第?26?章?正則表達式 · 開源世界旅行手冊

## 第?26?章?正則表達式 **目錄** [](ch26.html#id3119846) [簡介](ch26s02.html) [運算優先級](ch26s03.html) [轉義符](ch26s04.html) [字符類](ch26s05.html) [限定符](ch26s06.html) [貪婪與懶惰](ch26s06.html#id3120652) [分支條件](ch26s07.html) [分組、捕獲](ch26s08.html) [分組](ch26s08.html#id3120847) [捕獲](ch26s08.html#id3120909) [零寬斷言](ch26s09.html) [負向零寬斷言](ch26s09.html#id3121214) ## 簡介對于文本內容的處理，通常使用交互方式，手工調整；但如果你對源文本比較了解，則可以采用自動化的批量處理方式，這種方式效率高、迅速快批量處理，要求根據一定規則，匹配源文本中的字符，轉換為目標文本，這就要用到正則表達式最簡單的例子，使用`regular`進行匹配，結果如下： ``` `regular` expression ``` 正則表達式有許多變種：glob 表達式、基本正則表達式、perl 正則表達式、emacs 正則表達式…… 如[“通配符”一節](ch14s06.html#glob "通配符")中介紹的為最簡單的 glob 表達式 ## 運算優先級正則表達式與數學表達式的不同在于，數學表達式執行數學運算，而正則表達式執行字符運算；相同的是，它們都按一定的優先級進行運算 | 運算符 | 操作 | | --- | --- | | \ | 轉義符 | | () | 捕獲、匹配、斷言 | | [] | 字符類 | | *+? | 限定符 | | {} | 范圍 | | ^$ | 位置和順序 | | | | 或 | ## 轉義符如果源文本中出現了正則表達式中的運算符，如`(`，使用 `(` 無法匹配下列文本中的括弧，這時要使用 `\` 進行轉義。用 `\(`匹配[[48](ch26s04.html#ftn.id3119995)]: ``` `(`regular expression) ``` 在文本中匹配[“運算優先級”一節](ch26s03.html "運算優先級")中的所有運算符，都要用這種形式： ``` \運算符 ``` 在文本中匹配`\`本身，要用 `\\` 非運算符前使用 `\` ，則有特殊的意義，例如`\n`匹配一個換行符。常用轉義字符： | 轉義字符 | 涵義 | | --- | --- | --- | | 常規匹配 | . | 匹配除換行符以外的任意字符 | | \w | 匹配字母或數字或下劃線或漢字 | | \s | 匹配任意的空白符 | | \d | 匹配數字 | | \b | 匹配單詞的開始或結束，在字符類里代表退格 | | ^ | 匹配字符串的開始，在字符類里表示”非“ | | $ | 匹配字符串的結束 | | 反向匹配 | \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 | | [^aeiou] | 匹配除了 aeiou 這幾個字母以外的任意字符 | | 特殊字符 | \a | 報警字符(打印它的效果是電腦嘀一聲) | | \t | 制表符，Tab | | \r | 回車 | | \v | 垂直制表符 | | \f | 換頁符 | | \n | 換行符 | | \e | Escape | | \0nn | ASCII 代碼中八進制代碼為 nn 的字符 | | \xnn | ASCII 代碼中十六進制代碼為 nn 的字符 | | \unnnn | Unicode 代碼中十六進制代碼為 nnnn 的字符 | | \cN | ASCII 控制字符。比如 \cC 代表 Ctrl+C | | \A | 字符串開頭(類似^，但不受處理多行選項的影響) | | \Z | 字符串結尾或行尾(不受處理多行選項的影響) | | \z | 字符串結尾(類似$，但不受處理多行選項的影響) | | \G | 當前搜索的開頭 | * * * > [[48](ch26s04.html#id3119995)] 在 Emacs 和 Vim 正則表達式中正好反過來，使用`\(`表示分組，用`(`匹配字符 ## 字符類要想匹配數字、字母、空白很容易，因為已經有了對應這些字符集合的轉義符，但是如果你想匹配沒有預定義的字符集合(比如元音字母 a、e、i、o、u)，應該怎么辦？正則表達式中允許你自定義字符類，在方括號里列出它們就可以了 ``` [aeiou] ``` 預定義的字符集合，也可以用字符類表示，如 `\d` 等價于 `[0-9]` 有些運算符，在字符類中使用會有另一種意義，例如`^`表示“字符串開始”，但在字符類中卻表示 “非”，以`expression`為例，使用`[exp]`匹配： ``` `exp`r`e`ssion ``` 使用`[^exp]`匹配(字符串中非 e、x、p 的字符)： ``` exp`r`e`ssion` ``` 而使用`^[exp]`匹配(以 e、x 或 p 起始的字符串)： ``` `e`xpression ``` ## 限定符在上一小節中的表格中，我們知道 `.` 可以匹配除換行符以外的任意字符，使用`.`匹配下列文本： ``` expression ``` 但是`.`每次只匹配一個字符，如果想一次匹配多個，則要使用限定符 | 限定符 | 作用 | | --- | --- | | * | 匹配零次或多次 | | + | 匹配一次或多次 | | ? | 匹配零次或一次 | | {3} | 匹配三次 | | {3,5} | 匹配三到五次 | | {3,} | 匹配三次或以上 | 下面通過實例了解限定符的區別。 `es` 的匹配結果 ``` expr`es`sion ``` `es+` 的匹配結果(e，一個或多個 s) ``` expr`ess`ion ``` `es*` 的匹配結果(e，零或多個 s) ``` `e`xpr`ess`ion ``` `es?` 的匹配結果(e，零或一個 s) ``` `e`xpr`es`sion ``` ### 貪婪與懶惰使用限定符進行匹配時，默認匹配盡可能多的字符。無論用 `.*` 還是 `.+` 匹配下列文本，都會匹配全部 ``` `expression` ``` 這種方式稱為“貪婪模式”。在限定符之后加 `?` 則匹配盡可能少的字符，稱為“懶惰模式”[[49](ch26s06.html#ftn.id3120698)] 例如，使用貪婪模式`a.+b`匹配： ``` `aaabab` ``` 使用懶惰模式`a.+?b`匹配： ``` `aaab`ab ``` * * * > [[49](ch26s06.html#id3120698)] `.+` 匹配一個或多個任意字符，在貪婪模式中，它匹配盡可能多的字符；而懶惰模式中(`.+?`)，則只匹配一個字符；`.{3,5}`在貪婪模式中盡可能匹配5個字符，在懶惰模式中(`.{3,5}?`)只匹配3個字符；`?` 和 `*` 這樣可以匹配零次的限定符，在懶惰模式下不匹配任何字符(`.*?`、`.??`) ## 分支條件 `|` 表示“或”，使用它進行分支選擇例如`[a-z]+|\d+`匹配單詞或數字： ``` expression 123 ``` ## 分組、捕獲 ### 分組使用`(表達式)`對表達式進行分組，例如使用`(\d{3}\.){2}`匹配下面例子中的數字： ``` abc`123.456.`def ``` `\d{3}`表示三個數字，`(\d{3}\.)`表示三個數字加“`.`”為一組，`{2}`表示這一組內容重復兩次 ### 捕獲在對表達式進行分組的時候，會捕獲文本到自動命名的組里，使用 `\1 \2 ……` 后向引用組例如用`([a-z]*)\ (\d*)`匹配下列文本，`([a-z]*)`為`\1`組，`(\d*)`為`\2`組 ``` kardinal 1234567 ``` 使用`\2\ \1`替換`([a-z]*)\ (\d*)`，可以改變兩個字符串的順序 ``` 1234567 kardinal ``` 如果分組較多，計數可能會不太方便，可以給分組指定名稱，例如： ``` (?<**name**>[a-z]*)\ (?<**num**>\d*) \k<**num**>\ \k<**name**> (?#使用“`\k<name>`”后向引用) ``` 使用`(?:表達式)`，則只是分組，而不捕獲，下面例子中，`(\d*)`為`\1`組 ``` (?:[a-z]*)\ (\d*) ``` ## 零寬斷言目前為止，我們學到的正則表達式匹配，都是有“寬度”的，使用 `\w+。` 匹配下面文本，會將 `。` 一同匹配： ``` regular。 expression。 ``` 如果不想匹配符號，只匹配一個位置，就要用到“零寬斷言”(匹配寬度為零，滿足一定的條件/斷言)，零寬斷言使用 **(?=表達式)** 的語法，例如 `\w+(?=。)`，其中 `(?=。)` 表示 `。` 前面的位置(先行斷言) ``` `regular`。 `expression`。 ``` 如果需要匹配后面的位置，如： ``` 。`regular` 。`expression` ``` 則要用到后發斷言 `(?<=。)` ，使用 `(?<=。)\w+` 得到上面的匹配結果使用 `(?<=<b>).*(?=</b>)` 匹配標簽中的內容 ``` <b>`粗體`</b> ``` ### 負向零寬斷言負向零寬斷言 **(?!表達式)** 也是匹配一個零寬度的位置，不過這個位置的“斷言”取表達式的反值，例如 `(?!表達式)` 表示 `表達式` 前面的位置，如果 `表達式` 不成立，匹配這個位置；如果 `表達式` 成立，則不匹配： ``` `expression` `expression`， `expression`； expression。 ``` 以上為使用 `.+n(?!。)` 的匹配結果。注意與 `.+n[^。]` 匹配的區別 ``` expression `expression，` `expression；` expression。 ``` 同樣，負向零寬斷言也有“先行”和“后發”兩種，負向零寬后發斷言為 **(?<!表達式)** 使用 `(?<![</])para(?!>)` 匹配下面文本 ``` <para>`para`表示一個段落</para> ``` * `(?<![</])` 表示 `para` 左邊不能為 `<` 或 `/` ；`(?!>)` 表示 `para` 右邊不能為 `>`