本篇文章文字内容较多,但是要学习正则就必须耐心读下去,正则表达式是正则表达式其实并没有想像中的那么困难,但是想要熟练的掌握它,还是需要下功夫勤加练习的。这里讲一些正则表达式的语法和学习方法,大家还要多参考前辈们写的正则表达式,才能达到熟练精通的地步。

一、正则表达式到底是什么东西?

正则表达式,又称正规表示法、常规表示法(英语:Regular Expression,在代码中常简写为regex、regexp或RE),计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。在很多文本编辑器里,正则表达式通常被用来检索、替换那些符合某个模式的文本。

在编写处理字符串的程序或网页时,经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是用于描述这些规则的工具。换句话说,正则表达式就是记录文本规则的代码。

你使用过Windows/Dos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Word文档的话,你会搜索*.doc。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010-12345678或0321-7654321)。

二、初识正则表达式

学习正则表达式的最好方法是从例子开始,理解例子之后再对例子进行修改,实验。下面给出了不少简单的例子,并对它们作了详细的说明。

假设你在一篇英文文章里面查找hi,你可以使用正则表达式hi。

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h,后一个是i。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hi,HI,Hi,hI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him,history,high等等。用hi来查找的话,这里边的hi也会被找出来。如果要精确地查找hi这个单词的话,我们应该使用\bhi\b。

\b是正则表达式规定的一个特殊代码(好吧,某些人叫它元字符,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。

如果需要更精确的说法,\b匹配这样的位置:它的前一个字符和后一个字符不全是(一个是,一个不是或不存在)\w。

假如你要找的是hi后面不远处跟着一个Lucy,你应该用\bhi\b.*\bLucy\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\bhi\b.*\bLucy\b的意思就很明显了:先是一个单词hi,然后是任意个任意字符(但不能是换行),最后是Lucy这个单词。

换行符就是'\n',ASCII编码为10(十六进制0x0A)的字符。

如果同时使用其它元字符,我们就能构造出功能更强大的正则表达式。比如下面这个例子:

0\d\d-\d\d\d\d\d\d\d\d匹配这样的字符串:以0开头,然后是两个数字,然后是一个连字号“-”,最后是8个数字(也就是中国的电话号码。当然,这个例子只能匹配区号为3位的情形)。

这里的\d是个新的元字符,匹配一位数字(0,或1,或2,或……)。-不是元字符,只匹配它本身——连字符(或者减号,或者中横线,或者随你怎么称呼它)。

为了避免那么多烦人的重复,我们也可以这样写这个表达式:0\d{2}-\d{8}。这里\d后面的{2}({8})的意思是前面\d必须连续重复匹配2次(8次)。

三、测试正则表达式

如果你百度一下的话,会发现网上面很多正则表达式的测试工具,这里给大家推荐几个:

http://tool.oschina.net/regex   开源中国的在线正则表达式测试工具

http://tool.chinaz.com/regex/  站长之家的在线正则表达式测试工具

本地测试工具有RegEx Tester、RegexBuddy等等。

这里简单列举几个,用法都比较简单,具体怎么用,有不懂的可以留言。这里就不多说了。

四、正则表达式基础

1、元字符

现在你已经知道几个很有用的元字符了,如 \b, ., *,还有 \d.正则表达式里还有更多的元字符,比如 \s匹配 任意的空白符,包括空格,制表符(Tab),换行符,中文全角空格等。 \w匹配 字母或数字或下划线或汉字等。

对中文/汉字的特殊处理是由.Net提供的正则表达式引擎支持的,其它环境下的具体情况请查看相关文档。

下面来看看更多的例子:

\ba\w*\b匹配 以字母 a开头的单词——先是某个单词开始处( \b),然后是字母 a,然后是任意数量的字母或数字( \w*),最后是单词结束处( \b)。

好吧,现在我们说说正则表达式里的单词是什么意思吧:就是不少于一个的连续的 \w。不错,这与学习英文时要背的成千上万个同名的东西的确关系不大 :)

\d+匹配 1个或更多连续的数字。这里的 +是和 *类似的元字符,不同的是 *匹配 重复任意次(可能是0次),而 +则匹配 重复1次或更多次。

\b\w{6}\b 匹配 刚好6个字符的单词。

元字符 ^(和数字6在同一个键位上的符号)和 $都匹配一个位置,这和 \b有点类似。 ^匹配你要用来查找的字符串的开头, $匹配结尾。这两个代码在验证输入的内容时非常有用,比如一个网站如果要求你填写的QQ号必须为5位到12位数字时,可以使用: ^\d{5,12}$。

这里的 {5,12}和前面介绍过的 {2}是类似的,只不过 {2}匹配 只能不多不少重复2次, {5,12}则是 重复的次数不能少于5次,不能多于12次,否则都不匹配。

因为使用了 ^和 $,所以输入的整个字符串都要用来和 \d{5,12}来匹配,也就是说整个输入 必须是5到12个数字,因此如果输入的QQ号能匹配这个正则表达式的话,那就符合要求了。

和忽略大小写的选项类似,有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项, ^和 $的意义就变成了 匹配行的开始处和结束处。

匹配除换行符以外的任意字符 匹配字母或数字或下划线或汉字 匹配任意的空白符 匹配单词的开始或结束 匹配字符串的开始 匹配字符串的结束

2、字符转义

如果你想查找元字符本身的话,比如你查找 .,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。这时你就得使用 \来取消这些字符的特殊意义。因此,你应该使用 \.和 \*。当然,要查找 \本身,你也得用 \\.

例如: asp\.net匹配 asp.net, C:\\Windows匹配 C:\Windows。

3.重复次数

你已经看过了前面的*,+,{2},{5,12}这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,例如*,{5,12}等):

重复零次或更多次 重复一次或更多次 重复零次或一次 重复n次或更多次 {n,m} 重复n到m次

4、字符类

要想查找数字,字母或数字,空白是很简单的,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}。

“(”和“)”也是元字符,后面的分组节里会提到,所以在这里需要使用转义。

这个表达式可以匹配 几种格式的电话号码,像 (010)88886666,或 022-22334455,或 02912345678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})。

5、分支条件

不幸的是,刚才那个表达式也能匹配 010)12345678或 (022-87654321这样的“不正确”的格式。要解决这个问题,我们需要用到 分枝条件。正则表达式里的 分枝条件指的是有几种规则,如果满足其中任意一种规则都应该当成匹配,具体方法是用 |把不同的规则分隔开。听不明白?没关系,看例子:

0\d{2}-\d{8}|0\d{3}-\d{7}这个表达式能 匹配两种以连字号分隔的电话号码:一种是三位区号,8位本地号(如010-12345678),一种是4位区号,7位本地号(0376-2233445)。

\(?0\d{2}\)?[- ]?\d{8}|0\d{2}[- ]?\d{8}这个表达式 匹配3位区号的电话号码,其中区号可以用小括号括起来,也可以不用,区号与本地号间可以用连字号或空格间隔,也可以没有间隔。你可以试试用分枝条件把这个表达式扩展成也支持4位区号的。

\d{5}-\d{4}|\d{5}这个表达式用于匹配美国的邮政编码。美国邮编的规则是5位数字,或者用连字号间隔的9位数字。之所以要给出这个例子是因为它能说明一个问题: 使用分枝条件时,要注意各个条件的顺序 。如果你把它改成 \d{5}|\d{5}-\d{4}的话,那么就只会匹配5位的邮编(以及9位邮编的前5位)。原因是匹配分枝条件时,将会从左到右地测试每个条件,如果满足了某个分枝的话,就不会去再管其它的条件了。

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?你可以用小括号来指定 子表达式(也叫做 分组),然后你就可以指定这个子表达式的重复次数了,你也可以对子表达式进行其它一些操作(后面会有介绍)。

(\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})。

IP地址中每个数字都不能大于255. 经常有人问我, 01.02.03.04 这样前面带有0的数字, 是不是正确的IP地址呢? 答案是: 是的, IP 地址里的数字可以包含有前导 0 (leading zeroes).

不幸的是,它也将匹配 256.300.888.999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?,这里我就不细说了,你自己应该能分析得出来它的意义。

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:

匹配任意不是字母,数字,下划线,汉字的字符 匹配任意不是空白符的字符 匹配任意非数字的字符 匹配不是单词开头或结束的位置 匹配除了x以外的任意字符 [^abcd] 匹配除了abcd这几个字母以外的任意字符

\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、后向引用

使用小括号指定一个子表达式后, 匹配这个子表达式的文本 (也就是此分组捕获的内容)可以在表达式或其它程序中作进一步的处理。默认情况下,每个分组会自动拥有一个 组号,规则是:从左向右,以分组的左括号为标志,第一个出现的分组的组号为1,第二个为2,以此类推。

呃……其实,组号分配还不像我刚说得那么简单:

  • 分组0对应整个正则表达式
  • 实际上组号分配过程是要从左向右扫描两遍的:第一遍只给未命名组分配,第二遍只给命名组分配--因此所有命名组的组号都大于未命名的组号
  • 你可以使用 (?:exp)这样的语法来剥夺一个分组对组号分配的参与权.
  • 后向引用用于重复搜索前面某个分组匹配的文本。例如, \1代表 分组1匹配的文本。难以理解?请看示例:

    \b(\w+)\b\s+\1\b可以用来匹配 重复的单词,像 go go, 或者 kitty kitty。这个表达式首先是 一个单词,也就是 单词开始处和结束处之间的多于一个的字母或数字( \b(\w+)\b),这个单词会被捕获到编号为1的分组中,然后是 1个或几个空白符( \s+),最后是 分组1中捕获的内容(也就是前面匹配的那个单词)( \1)。

    你也可以自己指定子表达式的 组名。要指定一个子表达式的组名,请使用这样的语法: (?<Word>\w+)(或者把尖括号换成 '也行: (?'Word'\w+)),这样就把 \w+的组名指定为 Word了。要反向引用这个分组 捕获的内容,你可以使用 \k<Word>,所以上一个例子也可以写成这样: \b(?<Word>\w+)\b\s+\k<Word>\b。

    使用小括号的时候,还有很多特定用途的语法。下面列出了最常用的一些:

    代码/语法 (exp) 匹配exp,并捕获文本到自动命名的组里 (?<name>exp) 匹配exp,并捕获文本到名称为name的组里,也可以写成(?'name'exp) (?:exp) 匹配exp,不捕获匹配的文本,也不给此分组分配组号 (?=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) 这种类型的分组不对正则表达式的处理产生任何影响,用于提供注释让人阅读

    9、零宽断言

    接下来的四个用于查找在某些内容(但并不包括这些内容)之前或之后的东西,也就是说它们像 \b, ^, $那样用于指定一个位置,这个位置应该满足一定的条件(即断言),因此它们也被称为 零宽断言。最好还是拿例子来说明吧:

    断言用来声明一个应该为真的事实。正则表达式中只有当断言为真时才会继续进行匹配。

    (?=exp)也叫 零宽度正预测先行断言,它 断言自身出现的位置的后面能匹配表达式exp。比如 \b\w+(?=ing\b),匹配 以ing结尾的单词的前面部分(除了ing以外的部分),如查找 I'm singing while you're dancing.时,它会匹配 sing和 danc。

    (?<=exp)也叫 零宽度正回顾后发断言,它 断言自身出现的位置的前面能匹配表达式exp。比如 (?<=\bre)\w+\b会匹配 以re开头的单词的后半部分(除了re以外的部分),例如在查找 reading a book时,它匹配 ading。

    假如你想要给一个很长的数字中每三位间加一个逗号(当然是从右边加起了),你可以这样查找需要在前面和里面添加逗号的部分: ((?<=\d)\d{3})+\b,用它对 1234567890进行查找时结果是 234567890。

    下面这个例子同时使用了这两种断言: (?<=\s)\d+(?=\s)匹配 以空白符间隔的数字(再次强调,不包括这些空白符)。

    前面我们提到过怎么查找 不是某个字符或不在某个字符类里 的字符的方法(反义)。但是如果我们只是想要 确保某个字符没有出现,但并不想去匹配它 时怎么办?例如,如果我们想查找这样的单词--它里面出现了字母q,但是q后面跟的不是字母u,我们可以尝试这样:

    \b\w*q[^u]\w*\b匹配 包含 后面不是字母u的字母q 的单词。但是如果多做测试(或者你思维足够敏锐,直接就观察出来了),你会发现,如果q出现在单词的结尾的话,像 Iraq , Benq ,这个表达式就会出错。这是因为 [^u]总要匹配一个字符,所以如果q是单词的最后一个字符的话,后面的 [^u]将会匹配q后面的单词分隔符(可能是空格,或者是句号或其它的什么),后面的 \w*\b将会匹配下一个单词,于是 \b\w*q[^u]\w*\b就能匹配整个 Iraq fighting。 负向零宽断言能解决这样的问题,因为它只匹配一个位置,并不 消费 任何字符。现在,我们可以这样来解决这个问题: \b\w*q(?!u)\w*\b。

    零宽度负预测先行断言 (?!exp), 断言此位置的后面不能匹配表达式exp。例如: \d{3}(?!\d)匹配 三位数字,而且这三位数字的后面不能是数字; \b((?!abc)\w)+\b匹配 不包含连续字符串abc的单词。

    同理,我们可以用 (?<!exp), 零宽度负回顾后发断言来 断言此位置的前面不能匹配表达式exp: (?<![a-z])\d{7}匹配 前面不是小写字母的七位数字。

    请详细分析表达式 (?<=<(\w+)>).*(?=<\/\1>),这个表达式最能表现零宽断言的真正用途。

    一个更复杂的例子: (?<=<(\w+)>).*(?=<\/\1>)匹配 不包含属性的简单HTML标签内里的内容。 (?<=<(\w+)>)指定了这样的 前缀: 被尖括号括起来的单词(比如可能是<b>),然后是 .*(任意的字符串),最后是一个 后缀 (?=<\/\1>)。注意后缀里的 \/,它用到了前面提过的字符转义; \1则是一个反向引用,引用的正是 捕获的第一组,前面的 (\w+)匹配的内容,这样如果前缀实际上是<b>的话,后缀就是</b>了。整个表达式匹配的是<b>和</b>之间的内容(再次提醒,不包括前缀和后缀本身)。

    补充知识:

    正则表达式的先行断言和后行断言一共有4种形式:
    (?=pattern) 零宽正向先行断言(zero-width positive lookahead assertion)
    (?!pattern) 零宽负向先行断言(zero-width negative lookahead assertion)
    (?<=pattern) 零宽正向后行断言(zero-width positive lookbehind assertion)
    (?<!pattern) 零宽负向后行断言(zero-width negative lookbehind assertion)
    这里面的pattern是一个正则表达式。

    如同^代表开头,$代表结尾,\b代表单词边界一样,先行断言和后行断言也有类似的作用,它们只匹配某些 位置 ,在匹配过程中,不占用字符,所以被称为“零宽”。所谓 位置 ,是指字符串中(每行)第一个字符的左边、最后一个字符的右边以及相邻字符的中间(假设文字方向是头左尾右)。
    下面分别举例来说明这4种断言的含义。

    (?=pattern) 正向先行断言
    代表字符串中的一个位置, 紧接该位置之后 的字符序列 能够匹配 pattern。
    例如对”a regular expression”这个字符串,要想匹配 re gular中的re,但不能匹配expression中的re,可以用”re(?=gular)”,该表达式限定了re右边的位置,这个位置之后是gular,但并不消耗gular这些字符,将表达式改为”re(?=gular).”,将会匹配reg,元字符.匹配了g,括号这一砣匹配了e和g之间的位置。

    (?!pattern) 负向先行断言
    代表字符串中的一个位置, 紧接该位置之后 的字符序列 不能匹配 pattern。
    例如对”regex represents regular expression”这个字符串,要想匹配除 re gex和 re gular之外的re,可以用”re(?!g)”,该表达式限定了re右边的位置,这个位置后面不是字符g。负向和正向的区别,就在于该位置之后的字符能否匹配括号中的表达式。

    (?<=pattern) 正向后行断言
    代表字符串中的一个位置, 紧接该位置之前 的字符序列 能够匹配 pattern。
    例如对”regex represents regular expression”这个字符串,有4个单词,要想匹配单词内部的re,但不匹配单词开头的re,可以用”(?<=\w)re”,单词内部的re,在re前面应该是一个单词字符。之所以叫后行断言,是因为正则表达式引擎在匹配字符串和表达式时,是从前向后逐个扫描字符串中的字符,并判断是否与表达式符合,当在表达式中遇到该断言时,正则表达式引擎需要往字符串前端检测已扫描过的字符,相对于扫描方向是向后的。

    (?<!pattern) 负向后行断言
    代表字符串中的一个位置, 紧接该位置之前 的字符序列 不能匹配 pattern。
    例如对”regex represents regular expression”这个字符串,要想匹配单词开头的re,可以用”(?<!\w)re”。单词开头的re,在本例中,也就是指不在单词内部的re,即re前面不是单词字符。当然也可以用”\bre”来匹配。

    对于这4个断言的理解,可以从两个方面入手:
    1.关于先行(lookahead)和后行(lookbehind):正则表达式引擎在执行字符串和表达式匹配时,会从头到尾(从前到后)连续扫描字符串中的字符,设想有一个扫描指针指向字符边界处并随匹配过程移动。先行断言,是当扫描指针位于某处时,引擎会尝试匹配指针还未扫过的字符,先于指针到达该字符,故称为先行。后行断言,引擎会尝试匹配指针已扫过的字符,后于指针到达该字符,故称为后行。
    2.关于正向(positive)和负向(negative):正向就表示匹配括号中的表达式,负向表示不匹配。

    对这4个断言形式的记忆:
    1.先行和后行:后行断言(?<=pattern)、(?<!pattern)中,有个小于号,同时也是箭头,对于自左至右的文本方向,这个箭头是指向后的,这也比较符合我们的习惯。把小于号去掉,就是先行断言。
    2.正向和负向:不等于(!=)、逻辑非(!)都是用!号来表示,所以有!号的形式表示不匹配、负向;将!号换成=号,就表示匹配、正向。

    我们经常用正则表达式来检测一个字符串中包含某个子串,要表示一个字符串中不包含某个字符或某些字符也很容易,用[^...]形式就可以了。要表示一个字符串中不包含某个子串(由字符序列构成)呢?
    用[^...]这种形式就不行了,这时就要用到(负向)先行断言或后行断言、或同时使用。
    例如判断一句话中包含this,但不包含that。
    包含this比较好办,一句话中不包含that,可以认为这句话中每个字符的前面都不是that或每个字符的后面都不是that。正则表达式如下:
    ^((?<!that).)*this((?<!that).)*$ 或 ^(.(?!that))*this(.(?!that))*$
    对于”this is the case”这句话,两个表达式都能够匹配成功,而”note that this is the case”都匹配失败。
    在一般情况下,这两个表达式基本上都能够满足要求了。考虑极端情况,如一句话以that开头、以that结尾、that和this连在一起时,上述表达式就可能不胜任了。
    如”note thatthis is the case”或者”this is the case, not that”等。
    只要灵活运用这几个断言,就很容易解决:
    ^(.(?<!that))*this(.(?<!that))*$
    ^(.(?<!that))*this((?!that).)*$
    ^((?!that).)*this(.(?<!that))*$
    ^((?!that).)*this((?!that).)*$
    这4个正则表达式测试上述的几句话,结果都能够满足要求。

    上述4种断言,括号里的pattern本身是一个正则表达式。但对2种 后行断言 有所限制,在Perl和Python中,这个表达式必须是定长(fixed length)的,即不能使用*、+、?等元字符,如(?<=abc)没有问题,但(?<=a*bc)是不被支持的,特别是当表达式中含有|连接的分支时,各个分支的长度必须相同。之所以不支持变长表达式,是因为当引擎检查后行断言时,无法确定要回溯多少步。Java支持?、{m}、{n,m}等符号,但同样不支持*、+字符。Javascript干脆不支持后行断言,不过一般来说,这不是太大的问题。

    10、贪婪匹配和懒惰匹配

    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(在使整个表达式能得到匹配的前提下)匹配 尽可能多 的字符。以这个表达式为例: a.*b,它将会匹配 最长的以a开始,以b结束的字符串。如果用它来搜索 aabab的话,它会匹配整个字符串 aabab。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)。

    代码/语法

    11、注释

    小括号的另一种用途是通过语法 (?#comment)来包含注释。例如: 2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。

    要包含注释的话,最好是启用“忽略模式里的空白符”选项,这样在编写表达式时能任意的添加空格,Tab,换行,而实际使用时这些都将被忽略。启用这个选项后,在#后面到这一行结束的所有文本都将被当成注释忽略掉。例如,我们可以前面的一个表达式写成这样:

          (?<=    # 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
          <\/\1>  # 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

    12、平衡组/递归匹配

    有时我们需要匹配像 ( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构,这时简单地使用 \(.+\)则只会匹配到最左边的左括号和最右边的右括号之间的内容(这里我们讨论的是贪婪模式,懒惰模式也有下面的问题)。假如原来的字符串里的左括号和右括号出现的次数不相等,比如 ( 5 / ( 3 + 2 ) ) ),那我们的匹配结果里两者的个数也不会相等。有没有办法在这样的字符串里匹配到最长的,配对的括号之间的内容呢?

    为了避免 (和 \(把你的大脑彻底搞糊涂,我们还是用尖括号代替圆括号吧。现在我们的问题变成了如何把 xx <aa <bbb> <bbb> aa> yy这样的字符串里,最长的配对的尖括号内的内容捕获出来?

    这里需要用到以下的语法构造:

  • (?'group') 把捕获的内容命名为group,并压入 堆栈(Stack)
  • (?'-group') 从堆栈上弹出最后压入堆栈的名为group的捕获内容,如果堆栈本来为空,则本分组的匹配失败
  • (?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话,继续匹配yes部分的表达式,否则继续匹配no部分
  • (?!) 零宽负向先行断言,由于没有后缀表达式,试图匹配总是失败
  • 如果你不是一个程序员(或者你自称程序员但是不知道堆栈是什么东西),你就这样理解上面的三种语法吧:第一个就是在黑板上写一个"group",第二个就是从黑板上擦掉一个"group",第三个就是看黑板上写的还有没有"group",如果有就继续匹配yes部分,否则就匹配no部分。

    我们需要做的是每碰到了左括号,就在压入一个"Open",每碰到一个右括号,就弹出一个,到了最后就看看堆栈是否为空--如果不为空那就证明左括号比右括号多,那匹配就应该失败。正则表达式引擎会进行回溯(放弃最前面或最后面的一些字符),尽量使整个表达式得到匹配。

    <                         #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

    平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配 嵌套的<div>标签: <div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>.

    免责声明:

    大部分内容转载自 http://www.jb51.net/tools/zhengze.html,主要对其格式做整理,方便大家学习。