正则表达式中的元字符

小灰灰 2022-07-15 13:11 242阅读 0赞

假设要在一篇文章里查找”he”，可以使用正则表达式”he”。这几乎是最简单的正则表达式，它可以精确匹配这样的字符串：由两个字符组成，前一个字符是”h”，后一个是”e”。通常，处理正则表达式的工具会提供一个忽略大小写的选项，如果选中这个选项，它可以匹配”he”,”HE”,”He”,”hE”这四种情况中的任意一种。

但是很多单词里包含”he”这两个连续的字符，比如”her”、”heet”等。用”he”来查找，这些单词中的”he”也会被找出来。如果要精确地查找”he”这个单词，应该使用以下形式：

\bhe\b

`"\b"`是正则表达式规定的一个特殊代码，代表单词的开头或结尾，也就是单词的分界处。虽然通常英文单词是由空格、标点符号或者换行来分隔，但是`"\b"`并不匹配这些单词的分割字符中的任何一个，它只匹配一个位置。

`"\b"`匹配位置的精确说法：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"`。

假如要找”he”后面不远处跟着一个”is”，应该表示如下：

\bhe\b.*is\b

这里，点号（.）是元字符，匹配除了换行符以外的任意字符。`"*"`同样是元字符，不过它代表的不是字符，也不是位置，而是数量——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。因此，`"."`和`"*"`连在一起就意味着任意数量的、不包含换行的字符。现在，`"\bhe\b.*\bis\b"`的意思很明显：先是一个单词he，然后是任意个任意字符（但不能是换行符），最后是is这个单词。

# 什么是元字符 #

元字符（Meta Characters）是正则表达式中具有特殊意义的专用字符，用来规定其前导字符（即位于元字符前面的字符）在目标对象中的出现模式。通过前面的例子，我们已经知道几个很有用的元字符。正则表达式里有很多元字符，常用元字符如下表所示。

![示例][20161023160916514]

例子：

1）匹配以字母”a”开头的单词：

\ba\w*\b

以上表达式先是某个单词开始处（`\b`），然后是字母”a”，接着是任意数量的字母或数字（`\w*`），最后是单词结束处（`\b`），匹配的单词如adandon、action、a等。  
2）匹配1个或更多连续的数字：

\d+

以上表达式可以匹配0、1、555等。这里的元字符`+`和`*`类似，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。

3）匹配刚好6个字符的单词：

\b\w{
        6}\b

以上表达式匹配action、123456、ste＿ph等。

【注意】　正则表达式里”单词”指不少于1个的连续字母和数字。  
如果同时使用其他元字符，则能构造出功能更强大的正则表达式。比如下面这个例子：

0\d\d-\d\d\d\d\d\d\d\d

匹配字符串：以0开头，然后是2个数字，1个连字符，最后是8个数字，也就是中国部分地区的电话号码，如010-12345678。

这里`"\d"`是元字符，匹配1位数字（0、1、2……）。`"-"`不是元字符，只匹配它本身——连字符（或者减号，或者中横线，或者随你怎么称呼它）。

为了避免那么多烦人的重复，也可以这样写这个表达式：

0\d{
        2}-\d{
        8}

这里`\d`后面`{2}`和`{8}`的意思是，前面`\d`必须连续重复匹配2次和8次。

# 起始和结束元字符 #

元字符中有两个用来匹配位置：  
`^`:匹配字符串的开始。  
`$`:匹配字符串的结束。

元字符`"＾"`、`"$"`与`"\b"`有点类似。`"＾"`匹配字符串的开头，`"$"`匹配结尾。这两个代码在验证输入内容时非常有用，比如某网站如果要求填写QQ号必须为5～11位数字时，可以使用：

^\d{
        5,11}$

这里`{5,11}`表示重复次数不能少于5次，不能多于11次，否则都不匹配。因为使用”＾”和”$”，所以输入的整个字符串都要和`\d{5,11}`匹配。也就是说，整个输入必须是5～11个数字，如果输入QQ号能匹配这个正则表达式，就符合要求。如果输入含有5～11个数字，但不是完整数字串，而只是一串字符的一部分，也不能匹配成功，如图

![示例][20161023161631831]

从图中就能清晰地看出`^\d{5,11}$`的确切含义。我想，你也能猜测到它和正则表达式`\d{5,11}`的区别。为了加深印象，分别使用下面4个正则表达式看一下效果：

^\d{
       5,11}$ //匹配起始和结束位置都是数字的，且连续5-11位
    \d{
       5,11}$ //匹配结束位置是数字的，且连续5-11位
    ^\d{
       5,11} //匹配起始位置是数字的，且连续5-11位
    \d{
       5,11} //匹配连续的5-11位数字

【注意】　我们在正则表达式处理工具处勾选Multiline选项，即多行选项，＾和的意义就变成匹配行的开始处和结束处，否则将把整个输入视作一个字符串，忽视换行符。可以试着把多行选项去除后再看看效果。如果用过Vim编辑器，就知道命令”d＾”和”d”的作用了。

# 点号 #

点号（.）是使用频率最高的元字符。例如，在做采集时抓取页面，要匹配某DIV里的内容，就需要用到点号匹配。下面代码是抓取本地HTML页面的一部分：

<!DOCTYPE HTML>
    <html>
    <head>
        <meta charset="UTF-8">
            <meta name="description" content="107网站工作室">
        <title>107网站工作室</title>
        <link rel="stylesheet" type="text/css" href="http://www.107lab.com/css/style1.css" />

要匹配这个网页的标题应该怎么办呢？很简单，使用点号匹配全部字符，如下：

![示例][20161023161921567]

这样就可以抓取你想要的任何内容了，包括DIV、SPAN等。

# 量词 #

前面实际上已经涉及量词的概念，比如\\d+、\\d｛5，11｝等都应用了量词。正则表达式中的量词如下表所示。

![示例][20161023162030334]

下面是一些例子：  
1）匹配Windows后面跟1个或更多数字：

Windows\d+

2）表示index后面紧跟0个或1个数字，：

index\d?

以上表达式匹配index、index1、index9这样的文件名，但不匹配index10、indexa这样的文件名。

3）匹配一行第一个单词（或整个字符串第一个单词，具体匹配哪种，得看选项设置）：

^\w+

提示　在学习量词的过程中，要【注意】\*和？这两个量词。前面提到过通配符的概念，通配符里也有这两个符号，要【注意】它们之间的区别。

[20161023160916514]: /images/20220715/b62c3947d47241e490a1d4c616c30f4a.png
[20161023161631831]: /images/20220715/a65776924cc24f89bcbb55efc6365d16.png
[20161023161921567]: /images/20220715/2000ce49801d4425abed63efb03ac9d7.png
[20161023162030334]: /images/20220715/5d430b1e7a884a2b90184ec7e247ae86.png