?'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，如果堆栈本来为空，则本分组的匹配失败
• (?(group)yes|no)： 如果堆栈上存在以名为group的捕获内容的话，继续匹配yes部分的表达式，否则继续匹配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

我们需要做的是每碰到了左括号，就在压入一个"Open",每碰到一个右括号，就弹出一个，到了最后就看看堆栈是否为空－－如果不为空那就证明左括号比右括号多，那匹配就应该失败。正则表达式引擎会进行回溯(放弃最前面或最后面的一些字符)，尽量使整个表达式得到匹配。

 <                   #最外层的左括号
   [^<>]*            #它后面非括号的内容
   (
       (
         (?'Open'<)  #左括号，压入"Open"
         [^<>]*      #左括号后面的内容
       )+
       (
         (?'-Open'>) #右括号，弹出一个"Open"
         [^<>]*      #右括号后面的内容
       )+
   )*
   (?(Open)(?!))     #最外层的右括号前检查
                     #若还有未弹出的"Open"
                     #则匹配失败
 
 >                #最外层的右括号

正则表达式元素一览

也可查看关于正则表达式语言元素的MSDN在线文档。

• \a: 报警字符(打印它的效果是电脑嘀一声)
• \b: 通常是单词分界位置，但如果在字符类里使用代表退格
• \t: 制表符，Tab
• \r: 回车
• \v: 竖向制表符
• \f: 换页符
• \n: 换行符
• \e: Escape
• \0nn: ASCII代码中八进制代码为nn的字符
• \xnn: ASCII代码中十六进制代码为nn的字符
• \unnnn: Unicode代码中十六进制代码为nnnn的字符
• \cN: ASCII控制字符。比如\cC代表Ctrl+C
• \A: 字符串开头(类似^，但不受处理多行选项的影响)
• \Z: 字符串结尾或行尾(不受处理多行选项的影响)
• \z: 字符串结尾(类似$，但不受处理多行选项的影响)
• \G: 当前搜索的开头
• \p{name}: Unicode中命名为name的字符类，例如\p{IsGreek}
• (?>exp): 贪婪子表达式
• (?<x>-<y>exp): 平衡组
• (?im-nsx:exp): 在子表达式exp中改变处理选项
• (?im-nsx): 为表达式后面的部分改变处理选项
• (?(exp)yes|no): 把exp当作零宽正向先行断言，如果在这个位置能匹配，使用yes作为此组的表达式；否则使用no
• (?(exp)yes): 同上，只是使用空表达式作为no
• (?(name)yes|no): 如果命名为name的组捕获到了内容，使用yes作为表达式；否则使用no
• (?(name)yes): 同上，只是使用空表达式作为no

补充

主流的正则引擎又分为3类：一、DFA，二、传统型NFA，三、POSIX NFA。
两种引擎的工作方式完全不同，一个(NFA)以表达式为主导，一个(DFA)以文本为主导！一般而论，DFA引擎则搜索更快一些！但是NFA以表达式为主导，反而更容易操纵，因此一般程序员更偏爱NFA引擎！ 两种引擎各有所长，而真正的引用则取决与你的需要以及所使用的语言

参考资料

• 正则表达式30分钟入门教程
• 精通正则表达式(第3版)
• 微软的正则表达式教程
• Regex类(微软文档)
• 专业的正则表达式教学网站(英文)
• 关于.Net下的平衡组的详细讨论（英文）
• 正在表达式（百科）
• Jeffrey Friedl 在其著作《Mastering Regular Expressions (2nd edition)》（中文版译作：精通正则表达式，已出到第三版）