正規表示式

正規表示式到底是什麼東西？

字元是電腦軟體處理文字時最基本的單位，可能是字母，數字， 標點符號，空格，換行符，漢字等等。字串是0個或更多字元的序列。文本也就是文字，字串。說某個字串符合某個正規表示 式，通常是指這個字串裡有一部分（或幾部分分別）能滿足表達式給出的條件。

在寫處理字串的程式或網頁時，常常會有尋找符合某些複雜規則的字串的需求。正規表示式就 是用來描述這些規則的工具。換句話說，正規表示式就是記錄文字規則的程式碼。

很可能你使用過Windows/Dos下用於檔案尋找的通配符(wildcard)， 也就是*和?。如果你要找某個目錄下的所 有的Word文檔的話，你會搜尋*.doc。在這裡，*會被解釋成任意的字串。和通配符類似，正規表示式也是用來進行文字匹配的工具，只不過比起通配符，它​​能更精確地描述你的需求——當然，代價就是更複雜——比如你可以寫一個正則表達式，用來找出所有以0開頭，後面跟著2-3個數字，然後是一個連字號“-”，最後是7或8位數字的字串(像010-12345678或0376-7654321)。

入門

學習正規表示式的最好方法是從例子開始，理解例子之後再自己對例子進行修改，實驗。下面給了不少簡單的例子，並對它們作了詳細的說明。

假設你在一篇英文小說裡尋找hi，你可以使用正規表示式hi。

這幾乎是最簡單的正規表示式了，它可以精確地匹配這樣的字串：由兩個字元組成，前一個字元是h,後 一個是i。通常，處理正規表示式的工具會提供一個忽略大小寫的選項，如果選取了這個選項，它可以符合hi,HI,Hi,hI這四種情況中的任一種。

不幸的是，很多單字包含hi這兩個連續的字符，例如him,history,high等等。用hi來查找的話，這裡邊的hi也會被找出來。如果要精確地找出hi這個單字的 話，我們應該使用\bhi\b。

\b是正規表示式規定的一個特殊代碼（好吧，某些人叫它元字符，metacharacter），代表著單字的開頭或結尾，也就 是單字的分界處。雖然通常英文的單字是由空格，標點符號或換行來分隔的，但是\b並 不符合這些單字分隔字元中的任何一個，它只符合一個位置。

如果需要更精確的說法，\b符合這樣的位置：它的前一個字元 和後一個字元不全是(一個是,一個不是或不存在)\w。

假如你要找的是hi後面不遠處跟著一個Lucy，你應該用\bhi\b.*\bLucy\b。

這裡，.是另一個元字符，匹配除了換行符以 外的任意字符。 *同樣是元字符，不過它代表的不是字符，也不是位置，而是數量——它 指定*前邊的內容可以連續重複使用任意次以使整個表達式得到匹配。因此，.*連在一起就意味著任意數量的不包含換行的字元。現在\bhi\b.*\bLucy\b的意思就很明顯了：先是一個單字 hi,然後是任意個任意字元(但不能是換行)，最後是Lucy這個單字。

換行符就是'\n',ASCII編碼為10(十六進位0x0A)的字元。

如果同時使用其它元字符，我們就能建構出功能更強大的正規表示式。例如下面這個例子：

0\d\d-\d\d\d\d\d\d\d\d符合這樣的字串：以0開頭，然後是兩個數字，然後是一個連字號“-”，最後是8個數字(也就是中國的電話號碼。當然，這個例子只能匹配區號為3位的情形)。

這裡的\d是個新的元字符，符合一位數字 (0，或1，或2，或…)。 -不是元字符，只匹配它本身－連字符(或減號，或 者中橫線，或隨你怎麼稱呼它)。

為了避免那麼多煩人的重複，我們也可以這樣寫這個表達式：0\d{2}-\d{8}。 這裡\d後面的{2}({8})的意思是前面\d必須連續重複配對2次(8次)。

測試正規表示式

其它可用的測試工具:

RegexBuddy

Javascript正規表示式線上測試工具

如果你不覺得正規表示式很難讀寫的話，要嘛你是個天才，要嘛，你不是地球人。正規表示式的語法很令人頭疼，即使對經常使用它的人來說也是 如此。由於難於讀寫，容易出錯，所以找工具對正規表示式進行測試是必要的。

不同的環境下正規表示式的一些細節是不相同的，本教程介紹的是微軟.Net Framework 2.0下正則表達式的行為，所以，我向你介紹一個.Net下的工具Regex Tester。首先你確保已經安裝了.Net Framework 2.0，然後下載Regex Tester。這是個綠色軟體，下載完 後開啟壓縮包,直接運行RegexTester.exe就可以了。

下面是Regex Tester運行時的截圖：

元字元

現在你已經知道幾個很有用的元字符了，如\b,.,*，還有\d. 正則表達式裡還有更多的元字符，比如\s匹配任意的空白符，包括空格，製表符(Tab)，換行符，中文全角空格等。 \w符合字母或數字或底線或漢字等。

對中文/漢字的特殊處理是由.Net提供的正規表示式引擎支援的，其它環境下的具體情況請查看 相關文件。

下面來看看更多的例子：

\ba\w*\b匹配以字母a開頭的單字－先是某個單字開始處(\b)，然後是字母a,然後是任意數量的字母或數字(\w*)， 最後是單字結束處(\b)。

好吧，現在我們說說正規表示式裡的單字是什麼意思：就是不少於一個的連續的\w。不錯，這與學習英文時要背的成千上萬個同名的東西的確關係不大 :)

\d+匹配1個或更多連續的數字。 這裡的+是和*類似的元字符，不同的是*匹配重複任意次(可能是0次)，而+則匹配重複1次或更多次。

\b\w{6}\b 符合剛好6個字元的 字。

表1.常用的元字元

正規表示式引擎通常會提供一個「測試指定的字串是否符合一個正規表示式」的方法，如JavaScript裡的RegExp.test()方法或.NET裡的Regex.IsMatch()方法。這裡的匹配是指是字串裡有沒有符合表達式規則的部分。如果不使用^和$的話，對於\d{5,12}而言，使用這樣的方法就只能保證字串裡包含5到 12連續位數字，而不是整個字串就是5到12位數字。

元字元^（和數字6在同一個鍵位上的符號）和$都 匹配一個位置，這和\b有點類似。 ^符合你 要用來找出的字串的開頭，$符合結尾。這兩個代碼在驗證輸入的內容時非常有用，例如網站如果 要求你填寫的QQ號必須為5位到12位數字時，可以使用：^\d{5,12}$。

這裡的{5,12}和前面介紹過的{2}是類似的，只不過{2}配對只能不多不少重複2次，{5,12}則是重複的次數不能少於5次，不能多於12次， 否則都不符合。

因為使用了^和$，所以輸入的整個字串都要用來和\d{5,12}來匹配，也就是說整個輸入必須是5到12個數字，因此如果輸入的QQ號能符合這個正規表示式的話，那就符合要求了。

和忽略大小寫的選項類似，有些正規表示式處理工具還有一個處理多行的選項。如果選中了這個選項，^和$的意義就變成了匹配行的開始和結束。

字元轉義

#

如果你想查找元字元本身的話，例如你查找.,或*,就出現了問題：你沒辦法指定它們，因為它們會被解釋成別的意思。這時你就得用\來取消這些字符的特殊意義。因此，你應該使用\.和\*。當然，要找\本身，你也得用\\.

例如：deerchao\.net來匹配deerchao.net，C:\\Windows來符合C:\Windows。

重複

你已經看過前面的*,+,{2},{5,12}這幾個配對重複的方式了。以下是正規表示式中所有的限定符(指定數量的程式碼，例如*,{5,12}等)：

表2.常用的限定符

下面是一些使用重複的例子：

Windows\d+匹配Windows 後面跟1個或更多數字

^\w+匹配一行的第一個單字(或整個字串的第一個單詞，具體匹配哪個意思得看選項設定)

字元類別

##要要找數字，字母或數字，空白是很簡單的，因為已經有了對應這些字符集合的元字符，但是如果你想匹配沒有預定義元字符的字符集合(比如元音字母a,e,i,o,u),該怎麼辦？

很簡單，你只需要在方括號裡列出它們就行了，像[aeiou]就匹配任何一個英文元音字母，[.?!]匹配標點符號(.或?或!) 。

我們也可以輕鬆地指定一個字元範圍，像[0-9]代表的含意與\d就是完全一致的：一位數字； 同理[a-z0-9A-Z_]也完全等同於\w（如果只考慮英文的話）。

下面是一個更複雜的表達式：\(?0\d{2}[) -]?\d{8}。

「(」和「)」也是元字符，後面的分組節會提 到，所以在這裡需要使用轉義。

這個表達式可以符合幾種格式的電話號碼，像是(010)88886666，或022-22334455， 或02912345678等。我們對它做一些分析：首先是一個轉義字元\(,它能出現0次或1次(?),然後是一個0，後面跟著2個數字(\d{2})，然後是)或-或空格中的一個，它出現1次或不出現(?)，最後是8個數字(\d{8})。

分枝條件

不幸的是，剛才那個表達式也能符合010)12345678或(022-87654321這樣的「不正確」的格式。要解決這個問題，我們需要用到分枝條件。正則表達式裡的分枝條件指的是有幾種規則，如果滿足其中任意一種規則都應該當成匹配，具體方法是用|把不同的規則分隔開。表達式能符合兩種以連字號分隔的電話號碼：一種是三位區號，8位元本地號(如010-12345678)，一種是4位區號，7位元本地號(0376-2233445)。 ##

\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}這個表達式符合3位區號的電話號碼，其中區號可以用小括號括起來，也可以不用，區號與本地號間可以用連字號或空格間隔，也可以沒有間隔。你可以試試用分枝條件把這個表達式擴展成也支援4位區號的。

\d{5}-\d{4}|\d{5}這個表達式用來符合美國的郵遞區號。美國郵編 的規則是5位數，或是用連字號間隔的9位數字。之所以要舉這個例子是因為它能說明一個問題：使用分枝條件時，要注意各個條件的順序。 如果你把它改成\d{5}|\d{5}-\d{4}的話，那麼就只會配對5位的郵編(以及9位郵編的前5位)。原因是當匹配分枝條件時，將會從左到右地測試每個條件，如果滿足了某個分枝的話，就不會去再管其它的條件了。

分組

我們已經提到了怎麼重複單一字元（直接在字元後面加上限定符就行了）；但如果想要重複多個字元又該怎麼辦？你可以用小括號來指定子表達式(也叫做分組)，然後你就可以指定這個子表達式 式的重複次數了，你也可以對子表達式進行其它一些操作(後面會有介紹)。

(\d{1,3}\.){3}\d{1,3}是一個簡單的IP位址符合運算式。要理解這個表達式，請按下列順序分析它：\d{1,3}匹配1到3位的數字，(\d{1,3}\.){3}匹配三位數字加上一個英文句號(這個整體也就是這個分組)重複3次，最後再加上一個一到三位的數字(\d{1,3})。

IP位址中每個數字都不能大於255，大家千萬不要被《24》第三季的編劇給忽悠了…

#不幸的是，它也將匹配256.300 .888.999這種不可能存在的IP位址。如果能使用算術比較的話，或許能簡單地解決這個問題，但是正則表達式中並不提供關於數學的任何功能，所以只能使用冗長的分組，選擇，字符類來描述一個正確的IP地址：( (2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]| [01]?\d\d?)。

理解這個表達式的關鍵是理解2[0-4]\d|25[0-5]|[01]?\d\d?， 這裡我就不細說了，你自己應該能分析得出來它的意義。

反義

有時需要尋找不屬於某個能簡單定義的字元類別的字元。例如想找出除了數字以外，其它任意字元都行的情況，這時需要用到反義：

表3.常用的反義程式碼

後向引用

使用小括號指定一個子表達式後，匹配這個子表達式的文字(也就是此分組捕獲的內容)可以在表達式或其它 程式中作進一步的處理。預設情況下，每個分組會自動擁有一個組號，規則是：從左向右，以分組的左括號為標誌，第一個出現的分組的組號為1，第二個為2，以此類推。

呃…其實,組號分配還不像我剛說得那麼簡單：

分組0對應整個正規表示式

實際上組號分配過程是要從左向右掃描兩次的：第一遍只給未命名組分配，第二遍只給命名組分配－因此所有命名組的組號都大於未命名的組號

你可以使用(?:exp)這樣的語法來剝奪一個分組對組號分配的參與權．

後向引用用於重複搜尋前面某個分組符合的文字。例如，\1代表分組1匹配的文字。難以理解？請看範例：

\b(\w+)\b\s+\1\b可以用來匹配重複的單字，像go go, 或kitty kitty。這個表達式首先是一個單詞， 也就是單字開始處和結束處之間的多於一個的字母或數字(\b(\w+)\b)， 這個單字會被捕獲到編號為1的分組中，然後是1個或幾個空白符(\s+)，最後是分組1中捕獲的內容（也就是前面匹配的那個單字）(\1)。

你也可以自己指定子運算式的群組名稱。要指定一個子表達式的組名，請使用這樣的語法：(?<Word>\w+)(或把尖括號換成'也行：(?'Word'\w+)),這樣就把\ w+的組名指定為Word了。要反向引用這個分組捕獲的內容，你可以使用\k<Word>,所以上一個例子也可以寫成這樣：\b(?<Word>\w+)\b\s+\k<Word>\b 。

使用小括號的時候，還有很多特定用途的語法。以下列出了最常用的一些：

表4.常用分組語法

#零寬斷言

#地球人，是不是覺得這些名詞名稱太複雜，太難記了？我也有同感。知道有這麼一種東西就行了，它叫什麼，隨它去 吧！人若無名，便可專心練劍；物若無名，便可隨意取捨……

接下來的四個用於查找在某些內容(但並不包括這些內容)之前或之後的東西，也就是說它們像\b,^,$那樣用來指定一個位置，這個位置應該滿足一定的條件(即斷言)，因此它們也被稱為零寬斷言。最好還是拿例子來說明：

斷言用來宣告一個應該為真的事實。正規表示式中只有當斷言為真時才會繼續進行比對。

(?=exp)也叫零寬度正預測先行斷言， 它斷言自身出現的位置的後面能匹配表達式exp。例如\b\w+(?=ing\b)， 匹配以ing結尾的單字的前面部分(除了ing以外的部分)，如查找I'm singing while you're dancing.時，它會匹配sing和danc 。

(?<=exp)也叫零寬度正回顧後 發斷言，它斷言自身出現的位置的前面能匹配表達式exp。例如(?<=\bre)\w+\b會匹配以re開頭的單字的後半部 分(除了re以外的部分)，例如在查找reading a book時，它匹配ading。

假如你想要給一個很長的數字中每三位間加一個逗號(當然是從右邊加起了)，你可以這樣查找需要在前面和里面添加逗號的部分：(( ?<=\d)\d{3})+\b，用它對1234567890進行查找時結果是234567890。

下面這個例子同時使用了這兩個斷言：(?<=\s)\d+(?=\s)匹配以空白符號間隔的數字(再次強調，不包括這些空白符號) 。

負向零寬斷言

前面我們提到過怎麼查找不是某個字元或不在某個字元類別裡的字元的方法(反義)。但如果我們只是想要確 保某個字元沒有出現，但並不想去配對它時怎麼辦？例如，如果我們想查找這樣的單字--它裡面出現了字母q,但是q後面跟的不是字母u, 我們可以嘗試這樣：

\b\w*q[^u]\w *\b符合包含後面不是字母u的字母q的單字。但是如果多做測試(或者你思維夠敏銳，直接就觀察出來了)，你會發現，如果q出現在單字 的結尾的話，像Iraq,Benq，這個表達式就會出錯。這是因為[^u]總是要匹配一個字符，所以如果q是單詞的最後一個字符的話，後面的[^u]將會匹配q後面的單詞分隔符(可能是空格，或者是句號或其它的什麼)，後面的\w*\b將會匹配下一個單詞，於是\b\w*q[^u]\w*\b就能匹配整個Iraq fighting。負向零寬斷言能解決這 樣的問題，因為它只匹配一個位置，並不會消費任何字元。現在，我們可以這樣來解決這個問題：\b\w*q(?!u)\w*\b。

零寬度負預測先行斷言(?!exp)，斷言此位置的後面不能符合表達式exp。例如：\d{3}(?!\d)符合三位數字，而且這三位數字的後面不能是數字；\b((?!abc)\w)+\b符合不包含連續字串abc的單字。

同理，我們可以用(?<!exp),零寬度負回顧後發斷言來斷言此位置的前面不能匹配表達式exp：(?<![a-z])\d {7}符合前面不是小寫字母的七位數字。

請詳細分析表達式(?<=<(\w+)>).*(?=<\/\1>)， 這個表達式最能表現零寬斷言的真正用途。

一個更複雜的範例：(?<=<(\w+)>).*(?=<\/\1>)匹 配不包含屬性的簡單HTML標籤內裡的內容。 (<?(\w+)>)指定了這樣的前綴：被尖括號括起來的單字(例如可能是<b>)，然後是.*(任意的字串),最後是一個後綴( ?=<\/\1>)。注意後綴裡的\/，它用到了前面提過的字符轉義；\1則是一個反向引用，引用的正是捕獲的第一組，前面的(\w+)匹配的內容，這樣如果前綴其實是<b>的話，後綴就是</b>了。整個表達式匹配的是<b>和</b> 之間的內容(再次提醒，不包括前綴和後綴本身)。

註解

小括號的另一個用途是透過語法(?#comment)來包含註解。例如：2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。

要包含註解的話，最好是啟用「忽略模式裡的空白符」選項，這樣在寫表達式時能任意的新增空格，Tab，換行，而實際使用時這些都會被忽略。啟用這個選項後，在#後面到這一行結束的所有文字都將被當成註解忽略掉。例如，我們可以前面的一個表達式寫成這樣：

     (?<=    # 断言要匹配的文本的前缀
      <(\w+)> # 查找尖括号括起来的字母或数字(即HTML/XML标签)
      )       # 前缀结束
      .*      # 匹配任意文本
      (?=     # 断言要匹配的文本的后缀
      <\/>  # 查找尖括号括起来的内容：前面是一个"/"，后面是先前捕获的标签
      )       # 后缀结束

貪婪與懶惰

當正則表達式中包含能接受重複的限定符時，通常的行為是（在使整個表達式能得到匹配的前提下）匹配盡可能多的字元。以這個表達式為例：a.*b，它將會匹配最長的以 a開始，以b結束的字串。如果用它來搜尋aabab的話，它會匹配整個字串aabab。這被稱為貪婪匹配。

有時，我們更需要懶惰匹配，也就是匹配盡可能少的 字元。前面給的限定符都可以轉換成懶惰匹配模式，只要在它後面加上一個問號?。這樣.*?就意味著匹配任意數量的重複，但是在能使整個匹配成功的前提 下使用最少的重複。現在就來看看懶惰版的範例：

a.*?b符合最短的，以a開始，以b結 束的字串。如果把它應用於aabab的話，它會匹配aab（第一到第三個字元）和ab（第四到第五個字元）。

為什麼第一個匹配是aab（第一到第三個字元）而不是ab（第二到第三個字元）？簡單來說，因為正規表示式有另 一條規則，比懶惰/貪婪規則的優先順序更高：最先開始的配對擁有最高的優先權－The match that begins earliest wins。

表5.懶惰限定符

#處理選項

在C#中，你可以使用Regex(String, RegexOptions)建構子來設定正規表示式的處理選項。 如：Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);

上面介紹了幾個選項如忽略大小寫，處理多行等，這些選項能用來改變處理正規表示式的方式。以下是.Net中常用的正規表示式選項：

表6.常用的處理選項

一個常被問到的問題是：是不是只能同時使用多行模式和單行模式中的一種？答案是：不是。這兩個選項之間沒有任何關係，除了它們的名字比較 相似（以至於讓人感到疑惑）以外。

平衡組/遞迴匹配

這裡介紹的平衡組語法是由.Net Framework支援的；其它語言/函式庫不一定支援這種功能，或支援此功能但需要使用不同的語法。

有時我們需要匹配像( 100 * ( 50 + 15 ) )這樣的可嵌套的層次性結構， 這時簡單地使用\(.+\)則只會匹配到最左邊的左括號和最右邊的右括號之間的內容(這裡我們討論的是貪婪模式，懶惰模式也有下面的問題)。假如原來的字串裡的左括號和右括號出現的次數不相等，例如( 5 / ( 3 + 2 ) ) )，那我們的配對結果裡兩者的個數也不會相等。有沒有辦法在這樣的字串裡配對到最長的，配對的括號之間的 內容呢？

為了避免(和\(把你的大腦徹底搞糊塗，我們還是用尖括號代替圓括號吧。現在我們的問題變成瞭如何把xx <aa <bbb> <bbb> ; aa> yy這樣的字串裡，最長的配對的尖括號內的內容捕獲出來？把捕獲的內容命名為group,並壓入堆疊(Stack)

(?'-group') 從堆疊上彈出最後壓入堆疊的名為group的擷取內容，如果堆疊本來為空，則本分組的匹配失敗

(?(group)yes|no) 如果堆疊上存在以名為group的捕獲內容的話，繼續匹配yes部分的表達式，否則繼續匹配no部分

(?!) 零寬負向先行斷言，由於沒有後綴表達式，試圖匹配總是失敗

如果你不是一個程式設計師（或者你自稱程式設計師但是不知道堆疊是什麼東西），你就這樣理解上面的三種文法吧：第一個就是在黑板上寫一個"group"，第二個就是從黑板上擦掉一個"group"，第三個就是看黑板上寫的還有沒有"group"，如果有就繼續符合yes部分，否則就符合no部分。

我們需要做的是每碰到了左括號，就在壓入一個"Open",每碰到一個右括號，就彈出一個，到了最後就看看堆疊是否為空——如果不為空那就證明左括號比右括號多，那匹配就應該失敗。正規表示式引擎會進行回溯(放棄最前面或最後面的一些字元)，盡量使整個表達式得到匹配。

<                         #最外层的左括号
    [^<>]*                #最外层的左括号后面的不是括号的内容
    (
        (
            (?'Open'<)    #碰到了左括号，在黑板上写一个"Open"
            [^<>]*       #匹配左括号后面的不是括号的内容
        )+
        (
            (?'-Open'>)   #碰到了右括号，擦掉一个"Open"
            [^<>]*        #匹配右括号后面不是括号的内容
        )+
    )*
    (?(Open)(?!))         #在遇到最外层的右括号前面，判断黑板上还有没有没擦掉的"Open"；如果还有，则匹配失败
>                         #最外层的右括号

平衡組的一個最常見的應用就是匹配HTML,下面這個例子可以匹配嵌套的<div>標籤：<div[^>]*>[^<> ]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<> ]*)+)*(?(Open)(?!))</div>.

#還有些東西沒提到

上邊已經描述了建構正規表示式的大量元素，但是還有很多沒有提到的東西。以下是一些未提到的元素的列表，包含語法和簡單的說明。你可以在網路 上找到更詳細的參考資料來學習它們--當你需要用到它們的時候。如果你安裝了MSDN Library,你也可以在裡面找到.net下正規表示式詳細的文件。

這裡的介紹很簡略，如果你需要更詳細的信息，而又沒有在電腦上安裝MSDN Library,可以查看關於正則表達式語言元素 的MSDN在線文檔。

表7.尚未詳細討論的語法