Mythsman


乐极生悲,苦尽甘来。


正则表达式基础(1)

正则表达式这东西真的特别常用,在搜索文本啊,写爬虫什么的都得用到。而且现如今各种语言,都会支持正则表达式。之前也零零碎碎的看过,但是很多细节都记不清,这里姑且把一些知识要点记录下来,供日后查找使用。

通用的正则表达式

由于正则表达式有很多种实现方式,所以各种方式之间有一些区别。但是以下的一些条件,则是在任何语言的正则中都适用的规律:

符号 匹配
^ 匹配输入字符串开始的位置。
$ 匹配输入字符串结尾的位置。
* 零次或多次匹配前面的字符或子表达式。例如,zo* 匹配“z”和“zoo”。* 等效于 {0,}。
+ 一次或多次匹配前面的字符或子表达式。例如,“zo+”与“zo”和“zoo”匹配,但与“z”不匹配。+ 等效于 {1,}。
? 零次或一次匹配前面的字符或子表达式。例如,“do(es)?”匹配“do”或“does”中的“do”。? 等效于 {0,1}。
{n} _n _是非负整数。正好匹配 n 次。例如,“o{2}”与“Bob”中的“o”不匹配,但与“food”中的两个“o”匹配。
{n,} _n _是非负整数。至少匹配 _n _次。例如,“o{2,}”不匹配“Bob”中的“o”,而匹配“foooood”中的所有 o。“o{1,}”等效于“o+”。“o{0,}”等效于“o*”。
{n,m} Mn 是非负整数,其中 n <= m。匹配至少 n 次,至多 m 次。例如,“o{1,3}”匹配“fooooood”中的头三个 o。'o{0,1}' 等效于 'o?'。注意:您不能将空格插入逗号和数字之间。
? 当此字符紧随任何其他限定符(*、+、?、{n}、{n,}、{n,m})之后时,匹配模式是“非贪心的”。“非贪心的”模式匹配搜索到的、尽可能短的字符串,而默认的“贪心的”模式匹配搜索到的、尽可能长的字符串。例如,在字符串“oooo”中,“o+?”只匹配单个“o”,而“o+”匹配所有“o”。
. 匹配除“n”之外的任何单个字符。若要匹配包括“n”在内的任意字符,请使用诸如“[sS]”之类的模式。
x| y 匹配 xy。例如,'z|food' 匹配“z”或“food”。'(z| f)ood' 匹配“zood”或“food”。
[xyz] 字符集。匹配包含的任一字符。例如,“[abc]”匹配“plain”中的“a”。
[^xyz] 反向字符集。匹配未包含的任何字符。例如,“[^abc]”匹配“plain”中的“p”。
[a-z] 字符范围。匹配指定范围内的任何字符。例如,“[a-z]”匹配“a”到“z”范围内的任何小写字母。
[^a-z] 反向范围字符。匹配不在指定的范围内的任何字符。例如,“[^a-z]”匹配任何不在“a”到“z”范围内的任何字符。

这里是正则最基础的用法了,熟记这张表,平时就够用了。

当然,我们平时也会看到其他一些符号,比如下面这些类似的符号。

其他元字符

符号 匹配
b 匹配一个字边界,即字与空格间的位置。例如,“erb”匹配“never”中的“er”,但不匹配“verb”中的“er”。
B 非字边界匹配。“erB”匹配“verb”中的“er”,但不匹配“never”中的“er”。
c_x_ 匹配 x 指示的控制字符。例如,cM 匹配 Control-M 或回车符。x 的值必须在 A-Z 或 a-z 之间。如果不是这样,则假定 c 就是“c”字符本身。
d 数字字符匹配。等效于 [0-9]。
D 非数字字符匹配。等效于 [^0-9]。
f 换页符匹配。等效于 x0c 和 cL。
n 换行符匹配。等效于 x0a 和 cJ。
r 匹配一个回车符。等效于 x0d 和 cM。
s 匹配任何空白字符,包括空格、制表符、换页符等。与 [ fnrtv] 等效。
S 匹配任何非空白字符。与 [^ fnrtv] 等效。
t 制表符匹配。与 x09 和 cI 等效。
v 垂直制表符匹配。与 x0b 和 cK 等效。
w 匹配任何字类字符,包括下划线。与“[A-Za-z0-9_]”等效。
W 与任何非单词字符匹配。与“[^A-Za-z0-9_]”等效。

这些元字符也非常普遍,我之所以将他跟上面的通用字符分开,是因为这种类似Perl风格的正则表达式并不能被所有的工具识别。比如Linux下的egrep就无法识别这种表示方法。这就引入了下面的POSIX字符类。

POSIX字符类

符号 匹配
[:alnum:] 字母字符和数字字符;在ASCII码中,与[A-Za-z0-9]等效
[:word:] 基本与[:alnum:]一样,只是多了一个下划线字符(_)
[:alpha:] 字母字符;在ASCII中,等效于[A-Za-z]
[:blank:] 包括空格和制表符
[:cntrl:] ASCII控制码;包括ASCII字符0~31以及127
[:digit:] 数字0~9
[:graph:] 可见字符;在ASCII中,包括字符33~126
[:lower:] 小写字母
[:punct:] 标点符号字符;在ASCII中,与[-!"#$%&'()*+,./:;<=>?@[]_`{|}~]等效
[:print:] 可打印字符;包括[:graph:]中的所有字符再加上空格字符
[:space:] 空白字符如空格符、制表符、回车符、换行符、垂直制表符以及换页符。在ASCII中,等效为[ trnvf]
[:upper:] 大写字母
[:xdigit:] 用于表示十六进制的字符;在ASCII中,与[0-9A-Fa-f]等效

在使用的时候记得还要在外面包一层[  ]。比如匹配四个字母,可以写成 [[:alpha:]]{4}

这里之所以提到POSIX字符类,是因为在shell中无法使用d w 这类的元字符,只能使用POSIX字符类。

以上就是正则最基础的用法了。掌握这些就可以解决绝大多数的问题了。