正則表達式高級學習技巧

2020-03-16 21:20:52

字體：大中小

來源：轉載

供稿：網友

什么是RE?

想必各位大大在做文件查找的時侯都有使用過萬用字符”*”，比如說想查找在Windows目錄下所有的Word文件時，你可能就會用”*.doc”這樣的方式來做查找，因為”*”所代表的是任意的字符。RE所做的就是類似這樣的功能，但其功能更為強大。

寫程序時，常需要比對字符串是否符合特定樣式，RE最主要的功能就是來描述這特定的樣式，因此可以將RE視為特定樣式的描述式，舉個例子來說，”/w+”所代表的就是任何字母與數字所組成的非空字符串(non-nullstring)。在.NETframework中提供了非常強大的類別庫，藉此可以很輕易的使用RE來做文字的查找與取代、對復雜標頭的譯碼及驗證文字等工作。

接下來，就讓我們來體驗一些例子吧。

一些簡單的例子

假設要查找文章中Elvis后接有alive的文字符串的話，使用RE可能會經過下列的過程，括號是所下RE的意思：

1.elvis(查找elvis)

上述代表所要查找的字符順序為elvis。在.NET中可以設定乎略字符的大小寫，所以”Elvis”、”ELVIS”或者是”eLvIs”都是符合1所下的RE。但因為這只管字符出現的順序為elvis，所以pelvis也是符合1所下的RE?？梢杂?的RE來改進。

2./belvis/b(將elvis視為一整體的字查找，如elvis、Elvis乎略字符大小寫時)

“/b”在RE中有特別的意思，在上述的例子中所指的就是字的邊界，所以/belvis/b用/b把elvis的前后邊界界定出來，也就是要elvis這個字。

假設要將同一行里elvis后接有alive的文字符串找出來，此時就會用到另外二個特別意義的字符”.”及”*”。”.”所代表就是除了換行字符的任意字符，而”*”所代表的是重復*之前項目直到找到符合RE的字符串。所以”.*”所指的就是除了換行字符外的任意數目的字符數。所以查找同一行里elvis后接有alive的文字符串找出來，則可下如3之RE。

3./belvis/b.*/balive/b(查找elvis后面接有alive的文字符串，如elvisisalive)

用簡單之特別字符就可以組成功能強大的RE，但也發現當使用越來越多的特別字符時，RE就會越來越難看得懂了。

再看看另外的例子

組成有效的電話號碼

假使要從網頁上收集顧客格式為xxx-xxxx的7位數字的電話號碼，其中x是數字，RE可能會這樣寫。

4./b/d/d/d-/d/d/d/d(查找七位數字之電話號碼，如123-1234)

每一個/d代表一個數字。”-”則是一般的連字符號，為避免太多重復的/d，RE可以改寫成如5的方式。

5./b/d{3}-/d{4}(查找七位數字電話號碼較好的方法，如123-1234)

在/d后的{3}，代表重復前一個項目三次，也就是相等于/d/d/d。

RE的學習及測試工具Expresso

因為RE不易閱讀及使用者容易會下錯RE的特性，Jim大大開發了一個工具軟件Expresso，用來幫助使用者學習及測試RE，除了上面所述的網址之外，也可以上Ultrapico網站。安裝完expresso后，在expression%20%20library中，jim大大把文章的例子都建立在其中，可以邊看文章邊測試，也可以試著修改范例所下的re，馬上可以看到結果，小弟覺得非常好用。各位大大可以試試。/"。安裝完Expresso后，在ExpressionLibrary中，Jim大大把文章的例子都建立在其中，可以邊看文章邊測試，也可以試著修改范例所下的RE，馬上可以看到結果，小弟覺得非常好用。各位大大可以試試。

.NET中RE的基礎概念

特殊字符

有些字符有特別的意義，比如之前所看到的”/b”、”.”、”*”、”/d”等。”/s”所代表的是任意空格符，比如說spaces、tabs、newlines等.。”/w”代表是任意字母或數字字符。

再看一些例子吧

6./ba/w*/b(查找a開頭的字，如able)

這RE描述要查找一個字的開始邊界(/b)，再來是字母”a”，再加任意數目的字母數字(/w*)，再接結束這個字的結束邊界(/b)。

7./d+(查找數字字符串)

“+”和”*”非常相似，除了+至少要重復前面的項目一次。也就是說至少有一個數字。

8./b/w{6}/b(查找六個字母數字的字，如ab123c)

下表為RE常用的特殊字符

.除了換行字符的任意字符

/w任意字母數字字符

/s任意空格符

/d任意數字字符

/b界定字的邊界

^文章的開頭，如”^The''用以表示出現于文章開頭的字符串為”The”

$文章的結尾，如”End$”用以表示出現在文章的結尾為”End”

特殊字符”^”及”$”是用來查找某些字必需是文章的開頭或結尾，這在驗證輸入是否符合某一樣式時特別用有，比如說要驗證七位數字的電話號碼，可能會輸入如下9的RE。

9.^/d{3}-/d{4}$(驗證七位數字之電話號碼)

這和第5個RE相同，但其前后都無其它的字符，也就是整串字符串只有這七個數字的電話號碼。在.NET中如果設定Multiline這個選項，則”^”和”$”會每行進行比較，只要某行的開頭結尾符合RE即可，而不是整個文章字符串做一次比較。

轉意字符(Escapedcharacters)

有時可能會需要”^”、”$”單純的字面意義(literalmeaning)而不要將它們當成特殊字符，此時”/”字符就是用來移除特殊字符特別意義的字符，因此”/^”、”/.”、”//”所代表的就是”^”、”.”、”/”的字面意義。

重復前述項目

在前面看過”{3}”及”*”可以用來重復前述字符，之后我們會看到如何用同樣的語法重復整個次描述(subexpressions)。下表是使用重復前述項目的一些方式。

*重復任意次數

+重復至少一次

?重復零次或一次

{n}重復n次

{n,m}重復至少n次，但不超過m次

{n,}重復至少n次

再來試一些例子吧

10./b/w{5,6}/b(查找五個或六個字母數字字符的字，如as25d、d58sdf等)

11./b/d{3}/s/d{3}-/d{4}(查找十個數字的電話號碼，如800123-1234)

12./d{3}-/d{2}-/d{4}(查找社會保險號碼，如123-45-6789)

13.^/w*(每行或整篇文章的第一個字)

在Espresso可試試有Multiline和沒Multiline的不同。

匹配某范圍的字符

有時需要查找某些特定的字符時怎么辨?這時中括號”[]”就派上了用場。因此[aeiou]所要查找的是”a”、”e”、”i”、”o”、”u”這些元音，[.?!]所要查找的是”.”、”?”、”!”這些符號，在中括號中的特殊字符的特別意義都會被移除，也就是解譯成單純的字面意義。也可以指定某些范圍的字符，如”[a-z0-9]”，所指的就是任意小寫字母或任意數字。

接下來再看一個比較初復雜查找電話號碼的RE例子

14./(?/d{3}[(]/s?/d{3}[-]/d{4}(查找十位數字之電話號碼，如(080)333-1234)

這樣的RE可查找出較多種格式的電話號碼，如(080)123-4567、5112546654等。”/(?”代表一個或零個左小括號”(“，而”[(]”代表查找一個右小括號”)”或空格符，”/s?”指一個或零個空格符組。但這樣的RE會將類似”800)45-3321”這樣的電話找出來，也就是括號沒有對稱平衡的問題，之后會學到擇一(alternatives)來決解這樣的問題。

不包含在某特定字符組里(Negation)

有時需要查找在包含在某特定字符組里的字符，下表說明如何做類似這樣的描述。

/W不是字母數字的任意字符

/S不是空格符的任意字符

/D不是數字字符的任意字符

/B不在字邊界的位置

[^x]不是x的任意字符

[^aeiou]不是a、e、i、o、u的任意字符

15./S+(不包含空格符的字符串)

擇一(Alternatives)

有時會需要查找幾個特定的選擇，此時”|”這個特殊字符就派上用場了，舉例來說，要查找五個數字及九個數字(有”-”號)的郵政編碼。

16./b/d{5}-/d{4}/b|/b/d{5}/b(查找五個數字及九個數字(有”-”號)的郵政編碼)

在使用Alternatives時需要注意的是前后的次序，因為RE在Alternatives中會優先選擇符合最左邊的項目，16中，如果把查找五個數字的項目放在前面，則這RE只會找到五個數字的郵政編碼。了解了擇一，可將14做更好的修正。

17.(/(/d{3}/)|/d{3})/s?/d{3}[-]/d{4}(十個數字的電話號碼)

群組(Grouping)

括號可以用來介定一個次描述，經由次描述的介定，可以針對次描述做重復或及他的處理。

18.(/d{1,3}/.){3}/d{1,3}(尋找網絡地址的簡單RE)

此RE的意思第一個部分(/d{1,3}/.){3}，所指的是，數字最小一位最多三位，并且后面接有”.”符號，此類型的共有三個，之后再接一到三位的數字，也就是如192.72.28.1這樣的數字。

但這樣會有個缺點，因為網絡地址數字最多只到255，但上述的RE只要是一到三位的數字都是符合的，所以這需要讓比較的數字小于256才行，但只單獨使用RE并無法做這樣的比較。在19中使用擇一來將地址的限制在所需要的范圍內，也就是0到255。

19.((2[0-4]/d|25[0-5]|[01]?/d/d?)/.){3}(2[0-4]/d|25[0-5]|[01]?/d/d?)(尋找網絡地址)

有沒有發覺RE越來越像外星人說的話了?就以簡單的尋找網絡地址，直接看RE都滿難理解的哩。

ExpressoAnalyzerView

Expresso提供了一個功能，它可以將所下的RE變成樹狀的說明，一組組的分開說明，提供了一個好的除錯環境。其它的功能，如部分符合(PartialMatch只查找反白RE的部分)及除外符合(ExcludeMatch只不查找反白RE的部分)就留給各位大大試試啰。

當次描述用括號群組起來時，符合次描述的文字可用在之后的程序處理或RE本身。在預設的情型下，所符合的群組是由數字命名，由1開始，由順序是由左至右，這自動群組命名，可在Expresso中的skeletonview或resultview中看到。

Backreference是用來查找群組中抓取的符合文字所相同的文字。舉例來說”/1”所指符合群組1所抓取的文字。

20./b(/w+)/b/s*/1/b(尋找重復字，此處說的重復是指同樣的字，中間有空白隔開如dogdog這樣的字)

(/w+)會抓取至少一個字符的字母或數字的字，并將它命名為群組1，之后是查找任意空格符，再接和群組1相同的文字。

如果不喜歡群組自動命名的1，也可以自行命名，以上述例子為例，(/w+)改寫為(?/w+)，這就是將所抓取的群組命名為Word，Backreference就要改寫成為/k

21./b(?/w+)/b/s*/k/b(使用自行命名群組抓取重復字)

使用括號還有許多特別的語法元素，比較通用的列表如下：

抓取(Captures)

(exp)符合exp并抓取它進自動命名的群組

(?exp)符合exp并抓取它進命名的群組name

(?:exp)符合exp，不抓取它

Lookarounds

(?=exp)符合字尾為exp的文字

(?<=exp)符合前綴為exp的文字

(?!exp)符合后面沒接exp字尾的文字

批注Comment

(?#comment)批注

PositiveLookaround

接下來要談的是lookahead及lookbehindassertions。它們所查找的是目前符合之前或之后的文字，并不包含目前符合本身。這些就如同”^”及”/b”特殊字符，本身并不會對應任何文字(用來界定位置)，也因此稱做是zero-widthassertions，看些例子也許會清楚些。

(?=exp)是一個”zero-widthpositivelookaheadassertion”。它指的就是符合字尾為exp的文字，但不包含exp本身。

22./b/w+(?=ing/b)(字尾為ing的字，比如說filling所符合的就是fill)

(?<=exp)是一個”zero-widthpositivelookbehindassertion”。它指的就是符合前綴為exp的文字，但不包含exp本身。

23.(?<=/bre)/w+/b(前綴為re的字，比如說repeated所符合的就是peated)

24.(?<=/d)/d{3}/b(在字尾的三位數字，且之前接一位數字)

25.(?<=/s)/w+(?=/s)(由空格符分隔開的字母數字字符串)

NegativeLookaround

之前有提到，如何查找一個非特定或非在特定群組的字符。但如果只是要驗證某字符不存在而不要對應這些字符進來呢?舉個例子來說，假設要查找一個字，它的字母里有q但接下來的字母不是u，可以用下列的RE來做。

26./b/w*q[^u]/w*/b(一個字，其字母里有q但接下來的字母不是u)

這樣的RE會有一個問題，因為[^u]要對應一個字符，所以若q是字的最后一個字母，[^u]這樣的下法就會將空格符對應下去，結果就有可能會符合二個字，比如說”Iraqhaha”這樣的文字。使用NegativeLookaround就能解決這樣的問題。

27./b/w*q(?!u)/w*/b(一個字，其字母里有q但接下來的字母不是u)

這是”zero-widthnegativelookaheadassertion”。

28./d{3}(?!/d)(三個位的數字，其后不接一個位數字)

同樣的，可以使用(?

29.(?

30.(?<=<(/w+)>.*(?=<///1>(HTML卷標間的文字)

這使用lookahead及lookbehindassertion來取出HTML間的文字，不包括HTML卷標。

請批注(CommentsPlease)

括號還有個特殊的用途就是用來包住批注，語法為”(?#comment)”，若設定”IgnorePatternWhitespace”選項，則RE中的空格符當RE使用時會乎略。此選項設定時，”#”之后的文字會乎略。

31.HTML卷標間的文字，加上批注

(?<=　#查找前綴，但不包含它

<(/w+)>#HTML標簽

)#結束查找前綴

.*#符合任何文字

(?=#查找字尾，但不包含它

<///1>#符合所抓取群組1之字符串，也就是前面小括號的HTML標簽

)#結束查找字尾

尋找最多字符的字及最少字符的字(GreedyandLazy)

當RE下要查找一個范圍的重復時(如”.*”)，它通常會尋找最多字符的符合字，也就是Greedymatching。舉例來說。

32.a.*b(開始為a結束為b的最多字符的符合字)

若有一字符串是”aabab”，使用上述RE所得到的符合字符串就是”aabab”，因為這是尋找最多字符的字。有時希望是符合最少字符的字也就是lazymatching。只要將重復前述項目的表加上問號(?)就可以把它們全部變成lazymatching。因此”*?”代表的就是重復任意次數，但是使用最少重復的次數來符合。舉個例子來說：

33.a.*?b(開始為a結束為b的最少字符的符合字)

若有一字符串是”aabab”，使用上述RE第一個所得到的符合字符串就是”aab”再來是”ab”，因為這是尋找最少字符的字。

*?重復任意次數，最少重復次數為原則

+?重復至少一次，最少重復次數為原則

??重復零次或一次，最少重復次數為原則

{n,m}?重復至少n次，但不超過m次，最少重復次數為原則

{n,}?重復至少n次，最少重復次數為原則

還有什么沒提到呢?

到目前為止，已經提到了許多建立RE的元素，當然還有許多元素沒有提到，下表整理了一些沒提到的元素，在最左邊的字段的數字是說明在Expresso中的例子。

#語法說明

/aBell字符

/b通常是指字的邊界，在字符組里所代表的就是backspace