55分鐘學(xué)會(huì)正則表達(dá)式 http://qntm.org/files/re/re.html

翻譯水平有限，如有謬誤，歡迎評(píng)論斧正或者Pull Request。

薦幾個(gè)正則表達(dá)式編輯器

• Debuggex ：https://www.debuggex.com/
• PyRegex：http://www.pyregex.com/
• Regexper：http://www.regexper.com/

正則表達(dá)式是一種查找以及字符串替換操作。正則表達(dá)式在文本編輯器中廣泛使用，比如正則表達(dá)式被用于：

• 檢查文本中是否含有指定的特征詞
• 找出文中匹配特征詞的位置
• 從文本中提取信息，比如：字符串的子串
• 修改文本

與文本編輯器相似，幾乎所有的高級(jí)編程語(yǔ)言都支持正則表達(dá)式。在這樣的語(yǔ)境下，“文本”也就是一個(gè)字符串，可以執(zhí)行的操作都是類似的。一些編程語(yǔ)言（比如Perl，JavaScript）會(huì)檢查正則表達(dá)式的語(yǔ)法。

正則表達(dá)式是什么？

正則表達(dá)式只是一個(gè)字符串。沒有長(zhǎng)度限制，但是，這樣的正則表達(dá)式長(zhǎng)度往往較短。如下所示是一些正則表達(dá)式的例子：

• I had a \S+ day today
• [A-Za-z0-9\-_]{3,16}
• \d\d\d\d-\d\d-\d\d
• v(\d+)(\.\d+)*
• TotalMessages="(.*?)"
• [^>]>

這些字符串實(shí)際上都是微型計(jì)算機(jī)程序。正則表達(dá)式的語(yǔ)法，實(shí)際上是一種輕量級(jí)、簡(jiǎn)潔、適用于特定領(lǐng)域的編程語(yǔ)言。記住這一點(diǎn)，那么你就很容易理解下面的事情：

• 每一個(gè)正則表達(dá)式，都可以分解為一個(gè)指令序列，比如“先找到這樣的字符，再找到那樣的字符，再?gòu)闹姓业揭粋€(gè)字符。。?！?br />
• 每一個(gè)正則表達(dá)式都有輸入（文本）和輸出（匹配規(guī)則的輸出，有時(shí)是修改后的文本）
• 正則表達(dá)式有可能出現(xiàn)語(yǔ)法錯(cuò)誤——不是所有的字符串都是正則表達(dá)式
• 正則表達(dá)式語(yǔ)法很有個(gè)性，也可以說很恐怖
• 有時(shí)可以通過編譯，使得正則表達(dá)式執(zhí)行更快

在實(shí)現(xiàn)中，正則表達(dá)式還有其他的特點(diǎn)。本文將重點(diǎn)討論正則表達(dá)式的核心語(yǔ)法，在幾乎所有的正則表達(dá)式中都可以見到這些規(guī)則。

特別提示：正則表達(dá)式與文件通配語(yǔ)法無關(guān)，比如 *.xml

正則表達(dá)式的基礎(chǔ)語(yǔ)法

字符

正則表達(dá)式中包含了一系列的字符，這些字符只能匹配它們本身。有一些被稱為“元字符”的特殊字符，可以匹配一些特殊規(guī)則。

如下所示的例子中，我用紅色標(biāo)出了元字符。

• I had a \S+ day today
• [A-Za-z0-9\-_]{3,16}
• \d\d\d\d-\d\d-\d\d
• v(\d+)(\.\d+)*
• TotalMessages="(.*?)"
• [^>]*>

大部分的字符，包括所有的字母和數(shù)字字符，是普通字符。也就意味著，它們只能匹配它們自己，如下所示的正則表達(dá)式：

cat

意味著，只能匹配一個(gè)字符串，以“c”開頭，然后是字符“a”，緊跟著是字符“t”的字符串。

到目前為止，正則表達(dá)式的功能類似于

• 常規(guī)的Find功能
• Java中的 String.indexOf() 函數(shù)
• PHP中的 strpos()函數(shù)
• 等等

注意：不做特殊說明，正則表達(dá)式中是區(qū)分大小寫的。但是，幾乎所有正則表達(dá)式的實(shí)現(xiàn)，都會(huì)提供一個(gè)Flag用來控制是否區(qū)分大小寫。

點(diǎn)“.”

我們第一個(gè)要講解的元字符是“.”。這個(gè)符號(hào)意味著可以匹配任意一個(gè)字符。如下所示的正則表達(dá)式：

c.t

意味著匹配“以c開頭,之后是任意一個(gè)字符，緊跟著是字母t”的字符串。

在一段文本中，這樣的正則表達(dá)式可以用來找出cat, cot, czt這樣的字符串，甚至可以找出c.t這樣的組合，但是不能找到ct或者是coot這樣的字符串。

使用反斜杠“\”可以忽略元字符，使得元字符的功能與普通字符一樣。所以，正則表達(dá)式

c\.t

表示“找到字母c,然后是一個(gè)句號(hào)（“.”），緊跟著字母t”

反斜杠本身也是一個(gè)元字符，這意味著反斜杠本身也可以通過相似的方法變回到普通字符的用途。因此，正則表達(dá)式

c\\t

表示匹配“以字符c開頭,然后是一個(gè)反斜杠，緊跟著是字母t”的字符串。

注意！在正則表達(dá)式的實(shí)現(xiàn)中，.是不能用于匹配換行符的?！睋Q行符“的表示方法在不同實(shí)現(xiàn)中也不同。實(shí)際編程時(shí)，請(qǐng)參考相關(guān)文檔。在本文中，我認(rèn)為.是可以匹配任意字符的。實(shí)現(xiàn)環(huán)境通常會(huì)提供一個(gè)Flag標(biāo)志位，來控制這一點(diǎn)。

字符類

字符類是一組在方括號(hào)內(nèi)的字符，表示可以匹配其中的任何一個(gè)字符。

• 正則表達(dá)式c[aeiou]t，表示可以匹配的字符串是”以c開頭，接著是aeiou中的任何一個(gè)字符，最后以t結(jié)尾”。在文本的實(shí)際應(yīng)用中，這樣的正則表達(dá)式可以匹配：cat,cet,cit,cot,cut五種字符串。
• 正則表達(dá)式[0123456789]表示匹配任意一個(gè)整數(shù)。
• 正則表達(dá)式[a]表示匹配單字符a。

包含忽略字符的例子

• \[a\]script type='math/tex; mode=display'>a/script>

  表示匹配字符串[a]
• [\[\]\ab]表示匹配的字符為”["或者'']”或者”a”,或者”b”
• [\\\[\]]表示匹配的字符為”\”或者 “[”或者"]“

在字符類中，字符的重復(fù)和出現(xiàn)順序并不重要。[dabaaabcc]與[abc]是相同的

重要提示：字符類中和字符類外的規(guī)則有時(shí)不同，一些字符在字符類中是元字符，在字符類外是普通字符。一些字符正好相反。還有一些字符在字符類中和字符類外都是元字符，這要視情況而定！

比如，.表示匹配任意一個(gè)字符，而[.]表示匹配一個(gè)全角句號(hào)。這不是一回事！

字符類的范圍

在字符集中，你可以通過使用短橫線來表示匹配字母或數(shù)字的范圍。

• [b-f]與[b,c,d,e,f]相同，都是匹配一個(gè)字符”b”或”c”或”d”或”e”或”f”
• [A-Z]與[ABCDEFGHIJKLMNOPQRSTUVWXYZ]相同，都是匹配任意一個(gè)大寫字母。
• [1-9]與[123456789]相同，都是匹配任意一個(gè)非零數(shù)字。

練習(xí)

使用目前我們已經(jīng)講解的正則表達(dá)式相關(guān)知識(shí)，在字典中匹配找到含有最多連續(xù)元音的單詞，同時(shí)找到含有最多連續(xù)輔音的單詞。

答案

[aeiou][aeiou][aeiou][aeiou][aeiou][aeiou] 這樣的正則表達(dá)式，可以匹配連續(xù)含有六個(gè)元音的單詞，比如 euouae 和 euouaes。

同樣的，恐怖的正則表達(dá)式[bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz] 可以找到連續(xù)含有十個(gè)輔音的單詞sulphhydryls.

下文中，我們會(huì)講解，怎樣有效縮短這樣的正則表達(dá)式長(zhǎng)度。

在字符類之外，短橫線沒有特殊含義。正則表達(dá)式a-z，表示匹配字符串“以a開頭，然后是一個(gè)短橫線，以z結(jié)尾”。

范圍和單獨(dú)的字符可能在一個(gè)字符類中同時(shí)出現(xiàn)：

• [0-9.,]表明匹配一個(gè)數(shù)字，或者一個(gè)全角句號(hào)，或者一個(gè)逗號(hào)
• [0-9a-fA-F]意味著匹配一個(gè)十六進(jìn)制數(shù)
• [a-zA-Z0-9\-]意味著匹配一個(gè)字母、數(shù)字或者一個(gè)短橫線

練習(xí)

使用已經(jīng)介紹過的正則表達(dá)式知識(shí)，匹配YYYY-MM-DD格式的日期。

答案

[0-9][0-9][0-9][0-9]-[0-9][0-9]-[0-9][0-9].

同樣的，下文中，我們會(huì)介紹怎樣有效減少這樣的正則表達(dá)式長(zhǎng)度。

雖然你可以嘗試在正則表達(dá)式中使用一些非字母或數(shù)字作為范圍的最后一個(gè)符號(hào)，比如abc[!-/]def，但是這并不是在每種實(shí)現(xiàn)中都合法。即使這樣的語(yǔ)法是合法的，這樣的語(yǔ)義也是模糊的。最好不要這樣使用。

同時(shí)，你必須謹(jǐn)慎選擇范圍的邊界值。即使[A-z]在你使用的實(shí)現(xiàn)中，是合法的，也可能會(huì)產(chǎn)生無法預(yù)料的運(yùn)行結(jié)果。（注意，在z到a之間，是有字符存在的）

注意：范圍的字符值代表的是字符而已，并不能代表數(shù)值范圍，比如[1-31]表示匹配一個(gè)數(shù)字，是1或者2或者3，而不是匹配一個(gè)數(shù)值在1到31之間的數(shù)。

字符類的反義

你可以在字符類的起始位放一個(gè)反義符。

• [^a]表示匹配任何不是“a”的字符
• [^a-zA-Z0-9]表示匹配任何不是字母也不是數(shù)字的字符
• [\^abc]匹配一個(gè)為“^”或者a或者b或者c的字符
• [^\^]表示匹配任何不為“^”的字符

練習(xí)

在字典中，找到一個(gè)不滿足“在e之前有i，但是沒有c”的例子。

答案

cie和[^c]ei都要可以找到很多這樣的例子，比如ancient,science,viel,weigh

轉(zhuǎn)義字符類

\d這個(gè)正則表達(dá)式與[0-9]作用相同，都是匹配任何一個(gè)數(shù)字。（要匹配\d,應(yīng)該使用正則表達(dá)式\\d）

\w與[0-9A-Za-z]相同，都表示匹配一個(gè)數(shù)字或字母字符

\s意味著匹配一個(gè)空字符（空格，制表符，回車或者換行）

另外

• \D與[^0-9]相同，表示匹配一個(gè)非數(shù)字字符。
• \W與[^0-9A-Za-z]相同，表示匹配一個(gè)非數(shù)字同時(shí)不是字母的字符。
• \S表示匹配一個(gè)非空字符。

這些是你必須掌握的字符。你可能已經(jīng)注意到了，一個(gè)全角句號(hào)“.”也是一個(gè)字符類，可以匹配任意一個(gè)字符。

很多正則表達(dá)式的實(shí)現(xiàn)中，提供了更多的字符類，或者是標(biāo)志位在ASCII碼的基礎(chǔ)上，擴(kuò)展現(xiàn)有的字符類。

特別提示：統(tǒng)一字符集中包含除了0至9之外的更多數(shù)字字符，同樣的，也包含更多的空字符和字母字符。實(shí)際使用正則表達(dá)式時(shí)，請(qǐng)仔細(xì)查看相關(guān)文檔。

練習(xí)

簡(jiǎn)化正則表達(dá)式 [0-9][0-9][0-9][0-9]-[0-9][0-9]-[0-9][0-9].

答案

\d\d\d\d-\d\d-\d\d.

重復(fù)

在字符或字符集之后，你可以使用{ }大括號(hào)來表示重復(fù)

• 正則表達(dá)式a{1}與a意思相同，都表示匹配字母a
• a{3}表示匹配字符串“aaa”
• a{0}表示匹配空字符串。從這個(gè)正則表達(dá)式本身來看，它毫無意義。如果你對(duì)任何文本執(zhí)行這樣的正則表達(dá)式，你可以定位到搜索的起始位置，即使文本為空。
• a\{2\}表示匹配字符串“a{2}”
• 在字符類中，大括號(hào)沒有特殊含義。[{}]表示匹配一個(gè)左邊的大括號(hào)，或者一個(gè)右邊的大括號(hào)

練習(xí)

簡(jiǎn)化下面的正則表達(dá)式

• z.......z
• \d\d\d\d-\d\d-\d\d
• [aeiou][aeiou][aeiou][aeiou][aeiou][aeiou]
• [bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz][bcdfghjklmnpqrstvwxyz]

答案

• z.{7}z
• \d{4}-\d{2}-\d{2}
• [aeiou]{6}
• [bcdfghjklmnpqrstvwxyz]{10}

注意：重復(fù)字符是沒有記憶性的，比如[abc]{2}表示先匹配”a或者b或者c”，再匹配”a或者b或者c”，與匹配”aa或者ab或者ac或者ba或者bb或者bc或者ca或者cb或者cc“一樣。[abc]{2}并不能表示匹配”aa或者bb或者cc“

指定重復(fù)次數(shù)范圍

重復(fù)次數(shù)是可以指定范圍的

• x{4,4}與x{4}相同
• colou{0,1}r表示匹配colour或者color
• a{3,5}表示匹配aaaaa或者aaaa或者aaa

注意這樣的正則表達(dá)式會(huì)優(yōu)先匹配最長(zhǎng)字符串，比如輸入 I had an aaaaawful day會(huì)匹配單詞aaaaawful中的aaaaa，而不會(huì)匹配其中的aaa。

重復(fù)次數(shù)是可以有范圍的，但是有時(shí)候這樣的方法也不能找到最佳答案。如果你的輸入文本是I had an aaawful daaaaay那么在第一次匹配時(shí)，只能找到aaawful，只有再次執(zhí)行匹配時(shí)才能找到daaaaay中的aaaaa.

重復(fù)次數(shù)的范圍可以是開區(qū)間

• a{1，}表示匹配一個(gè)或一個(gè)以上的連續(xù)字符a。依然是匹配最長(zhǎng)字符串。當(dāng)找到第一個(gè)a之后，正則表達(dá)式會(huì)嘗試匹配盡量多個(gè)的連續(xù)字母a。
• .{0,}表示匹配任意內(nèi)容。無論你輸入的文本是什么，即使是一個(gè)空字符串，這個(gè)正則表達(dá)式都會(huì)成功匹配全文并返回結(jié)果。

練習(xí)

使用正則表達(dá)式找到雙引號(hào)。要求輸入字符串可能包含任意個(gè)字符。

調(diào)整你的正則表達(dá)式使得在一對(duì)雙引號(hào)中間不再包含其他的雙引號(hào)。

答案

".{0,}", 然后 "[^"]{0,}".

關(guān)于重復(fù)的轉(zhuǎn)義字符

？與{0,1}相同，比如，colou?r表示匹配colour或者color

*與{0,}相同。比如，.*表示匹配任意內(nèi)容

+與{1，}相同。比如,\w+表示匹配一個(gè)詞。其中”一個(gè)詞”表示由一個(gè)或一個(gè)以上的字符組成的字符串，比如_var或者AccountName1.

這些是你必須知道的常用轉(zhuǎn)義字符，除此之外還有:

• \&;\*\+ 表示匹配字符串”?*+”
• [?*+]表示匹配一個(gè)問號(hào)，或者一個(gè)*號(hào)，或者一個(gè)加號(hào)

練習(xí)

簡(jiǎn)化下列的正則表達(dá)式:

• ".{0,}" and "[^"]{0,}"
• x?x?x?
• y*y*
• z+z+z+z+

答案

• ".*" and "[^"]*"
• x{0,3}
• y*
• z{4,}

練習(xí)

寫出正則表達(dá)式，尋找由非字母字符分隔的兩個(gè)單詞。如果是三個(gè)呢？六個(gè)呢？

\w+\W+\w+, \w+\W+\w+\W+\w+, \w+\W+\w+\W+\w+\W+\w+\W+\w+\W+\w+.

下文中，我們將簡(jiǎn)化這個(gè)正則表達(dá)式。

非貪婪匹配

正則表達(dá)式 “.*” 表示匹配雙引號(hào)，之后是任意內(nèi)容，之后再匹配一個(gè)雙引號(hào)。注意，其中匹配任意內(nèi)容也可以是雙引號(hào)。通常情況下，這并不是很有用。通過在句尾加上一個(gè)問號(hào)，可以使得字符串重復(fù)不再匹配最長(zhǎng)字符。

• \d{4,5}?表示匹配\d\d\d\d或者\(yùn)d\d\d\d\d。也就是和\d{4}一樣
• colou??r與colou{0,1}r相同，表示找到color或者colour。這與colou?r一樣。
• “.*?”表示先匹配一個(gè)雙引號(hào)，然后匹配最少的字符，然后是一個(gè)雙引號(hào)，與上面兩個(gè)例子不同，這很有用。

選擇匹配

你可以使用|來分隔可以匹配的不同選擇:

• cat|dog表示匹配”cat”或者”dog”
• red|blue|以及red||blue以及|red|blue都表示匹配red或者blue或者一個(gè)空字符串
• a|b|c與[abc]相同
• cat|dog|\|表示匹配”cat”或者”dog”或者一個(gè)分隔符”|“
• [cat|dog]表示匹配a或者c或者d或者g或者o或者t或者一個(gè)分隔符“|”

練習(xí)

簡(jiǎn)化下列正則表達(dá)式:

• s|t|u|v|w
• aa|ab|ba|bb
• [abc]|[^abc]
• [^ab]|[^bc]
• [ab][ab][ab]?[ab]?

答案

• [s-w]
• [ab]{2}
• .
• [^b]
• [ab]{2,4}

練習(xí)

使用正則表達(dá)式匹配1到31之間的整數(shù)，[1-31]不是正確答案！

這樣的正則表達(dá)式不唯一. [1-9]|[12][0-9]|3[01] 是其中之一。

分組

你可以使用括號(hào)表示分組:

• 通過使用 Mon|Tues|Wednes|Thurs|Fri|Satur|Sun)day 匹配一周中的某一天
• (\w*)ility 與 \w*ility 相同。都是匹配一個(gè)由”ility”結(jié)尾的單詞。稍后我們會(huì)講解，為何第一種方法更加有用。
• \(\)script type='math/tex'>/script>表示匹配一對(duì)括號(hào)。
• [()]表示匹配任意一個(gè)左括號(hào)或者一個(gè)右括號(hào)

練習(xí)

在《時(shí)間機(jī)器中》找到一對(duì)括號(hào)中的內(nèi)容，然后通過修改正則表達(dá)式，找到不含括號(hào)的內(nèi)容。

答案

\(.*\)script type='math/tex'>.*/script>. 然后是, \([^()]*\)script type='math/tex'>[^()]*/script>.

分組可以包括空字符串：

• (red|blue)表示匹配red或者blue或者是一個(gè)空字符串
• abc()def與abcdef相同

你也可以在分組的基礎(chǔ)上使用重復(fù)：

• (red|blue)？與(red|blue|)相同
• \w+(\s+\w+)表示匹配一個(gè)或多個(gè)由空格分隔的單詞

練習(xí)

簡(jiǎn)化正則表達(dá)式 \w+\W+\w+\W+\w+ 以及 \w+\W+\w+\W+\w+\W+\w+\W+\w+\W+\w+.

答案

\w+(\W+\w+){2}, \w+(\W+\w+){5}.

單詞分隔符

在單詞和非單詞之間有單詞分隔符。記住，一個(gè)單詞\w是[0-9A-Za-z_]，而非單詞字符是\W(大寫)，表示[^0-9A-Za-z_].

在文本的開頭和結(jié)尾通常也有單詞分隔符。

在輸入文本it's a cat中，實(shí)際有八個(gè)單詞分隔符。如果我們?cè)赾at之后在上一個(gè)空格，那就有九個(gè)單詞分隔符。.

• \b表示匹配一個(gè)單詞分隔符
• \b\w\w\w\b表示匹配一個(gè)三字母單詞
• a\ba表示匹配兩個(gè)a中間有一個(gè)單詞分隔符。這個(gè)正則表達(dá)式永遠(yuǎn)不會(huì)有匹配的字符，無論輸入怎樣的文本。

單詞分隔符本身并不是字符。它們的寬度為0。下列正則表達(dá)式的作用不同

• (\bcat)\b
• (\bcat\b)
• \b(cat)\b
• \b(cat\b)

練習(xí)

在詞典中找到最長(zhǎng)的單詞。

答案

在嘗試之后發(fā)現(xiàn)，\b.{45,}\b可以在字典中找到最長(zhǎng)單詞


換行符

一篇文本中可以有一行或多行，行與行之間由換行符分隔，比如：

• Line一行文字
• Line break換行符
• Line一行文字
• Line break換行符
• …
• Line break換行符
• Line一行文字

注意，所有的文本都是以一行結(jié)束的，而不是以換行符結(jié)束。但是，任意一行都可能為空，包括最后一行。

行的起始位置，是在換行符和下一行首字符之間的空間。考慮到單詞分隔符，文本的起始位置也可以當(dāng)做是首行位置。

最后一行是最后一行的尾字符和換行符之間的空間?？紤]到單詞分隔符，文本的結(jié)束也可以認(rèn)為是行的結(jié)束。

那么新的格式表示如下:

• Start-of-line, line, end-of-line
• Line break
• Start-of-line, line, end-of-line
• Line break
• …
• Line break
• Start-of-line, line, end-of-line

基于上述概念:

• ^表示匹配行的開始位置
• $表示匹配行的結(jié)束位置
• ^表示一個(gè)空行
• ^.* 表示匹配全文內(nèi)容，因?yàn)樾械拈_始符號(hào)也是一個(gè)字符，"."會(huì)匹配這個(gè)符號(hào)。找到單獨(dú)的一行，可以使用 ^.*?$
• \^\$表示匹配字符串“^$”
• [$]表示匹配一個(gè)$。但是，[^]不是合法的正則表達(dá)式。記住在方括號(hào)中，字符有不同的特殊含義。要想在方括號(hào)內(nèi)匹配^，必須用[\^]

與字符分隔符一樣，換行符也不是字符。它們寬度為0.如下所示的正則表達(dá)式作用不同：

• (^cat)$
• (^cat$)
• ^(cat)$
• ^(cat$)

練習(xí)

使用正則表達(dá)式在《時(shí)間機(jī)器》中找到最長(zhǎng)的一行。

答案

使用正則表達(dá)式^.{73,}$可以匹配長(zhǎng)度為73的一行

文本分界

在很多的正則表達(dá)式實(shí)現(xiàn)中，將^和$作為文本的開始符號(hào)和結(jié)束符號(hào)。

還有一些實(shí)現(xiàn)中，用\A和\z作為文本的開始和結(jié)束符號(hào)。

捕捉和替換

從這里開始，正則表達(dá)式真正體現(xiàn)出了它的強(qiáng)大。

捕獲組

你已經(jīng)知道了使用括號(hào)可以匹配一組符號(hào)。使用括號(hào)也可以捕獲子串。假設(shè)正則表達(dá)式是一個(gè)小型計(jì)算機(jī)程序，那么捕獲子串就是它輸出的一部分。

正則表達(dá)式(\w*)ility表示匹配以ility結(jié)尾的詞。第一個(gè)被捕獲的部分是由\w*控制的。比如，輸入的文本內(nèi)容中有單詞accessibility，那么首先被捕獲的部分是accessib。如果輸入的文本中有單獨(dú)的ility，則首先被捕獲的是一個(gè)空字符串。

你可能會(huì)有很多的捕獲字符串，它們可能靠得很近。捕獲組從左向右編號(hào)。也就是只需要對(duì)左括號(hào)計(jì)數(shù)。

假設(shè)有這樣的正則表達(dá)式：(\w+) had a ((\w+) \w+)

輸入的內(nèi)容是：I had a nice day

• 捕獲組1：I
• 捕獲組2：nice day
• 捕獲組3:nice

在一些正則表達(dá)式的實(shí)現(xiàn)中，你可以從零開始編號(hào)，編號(hào)零表示匹配整句話：I had a nice day.

在其他的實(shí)現(xiàn)中，如果沒有制定捕獲組，那么捕獲組1會(huì)自動(dòng)地填入捕獲組0的信息。

是的，這也意味著會(huì)有很多的括號(hào)。有一些正則表達(dá)式的實(shí)現(xiàn)中，提供了“非捕獲組”的語(yǔ)法，但是這樣的語(yǔ)法并不是標(biāo)準(zhǔn)語(yǔ)法，因此我們不會(huì)介紹。

從一個(gè)成功的匹配中返回的捕獲組個(gè)數(shù)，與使用原來的正則表達(dá)式獲得的捕獲組個(gè)數(shù)相同。記住這一點(diǎn)，你可以解釋一些奇怪的現(xiàn)象。.

正則表達(dá)式（（cat）|dog）表示匹配cat或者dog。這里有兩個(gè)捕獲組，如果輸入文本是dog，那么捕獲組1是dog,捕獲組2為空。

正則表達(dá)式a(\w)*表示匹配一個(gè)以a開頭的單詞。這里只有一個(gè)捕獲組

• 如果輸入文本為a,捕獲組1為空。
• 如果輸入文本為ad,捕獲組為d
• 如果輸入文本為avocado，捕獲組1為v。但是捕獲組0表示整個(gè)單詞avocado.

替換

假如你使用了一個(gè)正則表達(dá)式去匹配字符串，你可以描述另外一個(gè)字符串來替換其中的匹配字符。用來替換的字符串稱為替換表達(dá)式。它的功能類似于

• 常規(guī)的Replace會(huì)話
• Java中的String.replace()函數(shù)
• PHP的str_replace()函數(shù)
• 等等

練習(xí)

將《時(shí)間機(jī)器》中所有的元音字母替換為r。

答案

使用正則表達(dá)式[aeiou]以及[AEIOU]，對(duì)應(yīng)的替換字符串分別為r,R.

但是，你可以在替換表達(dá)式中引用捕獲組。這是在替換表達(dá)式中，你可以唯一操作的地方。這也是非常有效的，因?yàn)檫@樣你就不用重構(gòu)你找到的字符串。

假設(shè)你正在嘗試將美國(guó)風(fēng)格的日期表示MM/DD/YY替換為ISO 8601日期表示YYYY-MM-DD

• 從正則表達(dá)式(\d\d)/(\d\d)/(\d\d)開始。注意，這其中有三個(gè)捕獲組：月份，日期和兩位的年份。

• .捕獲組的內(nèi)容和捕獲組編號(hào)之間用反斜杠分隔，因此你的替換表達(dá)式應(yīng)該是20\3-\1-\2.
• 如果我們輸入的文本中包含03/04/05表示2005年3月4日那么：
  • 捕獲組1:03
  • 捕獲組2：04
  • 捕獲組3：05
  • 替換字符串2005-03-04.

在替換表達(dá)式中，你可以多次使用捕獲組

• 對(duì)于雙元音，正則表達(dá)式為([aeiou])，替換表達(dá)式為\l\l
• 在替換表達(dá)式中不能使用反斜杠。比如，你在計(jì)算機(jī)程序中希望使用字符串中使用部分文本。那么，你必須在每個(gè)雙引號(hào)或者反斜杠之前加上反斜杠。

• 你的正則表達(dá)式可以是([\\"])。捕獲組1是雙引號(hào)或者反斜杠
• 你的替換表達(dá)式應(yīng)該是\\\l

在某些實(shí)現(xiàn)中，采用美元符號(hào)$代替\

練習(xí)

使用正則表達(dá)式和替換表達(dá)式，將23h59這樣的時(shí)間戳轉(zhuǎn)化為23:59.

答案

正則表達(dá)式finds the timestamps, 替換表達(dá)式\1:\2

反向引用

在一個(gè)正則表達(dá)式中，你也可以引用捕獲組。這稱作：反向引用

比如，[abc]{2}表示匹配aa或者ab或者ac或者ba或者bb或者bc或者ca或者cb或者cc.但是{[abc]}\1表示只匹配aa或者bb或者cc.

練習(xí)

在字典中，找到包含兩次重復(fù)子串的最長(zhǎng)單詞，比如papa, coco

\b(.{6,})\1\b 匹配 chiquichiqui.

如果我們不在乎單詞的完整性，我們可以忽略單詞的分解，使用正則表達(dá)式 (.{7,})\1匹配countercountermeasure 以及 countercountermeasures.

使用正則表達(dá)式編程

特別提醒：

過度使用的反斜杠

在一些編程語(yǔ)言，比如Java中，對(duì)于包含正則表達(dá)式的字符串沒有特殊標(biāo)記。字符串有著自己的過濾規(guī)則，這是優(yōu)先于正則表達(dá)式規(guī)則的，這是頻繁使用反斜杠的原因。

比如在Java中

• 匹配一個(gè)數(shù)字，使用的正則表達(dá)式從\d變?yōu)榇a中的String re= “\\d”
• 匹配雙引號(hào)字符串的正則表達(dá)式從"[^"]*" 變?yōu)镾tring re = “\”[^\"]*\”"
• 匹配反斜杠或者是左邊方括號(hào)，或者右邊方括號(hào)的正則表達(dá)式從[\\\[\]] 變?yōu)镾tring re = “[\\\\\

  \[\\]script type='math/tex; mode=display'>\/script>

  ]”;
• String re = "\\s"; 和String re = "[ \t\r\n]"; 是等價(jià)的. 注意它們實(shí)際執(zhí)行調(diào)用時(shí)的層次不同。

在其他的編程語(yǔ)言中，正則表達(dá)式是由特殊標(biāo)明的，比如使用/。下面是JavaScript的例子：

• 匹配一個(gè)數(shù)字，\d會(huì)簡(jiǎn)單寫成 var regExp = /\d/;.
• 匹配一個(gè)反斜杠或者一個(gè)左邊的方括號(hào)或者一個(gè)右邊的方括號(hào)， var regExp = /[\\\[\]]/;
• var regExp = /\s/; 和 var regExp = /[ \t\r\n]/; 是等價(jià)的
• 當(dāng)然，這意味著在使用/時(shí)必須重復(fù)兩次。比如找到URL必須使用var regExp = /https?:\/\//;.

我希望現(xiàn)在你能明白，我為什么讓你特別注意反斜杠。

動(dòng)態(tài)正則表達(dá)式

當(dāng)你動(dòng)態(tài)創(chuàng)建一個(gè)正則表達(dá)式的時(shí)候請(qǐng)?zhí)貏e小心。如果你使用的字符串不夠完善的花，可能會(huì)有意想不到的匹配結(jié)果。這可能導(dǎo)致語(yǔ)法錯(cuò)誤，更糟糕的是，你的正則表達(dá)式語(yǔ)法正確，但是結(jié)果無法預(yù)料。

錯(cuò)誤的Java代碼：

String sep = System.getProperty(“file.separator”); String[] directories = filePath.split(sep);

Bug:String.split() 認(rèn)為sep是一個(gè)正則表達(dá)式。但是，在Windows中，Sep是表示匹配一個(gè)反斜杠，也就是與正則表達(dá)式”\\”相同。這個(gè)正則表達(dá)式是正確的，但是會(huì)返回一個(gè)異常：PatternSyntaxException.

任何好的編程語(yǔ)言都會(huì)提供一種良好的機(jī)制來跳過字符串中所有的元字符。在Java中，你可以這樣實(shí)現(xiàn)：

String sep = System.getProperty(“file.separator”);

String[] directories = filePath.split(Pattern.quote(sep));

循環(huán)中的正則表達(dá)式

將正則表達(dá)式字符串加入反復(fù)運(yùn)行的程序中，是一種開銷很大的操作。如果你可以在循環(huán)中避免使用正則表達(dá)式，你可以大大提高效率。

其他建議

輸入驗(yàn)證

正則表達(dá)式可以用來進(jìn)行輸入驗(yàn)證。但是嚴(yán)格的輸入驗(yàn)證會(huì)使得用戶體驗(yàn)較差。比如：

信用卡號(hào)

在一個(gè)網(wǎng)站上，我輸入了我的卡號(hào)比如 1234 5678 8765 4321 網(wǎng)站拒絕接收。因?yàn)樗褂昧苏齽t表達(dá)式\d{16}。

正則表達(dá)式應(yīng)該考慮到用戶輸入的空格和短橫線。

實(shí)際上，為什么不先過濾掉所有的非數(shù)字字符，然后再進(jìn)行有效性驗(yàn)證呢？這樣做，可以先使用\D以及空的替換表達(dá)式。

練習(xí)

在不先過濾掉所有的非數(shù)字字符的情況下，使用正則表達(dá)式驗(yàn)證卡號(hào)的正確性。

答案

\D*(\d\D*){16} is one of several variations which would accomplish this.

名字

不要使用正則表達(dá)式來驗(yàn)證姓名。實(shí)際上，即使可以，也不要企圖驗(yàn)證姓名。

程序員對(duì)名字的錯(cuò)誤看法:

• 名字中不含空格
• 名字中沒有連接符號(hào)
• 名字中只會(huì)使用ASCII碼字符
• 名字中出現(xiàn)的字都在特殊字符集中
• 名字至少要有M個(gè)字的長(zhǎng)度
• 名字不會(huì)超過N個(gè)字的長(zhǎng)度
• 人們只有一個(gè)名
• 人們只有一個(gè)中間名
• 人們只有一個(gè)姓（最后三條是從英語(yǔ)的人名考慮）

電子郵件地址

不要使用正則表達(dá)式驗(yàn)證郵箱地址的正確性。

首先，這樣的驗(yàn)證很難是精確的。電子郵件地址是可以用正則表達(dá)式驗(yàn)證的，但是表達(dá)式會(huì)非常的長(zhǎng)并且復(fù)雜。

短的正則表達(dá)式會(huì)導(dǎo)致錯(cuò)誤。（你知道嗎？電子郵箱地址中會(huì)有一些注釋）

第二，即使一個(gè)電子郵件地址可以成功匹配正則表達(dá)式，也不代表這個(gè)郵箱實(shí)際存在。郵箱的唯一驗(yàn)證方法，是發(fā)送驗(yàn)證郵件。

注意

在嚴(yán)格的應(yīng)用場(chǎng)景中，不要使用正則表達(dá)式來解析HTML或者XML。解析HTML或者XML：

1. 使用簡(jiǎn)單的正則表達(dá)式不能完成
2. 總體來說非常困難
3. 已經(jīng)有其他的方法解決

找到一個(gè)已經(jīng)有的解析庫(kù)來完成這個(gè)工作

這就是55分鐘的全部?jī)?nèi)容

總結(jié)：

• 字符: a b c d 1 2 3 4 etc.
• 字符類: . [abc] [a-z] \d \w \s
  • . 代表任何字符
  • \d 表示“數(shù)字”
  • \w 表示”字母”, [0-9A-Za-z_]
  • \s 表示 “空格, 制表符,回車或換行符”
  • 否定字符類: [^abc] \D \W \S
• 重復(fù): {4} {3,16} {1,} ? * +
  • ? 表示 “零次或一次”
  • * 表示 “大于零次”
  • + 表示 “一次或一次以上”
  • 如果不加上？，所有的重復(fù)都是最長(zhǎng)匹配的（貪婪）
• 分組: (Septem|Octo|Novem|Decem)ber
• 詞，行以及文本的分隔: \b ^ $ \A \z
• 轉(zhuǎn)義字符: \1 \2 \3 etc. (在匹配表達(dá)式和替換表達(dá)式中都可用)

• 元字符: . \ [ ] { } ? * + | ( ) ^ $
• 在字符類中使用元字符: [ ] \ - ^
• 使用反斜杠可以忽略元字符: \

致謝

正則表達(dá)式非常常用而且非常有用。每個(gè)人在編輯文本或是編寫程序時(shí)都必須了解怎樣使用正則表達(dá)式。

練習(xí)

選擇正則表達(dá)式的某種實(shí)現(xiàn)，閱讀相關(guān)文檔。我保證，你會(huì)學(xué)到更多。