<style> <!-- .p {text-indent:2em} --> </style>

今天下午“光榮”的分到了59個bug，磨刀不誤砍柴工，先學一下正則表達式……

入門

\b 是正則表達式規定的一個特殊代碼（好吧，某些人叫它 元字符，metacharacter ），代表著 單詞的開頭或結尾，也就是單詞的分界處 。雖然通常英文的單詞是由空格，標點符號或者換行來分隔的，但是 \b 并不匹配這些單詞分隔字符中的任何一個，它 只匹配一個位置 。

如果需要更精確的說法， \b 匹配這樣的位置：它的前一個字符和后一個字符不全是(一個是,一個不是或不存在) \w 。

假如你要找的是 hi后面不遠處跟著一個Lucy ，你應該用 \bhi\b.*\bLucy\b 。若要匹配"A B"，則使用 A\sB 或者 A\b\s\bB 等。 表達式 " . \b . " 在匹配 "@@@abc" 時 ，匹配結果是：成功；匹配到的內容是："@a"；匹配到的位置是：開始于2，結束于4。 表達式 " \b end \b " 在匹配 "weekend,endfor,end" 時 ，匹配結果是：成功；匹配到的內容是："end"；匹配到的位置是：開始于15，結束于18。

這里， . 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復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符 。?匹配 重復零次或一次 。

元字符

\s 匹配 任意的空白符，包括空格，制表符(Tab)，換行符，中文全角空格等 。 \w 匹配 字母或數字或下劃線或漢字等 。

對中文/漢字的特殊處理是由.Net提供的正則表達式引擎支持的，其它環境下的具體情況請查看相關文檔。

和忽略大小寫的選項類似，有些正則表達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 匹配行的開始處和結束處 。

分枝條件

\(?0\d{2}[) -]?\d{8} 。

“(”和“)”也是元字符，后面的分組節里會提到，所以在這里需要使用轉義。

這個表達式可以匹配 幾種格式的電話號碼 ，像 (010)88886666 ，或 022-22334455 ，或 02912345678 等。

不幸的是，剛才那個表達式也能匹配 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 。正則表達式里的 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。聽不明白？沒關系，看例子：

0\d{2}-\d{8}|0\d{3}-\d{7} 這個表達式能 匹配兩種以連字號分隔的電話號碼：一種是三位區號，8位本地號(如010-12345678)，一種是4位區號，7位本地號(0376-2233445) 。

\(?0\d{2}\)?[- ]?\d{8}|0\d{2}[- ]?\d{8} 這個表達式 匹配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持4位區號的。

\d{5}-\d{4}|\d{5} 這個表達式用于匹配美國的郵政編碼。美國郵編的規則是5位數字，或者用連字號間隔的9位數字。之所以要給出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，那么就只會匹配5位的郵編(以及9位郵編的前5位)。原因是匹配分枝條件時，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。

反義

代碼/語法 說明 常用的反義代碼

\W	匹配任意不是字母，數字，下劃線，漢字的字符
\S	匹配任意不是空白符的字符
\D	匹配任意非數字的字符
\B	匹配不是單詞開頭或結束的位置
[^x]	匹配除了x以外的任意字符
[^aeiou]	匹配除了aeiou這幾個字母以外的任意字符

例：<a[^>]+> 匹配 用尖括號括起來的以a開頭的字符串 。

分組與后向引用

可以用小括號來指定 子表達式 (也叫做 分組 )，然后你就可以指定這個子表達式的重復次數了。例如： 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?) 。

使用小括號指定一個子表達式后，匹配這個子表達式的文本(也就是此分組捕獲的內容)可以在表達式或其它程序中作進一步的處理。默認情況下，每個分組會自動擁有一個 組號 ， 分組0對應整個正則表達式。 后向引用 用于重復搜索前面某個分組匹配的文本。例如， \1 代表 分組1匹配的文本 。 \b(\w+)\b\s+\1\b 可以用來匹配 重復的單詞 ，像 go go , 或者 kitty kitty 。

實際上組號分配過程是要從左向右掃描兩遍的：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于未命名的組號， 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。

你也可以自己指定子表達式的 組名 。 (?<Word>\w+) (或者把尖括號換成 ' 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。下面列出了最常用的一些：

分類 代碼/語法 說明 捕獲 零寬斷言 注釋 常用分組語法

(exp)	匹配exp,并捕獲文本到自動命名的組里
(?<name>exp)	匹配exp,并捕獲文本到名稱為name的組里，也可以寫成(?'name'exp)
(?:exp)	匹配exp,不捕獲匹配的文本，也不給此分組分配組號
(?=exp)	匹配exp前面的位置
(?<=exp)	匹配exp后面的位置
(?!exp)	匹配后面跟的不是exp的位置
(?<!exp)	匹配前面不是exp的位置
(?#comment)	這種類型的分組不對正則表達式的處理產生任何影響，用于提供注釋讓人閱讀

零寬斷言

斷言用來聲明一個應該為真的事實。正則表達式中只有當斷言為真時才會繼續進行匹配。 接下來的四個用于查找在某些內容(但并不包括這些內容)之前或之后的東西，也就是說它們像 \b , ^ , $ 那樣用于指定一個位置，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 。

(?=exp) 也叫 零寬度正預測先行斷言 ，它 斷言自身出現的位置的后面能匹配表達式exp 。比如 \b\w+(?=ing\b) ，匹配 以ing結尾的單詞的前面部分(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 。 \b(?=\w{7}\b)\w*clip\w*\b ，匹配包含clip的七個字符的單詞。

(?<=exp) 也叫 零寬度正回顧后發斷言 ，它 斷言自身出現的位置的前面能匹配表達式exp 。比如 (?<=\bre)\w+\b 會匹配 以re開頭的單詞的后半部分(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種斷言： (?<=\s)\d+(?=\s) 匹配 以空白符間隔的數字(再次強調，不包括這些空白符) 。

負向零寬斷言

前面我們提到過怎么查找 不是某個字符或不在某個字符類里 的字符的方法(反義)。但是如果我們只是想要 確保某個字符沒有出現，但并不想去匹配它 時怎么辦？例如，如果我們想查找這樣的單詞--它里面出現了字母q,但是q后面跟的不是字母u,我們可以嘗試這樣：

\b\w*q[^u]\w*\b 匹配 包含 后面不是字母u的字母q 的單詞 。但是如果多做測試(或者你思維足夠敏銳，直接就觀察出來了)，你會發現，如果q出現在單詞的結尾的話，像 Iraq , Benq ，這個表達式就會出錯。這是因為 [^u] 總要匹配一個字符，所以如果q是單詞的最后一個字符的話，后面的 [^u] 將會匹配q后面的單詞分隔符(可能是空格，或者是句號或其它的什么)，后面的 \w*\b 將會匹配下一個單詞，于是 \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，并不 消費 任何字符。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) ， 斷言此位置的后面不能匹配表達式exp 。例如： \d{3}(?!\d) 匹配 三位數字，而且這三位數字的后面不能是數字 ； \b((?!abc)\w)+\b 匹配 不包含連續字符串abc的單詞 。

同理，我們可以用 (?<!exp) , 零寬度負回顧后發斷言 來 斷言此位置的前面不能匹配表達式exp ： (?<![a-z])\d{7} 匹配 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。

一個更復雜的例子： (?<=<(\w+)>).*(?=<\/\1>) 匹配 不包含屬性的簡單HTML標簽內里的內容 。 (?<=<(\w+)>) 指定了這樣的 前綴 ： 被尖括號括起來的單詞 (比如可能是<b>)，然后是 .* (任意的字符串),最后是一個 后綴 (?=<\/\1>) 。注意后綴里的 \/ ，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，這樣如果前綴實際上是<b>的話，后綴就是</b>了。整個表達式匹配的是<b>和</b>之間的內容(再次提醒，不包括前綴和后綴本身)。

貪婪與懶惰

當正則表達式中包含能接受重復的限定符時，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 的字符。以這個表達式為例： a.*b ，它將會匹配 最長的以a開始，以b結束的字符串 。如果用它來搜索 aabab 的話，它會匹配整個字符串 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 的字符。前面給出的限定符都可以被轉化為懶惰匹配模式，只要在它后面加上一個問號 ? 。這樣 .*? 就意味著 匹配任意數量的重復，但是在能使整個匹配成功的前提下使用最少的重復 。現在看看懶惰版的例子吧：

a.*?b 匹配 最短的，以a開始，以b結束的字符串 。如果把它應用于 aabab 的話，它會匹配 aab（第一到第三個字符） 和 ab（第四到第五個字符） 。

為什么第一個匹配是aab（第一到第三個字符）而不是ab（第二到第三個字符）？簡單地說，因為正則表達式有另一條規則，比懶惰／貪婪規則的優先級更高：最先開始的匹配擁有最高的優先權——The match that begins earliest wins。

代碼/語法 說明 懶惰限定符

*?	重復任意次，但盡可能少重復
+?	重復1次或更多次，但盡可能少重復
??	重復0次或1次，但盡可能少重復
{n,m}?	重復n到m次，但盡可能少重復
{n,}?	重復n次以上，但盡可能少重復

處理選項

在C#中，你可以使用Regex(String, RegexOptions)構造函數來設置正則表達式的處理選項。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則表達式的方式。下面是.Net中常用的正則表達式選項：

名稱 說明 表6.常用的處理選項

IgnoreCase(忽略大小寫)	匹配時不區分大小寫。
Multiline(多行模式)	更改 ^ 和 $ 的含義，使它們分別在任意一行的行首和行尾匹配，而不僅僅在整個字符串的開頭和結尾匹配。(在此模式下, $ 的精確含意是:匹配\n之前的位置以及字符串結束前的位置.) 例如：默認情況下，表達式 "^" 和 "$" 只匹配字符串的開始 ① 和結尾 ④ 位置。如： ①xxxxxxxxx②\n ③xxxxxxxxx④ 配置為 Multiline 可以使 "^" 匹配 ① 外，還可以匹配換行符之后，下一行開始前 ③ 的位置，使 "$" 匹配 ④ 外，還可以匹配換行符之前，一行結束 ② 的位置。
Singleline(單行模式)	默認情況下，小數點 "." 匹配除了換行符（\n）以外的字符。配置為 Singleline 可使小數點可匹配包括換行符在內的所有字符。
IgnorePatternWhitespace(忽略空白)	忽略表達式中的非轉義空白并啟用由 # 標記的注釋。
ExplicitCapture(顯式捕獲)	僅捕獲已被顯式命名的組。

一個經常被問到的問題是：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系 ，除了它們的名字比較相似（以至于讓人感到疑惑）以外。

其它語法

實戰--牛刀小試

正則表達式--筆記與實戰(Eclipse文本替換）