正则表达式(一)
一、简介
正则表达式这个名词,相信很多人都听说过,这个名词最早起源于1956 年, 一位叫 Stephen Kleene 的美国数学家在 McCulloch 和 Pitts 早期工作的基础上,发表了一篇标题为“神经网事件的表示法”的论文,引入了正则表达式的概念。正则表达式就是用来描述他称为“正则集的代数”的表达式,因此采用“正则表达式”这个术语。
随后,发现可以将这一工作应用于使用Ken Thompson 的计算搜索算法的一些早期研究,Ken Thompson是Unix 的主要发明人。正则表达式的第一个实用应用程序就是 Unix 中的qed 编辑器。
Q: 正则表达式,能够为我们做什么呢?
A: 基于文本的编辑器和搜索工具中的一个重要部分。正则表达式可以让用户通过使用一系列的特殊字符构建匹配模式,然后把匹配模式与数据文件、程序输入以及WEB页面的表单输入等目标对象进行比较,根据比较对象中是否包含匹配模式,执行相应的程序。
下面我们就一步一步的结合它的语法,来介绍正则表达式的使用。
二、初次接触正则表达式
我们先来了解正则表达式的一些基本概念。正则表达式作为一种表示语言,其定义了自己的一套描述方式,来描述各种各样的字符类。下面摘取msdn中的一段定义。(ms-help://MS.VSCC/MS.MSDNVS.2052/cpgenref/html/cpconcharacterclasses.htm)
字符类 |
含义 |
. |
与除 \n 以外的任何字符匹配。如果通过 Singleline 选项(请参阅正则表达式选项)进行了修改,则句点字符与任何字符匹配。 |
[aeiou] |
与指定字符集中包含的任何单个字符匹配。 |
[^aeiou] |
与不在指定字符集中的任何单个字符匹配。 |
[0-9a-fA-F] |
使用连字号 (–) 允许指定连续字符范围。 |
\p{name} |
与 name 指定的命名字符类中的任何字符匹配。支持的名称为 Unicode 组和块范围。例如 Ll£¬Nd£¬Z£¬IsGreek£¬IsBoxDrawing。 |
\P{name} |
与在 {name} 中指定的组和块范围中未包含的文本匹配。 |
\w |
与任何单词字符匹配。等效于 Unicode 字符类别 |
\W |
与任何非单词字符匹配。等效于 Unicode 类别 [^\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}]。如果通过 ECMAScript 选项指定了符合 ECMAScript 的行为,则 \W 等同于 [^a-zA-Z_0-9]。 |
\s |
与任何空白字符匹配。等效于 Unicode 字符类别 [\f\n\r\t\v\x85\p{Z}]。如果通过 ECMAScript 选项指定了符合 ECMAScript 的行为,则 \s 等同于 [ \f\n\r\t\v]。 |
\S |
与任何非空白字符匹配。等效于 Unicode 字符类别 [^\f\n\r\t\v\x85\p{Z}]。如果通过 ECMAScript 选项指定了符合 ECMAScript 的行为,则 \S 等同于 [^ \f\n\r\t\v]。 |
\d |
与任何十进制数字匹配。与 Unicode 的 \p{Nd} 和非 Unicode 的 [0-9] 以及 ECMAScript 行为一样。 |
\D |
与任何非数字匹配。与 Unicode 的 \P{Nd} 和非 Unicode 的 [^0-9] 以及 ECMAScript 行为一样。 |
上表列举了,正则表达式中最最基本的语法定义,了解这些,我们已经可以定义一些简单的规则了,例如:
1. 匹配所有的字符
当然是什么都不用写(@_@)
2. 匹配所有的英文字符
a) \w
b) [a-zA-Z_0-9]
3. 匹配十进制数字
a) \d
b) [0-9]
看上面的例子,是不是觉得很简单呢,不过,到目前为止,这样写出来的规则,还有一个很大的缺陷,就是没有声明匹配字符的个数?
Q: 我希望要匹配的字符为5个英文字母
A: ???
光了解上面的知识是,无法解决这个的L。那正则表达式中是如何解决这个问题的呢,我们来看下面这个表:
(ms-help://MS.VSCC/MS.MSDNVS.2052/cpgenref/html/cpconquantifiers.htm)
限定符 |
说明 |
* |
指定零个或更多个匹配;例如 \w* 或 (abc)*。与 {0,} 相同。 |
+ |
指定一个或多个匹配;例如 \w+ 或 (abc)+。与 {1,} 相同。 |
? |
指定零个或一个匹配;例如 \w? 或 (abc)?。与 {0,1} 相同。 |
{n} |
指定恰好 n 个匹配;例如 (pizza){2}。 |
{n,} |
指定至少 n 个匹配;例如 (abc){2,}。 |
{n,m} |
指定至少 n 个但不多于 m 个匹配。 |
*? |
指定尽可能少地使用重复的第一个匹配 (lazy *)。 |
+? |
指定尽可能少地使用重复但至少使用一次 (lazy +)。 |
?? |
指定使用零次重复(如有可能)或一次重复 (lazy ?)。 |
{n}? |
等效于 {n} (lazy {n})。 |
{n,}? |
指定尽可能少地使用重复,但至少使用 n 次 (lazy {n,})。 |
{n,m}? |
指定介于 n 次和 m 次之间、尽可能少地使用重复 (lazy {n,m})。 |
上表中列出了,正则表达式的限定方式,配合这些字符的使用,我们就可以很方便的编写更为强劲的正则表达式了。
例如:
1. 匹配零个或多个所有的字符
*
2. 匹配一个或多个所有字符
+
3. 匹配零个或多个所有的英文字符
\w*
4. 匹配一个或多个所有的英文字符
[a-zA-Z0-9]+
5. 匹配3个十进制数字
\d{3}
6. 匹配最少3个十进制数字
\d{3,}
7. 匹配3个到6个十进制数字
\d{3,6}
现在我们可以解答上面问题了:
Q: 我希望要匹配的字符为5个英文字母
A: \w{5}
很高兴,我们已解决了上面的问题,不过,新的问题总是在不断的出现。我如何限制匹配字符出现在哪里呢?
Q: 我希望匹配以doc开头的字符串
A: ???
为了解决这个问题,我们先来看看这个表:
(ms-help://MS.VSCC/MS.MSDNVS.2052/cpgenref/html/cpconatomiczero-widthassertions.htm)
断言 |
说明 |
^ |
指定匹配必须出现在字符串的开头或行的开头。有关更多信息,请参阅正则表达式选项中的 Multiline 选项。 |
$ |
指定匹配必须出现在以下位置:字符串结尾、字符串结尾的 \n 之前或行的结尾。有关更多信息,请参阅正则表达式选项中的 Multiline 选项。 |
\A |
指定匹配必须出现在字符串的开头(忽略 Multiline 选项)。 |
\Z |
指定匹配必须出现在字符串的结尾或字符串结尾的 \n 之前(忽略 Multiline 选项)。 |
\z |
指定匹配必须出现在字符串的结尾(忽略 Multiline 选项)。 |
\G |
指定匹配必须出现在当前搜索开始的位置(此位置通常是上一次搜索结束位置之后的第一个字符)。例如,请考虑一个由分离的字符组组成的串联字符串,其中每一组的长度都为 n 个字符。在每个字符组中搜索匹配时,如果正则表达式在 0、n、2n、3n 等字符位置找到匹配,则该正则表达式成功。仅当匹配出现在定位组边界上时才会成功。 |
\b |
指定匹配必须出现在 \w(字母数字)和 \W(非字母数字)字符之间的边界上。匹配必须出现在单词边界上,即出现在由空格分隔的单词中第一个或最后一个字符上。 |
\B |
指定匹配不得出现在 \b 边界上。 |
相信大家都注意到了,在这个表中第一个断言字符就是我们需要的@_@.
例如,^ 指定当前位置在行或字符串的开头。因此,正则表达式 ^FTP
只会返回那些在行的开头出现的字符串“FTP”的匹配项。
看来上面碰到的问题,又可以解决了,让我们一起来解决上面的问题:
Q: 我希望匹配以doc开头的字符串
A: ^doc
以上我们初步了解了什么是正则表达式,已经了解其最基本的语法,当作热身@_@,接下来,才正式进入主题,我们会从第二篇开始深入探讨正则表达式的使用。
本文地址:http://com.8s8s.com/it/it45697.htm