一文掌握字符串之正则表达式，值得收藏！

痛定思痛。 2022-10-16 15:27 230阅读 0赞

## 前言： ##

授人以鱼不如授人以渔，大家在编程的时候总会遇到要查找某些复杂规则的字符串，例如在 linux 系统中，需要对多个文件里的某段代码进行替换，你是不是还在每个文件打开逐一目标替换？如果你也有这样的困惑那么正则表达式就是你必须会的技能。

## [程序员必备资源，值得收藏！点击下载][Link 1] ##

## 1、什么是正则表达式 ##

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个 “规则字符串” ，这个 “规则字符串” 用来表达对字符串的一种过滤逻辑。换句话说，正则表达式就是记录文本规则的代码。

很可能你使用过 Windows 下用于文件查找的通配符(wildcard)，也就是 \* 和 ?。如果你想查找某个目录下的所有的 pdf 文档的话，可以直接搜索 \*.pdf，如下：

![52df20b9966f2327c7835fa6f6dadc12.png][]

在这里，\* 会被解释成任意的字符串。和通配符类似，正则表达式也是用来进行文本匹配的工具，只不过比起通配符，它能更精确地描述你的需求。当然，代价就是更复杂，比如你可以编写一个正则表达式，用来查找所有以 0 开头，后面跟着 2-3 个数字，然后是一个连字号 “-” ，最后是 7 或 8 位数字的字符串(像 011-12345678 或 0856-7654321)。

[程序员相关的海量资料，点击免费获取][Link 2]

## 2、入门 ##

学习正则表达式的最好方法是从例子开始。

*  假如你在一篇英文期刊里查找 me，你可以使用正则表达式 me。

这几乎是最简单的正则表达式了，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 m, 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，如果选中了这个选项，它可以匹配 me, ME, Me, mE 这四种情况中的任意一种。

不幸的是，很多单词里包含 hi 这两个连续的字符，比如 me, mean, measure等等。用 me 来查找的话，这里边的 me 也会被找出来。如果要精确地查找 me 这个单词的话，我们应该使用 \\bme\\b。

\\b 是正则表达式规定的一个特殊代码（有些人叫它元字符，`metacharacter`），代表着单词的开头或结尾，也就是单词的分界处。虽然通常英文的单词是由空格，标点符号或者换行来分隔的，但是 \\b 并不匹配这些单词分隔字符中的任何一个，它只匹配一个位置。

*  假如你要找的是 me 后面不远处跟着一个 james，你应该用 `\bme\b.*\bjames\b`。

这里 . 是另一个元字符，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 .\* 连在一起就意味着任意数量的不包含换行的字符。现在`\bme\b.*\bjames\b`的意思就很明显了：先是一个单词 me 然后是任意个任意字符(但不能是换行)，最后是 james 这个单词。

## 3、元字符 ##

正则表达式由一些普通字符和一些元字符（`metacharacters`）组成。普通字符包括大小写的字母和数字，而元字符则具有特殊的含义，要想真正的用好正则表达式，正确的理解元字符是最重要的事情。下表列出了常用的元字符

<table> 
 <thead> 
  <tr> 
   <th>元字符</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>.</td> 
   <td>匹配除 “\n” 和 "\r" 之外的任何单个字符。要匹配包括 “\n” 和 "\r" 在内的任何字符，请使用像 “[\s\S]” 的模式</td> 
  </tr> 
  <tr> 
   <td>\w</td> 
   <td>匹配包括下划线的任何单词字符。类似但不等价于 “[A-Za-z0-9_]” ，这里的 "单词" 字符使用 Unicode 字符集</td> 
  </tr> 
  <tr> 
   <td>\s</td> 
   <td>匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]</td> 
  </tr> 
  <tr> 
   <td>\d</td> 
   <td>匹配一个数字字符。等价于 [0-9] 。grep 要加上 -P， perl 正则支持</td> 
  </tr> 
  <tr> 
   <td>\b</td> 
   <td>匹配一个单词的边界，也就是指单词和空格间的位置（即正则表达式的 “匹配” 有两种概念，一种是匹配字符，一种是匹配位置，这里的 \b 就是匹配位置的）。例如， “er\b” 可以匹配 “never” 中的 “er” ，但不能匹配 “verb” 中的 “er”； “\b1_” 可以匹配 “1_23” 中的 “1_”，但不能匹配 “21_3” 中的 “1_”</td> 
  </tr> 
  <tr> 
   <td>^</td> 
   <td>匹配输入字行首。如果设置了 RegExp 对象的 Multiline 属性， ^ 也匹配 “\n” 或 “\r” 之后的位置。</td> 
  </tr> 
  <tr> 
   <td>$</td> 
   <td>匹配输入行尾。如果设置了 RegExp 对象的 Multiline 属性，$ 也匹配 “\n” 或 “\r” 之前的位置。</td> 
  </tr> 
 </tbody> 
</table>

## 4、字符转义 ##

如果想查找元字符本身的话，比如查找 . ,或者 \* ,就出现了问题：你没办法指定它们，因为它们会被解释成别的意思。这时就得使用 \\ 来取消这些字符的特殊意义。因此，应该使用 . 和 \*。当然，要查找 \\ 本身，也得用 \\。

例如：`mayday\.net` 匹配 `mayday.ne`t ，`C:\\Windows`匹配`C:\Windows`。

## 5、重复 ##

已经看过了前面的 \* , + 几个匹配重复的方式了。下面是正则表达式中所有的限定符(指定数量的代码：

<table> 
 <thead> 
  <tr> 
   <th>元字符</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>*</td> 
   <td>匹配前面的子表达式任意次。例如，zo* 能匹配 “z” ，也能匹配 “zo” 以及 “zoo” 。* 等价于{0,}。</td> 
  </tr> 
  <tr> 
   <td>+</td> 
   <td>匹配前面的子表达式一次或多次(大于等于1次）。例如，“zo+” 能匹配 “zo” 以及 “zoo”，但不能匹配 “z” 。+ 等价于 {1,}。</td> 
  </tr> 
  <tr> 
   <td>?</td> 
   <td>匹配前面的子表达式零次或一次。例如，“do(es)?” 可以匹配 “do” 或 “does” 。 ? 等价于 {0,1}。</td> 
  </tr> 
  <tr> 
   <td>{n}</td> 
   <td>n 是一个非负整数。匹配确定的 n 次。例如， “o{2}” 不能匹配 “Bob” 中的 “o”，但是能匹配 “food” 中的两个 o。</td> 
  </tr> 
  <tr> 
   <td>{n,}</td> 
   <td>n 是一个非负整数。至少匹配 n 次。例如， “o{2,}” 不能匹配 “Bob” 中的 “o”，但能匹配 “foooood” 中的所有 o。 “o{1,}” 等价于 “o+” 。 “o{0,}” 则等价于 “o*”。</td> 
  </tr> 
  <tr> 
   <td>{n,m}</td> 
   <td>m 和 n 均为非负整数，其中 n&lt;=m。最少匹配 n 次且最多匹配 m 次。例如， “o{1,3}” 将匹配 “fooooood” 中的前三个 o 为一组，后三个 o 为一组。 “o{0,1}” 等价于 “o?”。请注意在逗号和两个数之间不能有空格。</td> 
  </tr> 
 </tbody> 
</table>

## 6、字符类 ##

要想查找数字、字母、数字、空白已经很简单，因为已经有了对应这些字符集合的元字符，但是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 !)。

我们也可以轻松地指定一个字符范围，像 \[0-9\] 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）。

下面是一个更复杂的表达式：`\(?0\d{2}[) -]?\d{8}`。

这个表达式可以匹配几种格式的电话号码，像 011-22884499 ，或 0845652452 等。我们对它进行一些分析吧：首先是一个转义字符 (,它能出现 0 次或 1 次 (?),然后是一个 0，后面跟着 2 个数字 (\\d\{2\})，然后是)或-或空格中的一个，它出现 1 次或不出现(?)，最后是 8 个数字(\\d\{8\})。

## 7、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

<table> 
 <thead> 
  <tr> 
   <th>元字符</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>\w</td> 
   <td>匹配任意不是字母，数字，下划线，汉字的字符</td> 
  </tr> 
  <tr> 
   <td>\s</td> 
   <td>匹配任意不是空白符的字符</td> 
  </tr> 
  <tr> 
   <td>\D</td> 
   <td>匹配任意非数字的字符</td> 
  </tr> 
  <tr> 
   <td>\B</td> 
   <td>匹配不是单词开头或结束的位置</td> 
  </tr> 
  <tr> 
   <td>[^x]</td> 
   <td>匹配除了 x 以外的任意字符</td> 
  </tr> 
  <tr> 
   <td>[^aeiou]</td> 
   <td>匹配除了 aeiou 这几个字母以外的任意字符</td> 
  </tr> 
 </tbody> 
</table>

例子：

\\S+ 匹配不包含空白符的字符串。 <a\[^>\]+> 匹配用尖括号括起来的以 a 开头的字符串

## 8、分组 ##

我们已经提到了怎么重复单个字符（直接在字符后面加上限定符就行了）；但如果想要重复多个字符又该怎么办？可以用小括号来指定子表达式(也叫做分组)，然后就可以指定这个子表达式的重复次数了，也可以对子表达式进行其它一些操作。

`(\d{1,3}\.){3}\d{1,3}` 是一个简单的 IP 地址匹配表达式。要理解这个表达式，请按下列顺序分析它：`\d{1,3}` 匹配 1 到 3 位的数字，`(\d{1,3}\.){3}` 匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复 3 次，最后再加上一个一到三位的数字(`\d{1,3})`。

可是也将匹配`256.300.777.888`这种不可能存在的 IP 地址。如果能使用算术比较的话，或许能简单地解决这个问题，但是正则表达式中并不提供关于数学的任何功能，所以只能使用冗长的分组，选择，字符类来描述一个正确的 IP 地址：`((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)`。

理解这个表达式的关键是理解`2[0-4]\d|25[0-5]|[01]?\d\d?`，这里就不细说了，大家应该能分析得出来它的意义。

## 9、贪婪与懒惰 ##

当正则表达式中包含能接受重复的限定符时，通常的行为是匹配尽可能多的字符。以这个表达式为例： b.\*c ，它将会匹配最长的以 b 开始，以 c 结束的字符串。如果用它来搜索 babac 的话，它会匹配整个字符串 babac 。这被称为贪婪匹配。

有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号 ? 。这样 .\*? 就意味着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。现在看看懒惰版的例子吧：

a.\*?b 匹配最短的，以 a 开始，以 b 结束的字符串。如果把它应用于 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）。

<table> 
 <thead> 
  <tr> 
   <th>限定符</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>*?</td> 
   <td>重复任意次，但尽可能少重复</td> 
  </tr> 
  <tr> 
   <td>+?</td> 
   <td>重复 1 次或更多次，但尽可能少重复</td> 
  </tr> 
  <tr> 
   <td>??</td> 
   <td>重复 0 次或 1 次，但尽可能少重复</td> 
  </tr> 
  <tr> 
   <td>{n,m}?</td> 
   <td>重复 n 到 m 次，但尽可能少重复</td> 
  </tr> 
  <tr> 
   <td>{n,}?</td> 
   <td>重复 n 次以上，但尽可能少重复</td> 
  </tr> 
 </tbody> 
</table>

## 10、处理选项 ##

上面介绍了几个选项如忽略大小写，处理多行等，这些选项能用来改变处理正则表达式的方式。下面是 .Net 中常用的正则表达式选项：

<table> 
 <thead> 
  <tr> 
   <th>限定符</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>IgnoreCase</td> 
   <td>匹配时不区分大小写。</td> 
  </tr> 
  <tr> 
   <td>Multiline</td> 
   <td>更改 ^ 和 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.)</td> 
  </tr> 
  <tr> 
   <td>Singleline</td> 
   <td>更改 . 的含义，使它与每一个字符匹配（包括换行符 \n）</td> 
  </tr> 
  <tr> 
   <td>IgnorePatternWhitespace</td> 
   <td>更改 . 的含义，使它与每一个字符匹配（包括换行符 \n ）</td> 
  </tr> 
  <tr> 
   <td>ExplicitCapture</td> 
   <td>仅捕获已被显式命名的组。</td> 
  </tr> 
 </tbody> 
</table>

一个经常被问到的问题是：是不是只能同时使用多行模式和单行模式中的一种？

答案是：不是。这两个选项之间没有任何关系，除了它们的名字比较相似（以至于让人感到疑惑）以外。

## 11、提示 ##

正则表达式内容还有很多，笔者这里只列举常用部分，读者若想进一步学习，可在微软专业正则表达式学习网站学习：

> https://docs.microsoft.com/zh-cn/dotnet/standard/base-types/regular-expressions?redirectedfrom=MSDN

正则表达式语法支持情况如下图：

![8622b0d0b136024419fc2234aed77ec4.png][]

[Link 1]: https://download.csdn.net/download/weixin_41055260/20298620
[52df20b9966f2327c7835fa6f6dadc12.png]: /images/20221014/498df02a68324ad79c2f1fa253bf3e3c.png
[Link 2]: https://wwr.lanzoui.com/iyMpKphilja
[8622b0d0b136024419fc2234aed77ec4.png]: /images/20221014/b5b5ed028b42478da04bd08d9aaab81c.png