正規表示式 - 語法
正規表示式(regular expression)描述了一個字串匹配的模式,可以用來檢查一個字串是否含有某種子字串、將匹配的子字串做替換或從某個字串中取出符合某一條件的子串等。
列目錄時, dir *.txt或ls *.txt中的*.txt就不是一個正規表示式,因為這裡*與正規式的*的意思是不同的。
建構正規表示式的方法和建立數學表達式的方法一樣。也就是用多種元字元與運算子可以將小的表達式結合在一起來創造更大的表達式。正規表示式的元件可以是單一的字元、字元集合、字元範圍、字元間的選擇或所有這些元件的任意組合。
正規表示式是由普通字元(例如字元 a 到 z)以及特殊字元(稱為"元字元")組成的文字模式。模式描述在搜尋文字時要匹配的一個或多個字串。正規表示式作為一個模板,將某個字元模式與所搜尋的字串進行比對。
普通字元
普通字元包括沒有明確指定為元字元的所有可列印和不可列印字元。這包括所有大寫和小寫字母、所有數字、所有標點符號和一些其他符號。
非列印字元
非列印字元也可以是正規表示式的組成部分。下表列出了表示非列印字元的轉義序列:
字元 | 描述 |
---|---|
\ cx | 符合由x指明的控製字元。例如, \cM 符合一個 Control-M 或回車符。 x 的值必須為 A-Z 或 a-z 之一。否則,將 c 視為一個原義的 'c' 字元。 |
\f | 符合一個換頁符號。等價於 \x0c 和 \cL。 |
\n | 符合一個換行符號。等價於 \x0a 和 \cJ。 |
\r | 符合一個回車符。等價於 \x0d 和 \cM。 |
\s | 符合任何空白字符,包括空格、製表符、換頁符等等。等價於 [ \f\n\r\t\v]。 |
\S | 符合任何非空白字元。等價於 [^ \f\n\r\t\v]。 |
\t | 符合一個製表符。等價於 \x09 和 \cI。 |
\v | 符合一個垂直製表符。等價於 \x0b 和 \cK。 |
特殊字符
所謂特殊字符,就是一些有特殊含義的字符,如上面說的"*.txt"中的*,簡單的說就是表示任何字符串的意思。如果要查找文件名中有*的文件,則需要對*進行轉義,即在其前加一個\。 ls \*.txt。
許多元字元要求在試圖匹配它們時特別對待。若要匹配這些特殊字符,必須先使字符"轉義",即,將反斜線字符 (\) 放在它們前面。下表列出了正規表示式中的特殊字元:
特別字元 | ##說明||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
符合輸入字串的結尾位置。如果設定了 RegExp 物件的 Multiline 屬性,則 $ 也符合 '\n' 或 '\r'。若要符合 $ 字元本身,請使用 \$。 | ||||||||||||||||||||||||
標記一個子運算式的開始和結束位置。子表達式可以取得以供以後使用。若要匹配這些字符,請使用 \( 和 \)。 | ||||||||||||||||||||||||
符合前面的子運算式是零次或多次。若要匹配 * 字符,請使用 \*。 | ||||||||||||||||||||||||
符合前面的子表達式一次或多次。若要匹配 + 字符,請使用 \+。 | ||||||||||||||||||||||||
符合除換行符 \n以外的任何單字元。若要符合 .,請使用 \。 | ||||||||||||||||||||||||
標記一個中括號表達式的開始。若要符合 [,請使用 \[。 | ||||||||||||||||||||||||
符合前面的子表達式零次或一次,或指明一個非貪婪限定符。若要匹配 ? 字符,請使用 \?。 | ||||||||||||||||||||||||
將下一個字元標記為或特殊字元、或原義字元、或向後引用、或八進位轉義符。例如, 'n' 匹配字元 'n'。 '\n' 符合換行符。序列'\\' 匹配"\",而'\(' 則匹配"("。 | ||||||||||||||||||||||||
匹配輸入字串的開始位置,除非在方括號表達式中使用,此時它表示不接受該字元集合。表達式的開始。 。 |
字元 | 描述 |
---|---|
符合前面的子表達式零次或多次。例如,zo* 能匹配 "z" 以及 "zoo"。 * 等價於{0,}。 | |
符合前面的子表達式一次或多次。例如,'zo+' 能匹配 "zo" 以及 "zoo",但不能匹配 "z"。 + 等價於 {1,}。 | |
符合前面的子運算式是零次或一次。例如,"do(es)?" 可以符合 "do" 或 "does" 中的"do" 。 ? 等價於 {0,1}。 | |
n 是非負整數。配對確定的 n 次。例如,'o{2}' 不能匹配 "Bob" 中的 'o',但是能匹配 "food" 中的兩個 o。 | |
n 是一個非負整數。至少匹配n 次。例如,'o{2,}' 不能符合 "Bob" 中的 'o',但能符合 "foooood" 中的所有 o。 'o{1,}' 等價於 'o+'。 'o{0,}' 則等價於 'o*'。 | |
m 和 n 皆為非負整數,其中n <= m。最少匹配 n 次且最多匹配 m 次。例如,"o{1,3}" 將符合 "fooooood" 中的前三個 o。 'o{0,1}' 等價於 'o?'。請注意逗號和兩個數字之間不能有空格。 |
字元 | 描述 |
---|---|
^ | 符合輸入字串開始的位置。如果設定了 RegExp 物件的 Multiline 屬性,^ 也會與 \n 或 \r 之後的位置相符。 |
$ | 符合輸入字串結尾的位置。如果設定了 RegExp 物件的 Multiline 屬性,$ 也會與 \n 或 \r 之前的位置相符。 |
\b | 符合一個字邊界,即字與空格間的位置。 |
\B | 非字邊界符合。 |
注意:不能將限定符與定位點一起使用。由於在緊靠換行或字邊界的前面或後面不能有一個以上位置,因此不允許諸如 ^* 之類的表達式。
若要符合一行文字開始處的文本,請在正規表示式的開始使用 ^ 字元。不要將 ^ 的這種用法與中括號表達式內的用法混淆。
若要符合一行文本的結尾處的文本,請在正規表示式的結束處使用 $ 字元。
若要在搜尋章節標題時使用定位點,下面的正規表示式符合一個章節標題,該標題只包含兩個尾隨數字,並且出現在行首:
/^Chapter [1-9][0-9]{0,1}/
真正的章節標題不僅出現行的開始處,而且它還是該行中僅有的文字。它即出現在行首又出現在同一行的結尾。下面的表達式能確保指定的符合只符合章節而不符合交叉引用。透過建立只符合一行文字的開始和結尾的正規表示式,就可做到這一點。
/^Chapter [1-9][0-9]{0,1}$/
匹配字邊界稍有不同,但向正規表示式添加了很重要的能力。字邊界是單字和空格之間的位置。非字邊界是任何其他位置。下面的表達式匹配單字 Chapter 的開頭三個字符,因為這三個字符出現字邊界後面:
/\bCha/
\b 字符的位置是非常重要的。如果它位於要匹配的字串的開始,它會在單字的開始處尋找匹配項。如果它位於字串的結尾,它會在單字的結尾處尋找匹配項。例如,下面的表達式匹配單字Chapter 中的字串ter,因為它出現在字邊界的前面:
/ter\b/
下面的表達式匹配Chapter 中的字串apt,但不匹配aptitude 中的字符字串apt:
/\Bapt/
字串apt 出現在單字Chapter 中的非字邊界處,但出現在單字aptitude 的字邊界處。對於 \B 非字邊界運算符,位置並不重要,因為匹配不關心究竟是單字的開頭還是結尾。
選擇
用圓括號將所有選擇項括起來,相鄰的選擇項之間用|分隔。但用圓括號會有一個副作用,是相關的匹配會被緩存,此時可用?:放在第一個選項前來消除這種副作用。
其中?:是非捕獲元之一,還有兩個非捕獲元是?=和?!,這兩個還有更多的含義,前者為正向預查,在任何開始匹配圓括號內的正規表示式模式的位置來符合搜尋字串,後者為負向預查,在任何開始不符合該正規表示式模式的位置來符合搜尋字串。
反向引用
對一個正規表示式模式或部分模式兩邊添加圓括號將導致相關匹配儲存到一個臨時緩衝區中,所捕獲的每個子匹配都按照在正則表達式模式中從左到右出現的順序儲存。緩衝區編號從 1 開始,最多可儲存 99 個捕獲的子表達式。每個緩衝區都可以使用 '\n' 訪問,其中 n 為一個標識特定緩衝區的一位或兩位十進制數。
可以使用非捕獲元字元 '?:'、'?=' 或 '?!' 來重寫捕獲,忽略相關匹配的保存。
反向引用的最簡單的、最有用的應用之一,是提供查找文本中兩個相同的相鄰單字的匹配項的能力。以下面的句子為例:
Is is the cost of of gasoline going up up?
上面的句子很顯然有多個重複的單字。如果能設計一種方法來定位該句子,而不必查找每個單字的重複出現,那該有多好。下面的正規表示式使用單一子表達式來實現這一點:
/\b([a-z]+) \b/gi
捕獲的表達式,正如 [a-z]+ 指定的,包括一個或多個字母。正規表示式的第二部分是對先前捕獲的子匹配項的引用,即,單字的第二個匹配項正好由括號表達式匹配。 \1 指定第一個子符合項目。字邊界元字元確保只偵測整個單字。否則,諸如"is issued"或"this is"之類的詞組將無法正確地被此表達式識別。
正規表示式後面的全域標記 (g) 指示,將該表達式應用到輸入字串中能夠查找到的盡可能多的匹配。表達式的結尾處的不區分大小寫 (i) 標記指定不區分大小寫。多行標記指定換行符號的兩邊可能出現潛在的匹配。
反向引用也可以將通用資源指示符 (URI) 分解為其元件。假定您想要將下面的URI 分解為協定(ftp、http 等等)、網域位址和頁/路徑:
http://www.w3cschool.cc:80/html/html-tutorial.html
下面的正規表示式提供該功能:
/(\w+):\/\/([^/:]+)(:\d*)?([^# ]*)/
第一個括號子表達式會擷取Web 位址的協定部分。此子表達式匹配在冒號和兩個正斜杠前面的任何單字。第二個括號子表達式會擷取位址的網域位址部分。子表達式符合 / 和 : 以外的一個或多個字元。第三個括號子表達式擷取埠號(如果指定了的話)。此子表達式會比對冒號後面的零個或多個數字。只能重複該子表達式一次。最後,第四個括號子運算式會擷取 Web 位址指定的路徑和/或頁資訊。此子表達式能符合不包括 # 或空格字元的任何字元序列。
將正規表示式應用到上面的URI,各子匹配項包含下面的內容:
第一個括號子表達式包含"http"
第二個括號子表達式包含"www.w3cschool.cc"
第三個括號子表達式包含":80"
第四個括號子運算式包含"../html/html-tutorial.html"