正規表示式基礎

導讀	正規表示式(regular expression)描述了一種字串匹配的模式（pattern），可以用來檢查一個串是否含有某種子串、將匹配的子串替換或者從某個串中取出符合某個條件的子串等。

例如：

• runoo+b，可以匹配 runoob、runooob、runoooooob 等，+ 號代表前面的字元必須至少出現一次（1次或多次）。
• runoo*b，可以匹配 runob、runoob、runoooooob 等，* 號代表字元可以不出現，也可以出現一次或者多次（0次、或1次、或多次）。
• colou?r 可以匹配 color 或者 colour，? 問號代表前面的字元最多隻可以出現一次（0次、或1次）。

構造正規表示式的方法和建立數學表示式的方法一樣。也就是用多種元字元與運算子可以將小的表示式結合在一起來建立更大的表示式。正規表示式的元件可以是單個的字元、字符集合、字元範圍、字元間的選擇或者所有這些元件的任意組合。

正規表示式是由普通字元（例如字元 a 到 z）以及特殊字元（稱為"元字元"）組成的文字模式。模式描述在搜尋文字時要匹配的一個或多個字串。正規表示式作為一個模板，將某個字元模式與所搜尋的字串進行匹配。

---

普通字元包括沒有顯式指定為元字元的所有可列印和不可列印字元。這包括所有大寫和小寫字母、所有數字、所有標點符號和一些其他符號。

---

非列印字元也可以是正規表示式的組成部分。下表列出了表示非列印字元的轉義序列：

字元	描述
\cx	匹配由x指明的控制字元。例如， \cM 匹配一個 Control-M 或回車符。x 的值必須為 A-Z 或 a-z 之一。否則，將 c 視為一個原義的 'c' 字元。
\f	匹配一個換頁符。等價於 \x0c 和 \cL。
\n	匹配一個換行符。等價於 \x0a 和 \cJ。
\r	匹配一個回車符。等價於 \x0d 和 \cM。
\s	匹配任何空白字元，包括空格、製表符、換頁符等等。等價於 [ \f\n\r\t\v]。注意 Unicode 正規表示式會匹配全形空格符。
\S	匹配任何非空白字元。等價於 [^ \f\n\r\t\v]。
\t	匹配一個製表符。等價於 \x09 和 \cI。
\v	匹配一個垂直製表符。等價於 \x0b 和 \cK。

---

所謂特殊字元，就是一些有特殊含義的字元，如上面說的  runoo*b 中的  *，簡單的說就是表示任何字串的意思。如果要查詢字串中的  * 符號，則需要對  * 進行轉義，即在其前加一個  \:  runo\*ob 匹配 runo*ob。

許多元字元要求在試圖匹配它們時特別對待。若要匹配這些特殊字元，必須首先使字元"轉義"，即，將反斜槓字元 \ 放在它們前面。下表列出了正規表示式中的特殊字元：

特別字元	描述
$	匹配輸入字串的結尾位置。如果設定了 RegExp 物件的 Multiline 屬性，則 $ 也匹配 '\n' 或 '\r'。要匹配 $ 字元本身，請使用 \$。
( )	標記一個子表示式的開始和結束位置。子表示式可以獲取供以後使用。要匹配這些字元，請使用 \( 和 \)。
*	匹配前面的子表示式零次或多次。要匹配 * 字元，請使用 \*。
+	匹配前面的子表示式一次或多次。要匹配 + 字元，請使用 \+。
.	匹配除換行符 \n 之外的任何單字元。要匹配 . ，請使用 \. 。
[	標記一箇中括號表示式的開始。要匹配 [，請使用 \[。
?	匹配前面的子表示式零次或一次，或指明一個非貪婪限定符。要匹配 ? 字元，請使用 \?。
\	將下一個字元標記為或特殊字元、或原義字元、或向後引用、或八進位制轉義符。例如， 'n' 匹配字元 'n'。'\n' 匹配換行符。序列 '\\' 匹配 "\"，而 '\(' 則匹配 "("。
^	匹配輸入字串的開始位置，除非在方括號表示式中使用，此時它表示不接受該字符集合。要匹配 ^ 字元本身，請使用 \^。
{	標記限定符表示式的開始。要匹配 {，請使用 \{。
|	指明兩項之間的一個選擇。要匹配 |，請使用 \|。

---

限定符用來指定正規表示式的一個給定元件必須要出現多少次才能滿足匹配。有  * 或  + 或  ? 或  {n} 或  {n,} 或  {n,m} 共6種。

正規表示式的限定符有：

字元	描述
*	匹配前面的子表示式零次或多次。例如，zo* 能匹配 "z" 以及 "zoo"。* 等價於{0,}。
+	匹配前面的子表示式一次或多次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等價於 {1,}。
?	匹配前面的子表示式零次或一次。例如，"do(es)?" 可以匹配 "do" 、 "does" 中的 "does" 、 "doxy" 中的 "do" 。? 等價於 {0,1}。
{n}	n 是一個非負整數。匹配確定的 n 次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，但是能匹配 "food" 中的兩個 o。
{n,}	n 是一個非負整數。至少匹配n 次。例如，'o{2,}' 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood" 中的所有 o。'o{1,}' 等價於 'o+'。'o{0,}' 則等價於 'o*'。
{n,m}	m 和 n 均為非負整數，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，"o{1,3}" 將匹配 "fooooood" 中的前三個 o。'o{0,1}' 等價於 'o?'。請注意在逗號和兩個數之間不能有空格。

以下正規表示式匹配一個正整數， [1-9]設定第一個數字不是 0， [0-9]* 表示任意多個數字：

/[1-9][0-9]*/

請注意，限定符出現在範圍表示式之後。因此，它應用於整個範圍表示式，在本例中，只指定從 0 到 9 的數字（包括 0 和 9）。

這裡不使用 + 限定符，因為在第二個位置或後面的位置不一定需要有一個數字。也不使用 ? 字元，因為使用 ? 會將整數限制到只有兩位數。

如果你想設定 0~99 的兩位數，可以使用下面的表示式來至少指定一位但至多兩位數字。

/[0-9]{1,2}/

上面的表示式的缺點是，只能匹配兩位數字，而且可以匹配 0、00、01、10 99 的章節編號仍只匹配開頭兩位數字。

改進下，匹配 1~99 的正整數表示式如下：

/[1-9][0-9]?/

或

/[1-9][0-9]{0,1}/

*、+ 限定符都是貪婪的，因為它們會盡可能多的匹配文字，只有在它們的後面加上一個?就可以實現非貪婪或最小匹配。

例如，您可能搜尋 HTML 文件，以查詢在  h1 標籤內的內容。HTML 程式碼如下：

<h1>RUNOOB-菜鳥教程</h1>

貪婪：下面的表示式匹配從開始小於符號 (<) 到關閉 h1 標記的大於符號 (>) 之間的所有內容。

/<.*>/

非貪婪：如果您只需要匹配開始和結束 h1 標籤，下面的非貪婪表示式只匹配 <h1>。

/<.*?>/

也可以使用以下正規表示式來匹配 h1 標籤，表示式則是：

/<\w+?>/

透過在  *、 + 或  ? 限定符之後放置  ?，該表示式從"貪婪"表示式轉換為"非貪婪"表示式或者最小匹配。

---

定位符使您能夠將正規表示式固定到行首或行尾。它們還使您能夠建立這樣的正規表示式，這些正規表示式出現在一個單詞內、在一個單詞的開頭或者一個單詞的結尾。

定位符用來描述字串或單詞的邊界， ^ 和  $ 分別指字串的開始與結束， \b 描述單詞的前或後邊界， \B 表示非單詞邊界。

正規表示式的定位符有：

字元	描述
^	匹配輸入字串開始的位置。如果設定了 RegExp 物件的 Multiline 屬性，^ 還會與 \n 或 \r 之後的位置匹配。
$	匹配輸入字串結尾的位置。如果設定了 RegExp 物件的 Multiline 屬性，$ 還會與 \n 或 \r 之前的位置匹配。
\b	匹配一個單詞邊界，即字與空格間的位置。
\B	非單詞邊界匹配。

注意：不能將限定符與定位符一起使用。由於在緊靠換行或者單詞邊界的前面或後面不能有一個以上位置，因此不允許諸如  ^* 之類的表示式。

若要匹配一行文字開始處的文字，請在正規表示式的開始使用  ^ 字元。不要將  ^ 的這種用法與中括號表示式內的用法混淆。

若要匹配一行文字的結束處的文字，請在正規表示式的結束處使用  $ 字元。

若要在搜尋章節標題時使用定位點，下面的正規表示式匹配一個章節標題，該標題只包含兩個尾隨數字，並且出現在行首：

/^Chapter [1-9][0-9]{0,1}/

真正的章節標題不僅出現行的開始處，而且它還是該行中僅有的文字。它即出現在行首又出現在同一行的結尾。下面的表示式能確保指定的匹配只匹配章節而不匹配交叉引用。透過建立只匹配一行文字的開始和結尾的正規表示式，就可做到這一點。

/^Chapter [1-9][0-9]{0,1}$/

匹配單詞邊界稍有不同，但向正規表示式新增了很重要的能力。單詞邊界是單詞和空格之間的位置。非單詞邊界是任何其他位置。下面的表示式匹配單詞 Chapter 的開頭三個字元，因為這三個字元出現在單詞邊界後面：

/\bCha/

\b 字元的位置是非常重要的。如果它位於要匹配的字串的開始，它在單詞的開始處查詢匹配項。如果它位於字串的結尾，它在單詞的結尾處查詢匹配項。例如，下面的表示式匹配單詞 Chapter 中的字串 ter，因為它出現在單詞邊界的前面：

/ter\b/

下面的表示式匹配 Chapter 中的字串 apt，但不匹配 aptitude 中的字串 apt：

/\Bapt/

字串 apt 出現在單詞 Chapter 中的非單詞邊界處，但出現在單詞 aptitude 中的單詞邊界處。對於  \B 非單詞邊界運算子，位置並不重要，因為匹配不關心究竟是單詞的開頭還是結尾。

---

用圓括號將所有選擇項括起來，相鄰的選擇項之間用|分隔。但用圓括號會有一個副作用，使相關的匹配會被快取，此時可用?:放在第一個選項前來消除這種副作用。

其中  ?: 是非捕獲元之一，還有兩個非捕獲元是  ?= 和  ?!，這兩個還有更多的含義，前者為正向預查，在任何開始匹配圓括號內的正規表示式模式的位置來匹配搜尋字串，後者為負向預查，在任何開始不匹配該正規表示式模式的位置來匹配搜尋字串。

---

對一個正規表示式模式或部分模式兩邊新增圓括號將導致相關匹配儲存到一個臨時緩衝區中，所捕獲的每個子匹配都按照在正規表示式模式中從左到右出現的順序儲存。緩衝區編號從 1 開始，最多可儲存 99 個捕獲的子表示式。每個緩衝區都可以使用  \n 訪問，其中 n 為一個標識特定緩衝區的一位或兩位十進位制數。

可以使用非捕獲元字元  ?:、 ?= 或  ?! 來重寫捕獲，忽略對相關匹配的儲存。

反向引用的最簡單的、最有用的應用之一，是提供查詢文字中兩個相同的相鄰單詞的匹配項的能力。以下面的句子為例：

Is is the cost of of gasoline going up up?

上面的句子很顯然有多個重複的單詞。如果能設計一種方法定位該句子，而不必查詢每個單詞的重複出現，那該有多好。下面的正規表示式使用單個子表示式來實現這一點：

捕獲的表示式，正如  [a-z]+ 指定的，包括一個或多個字母。正規表示式的第二部分是對以前捕獲的子匹配項的引用，即，單詞的第二個匹配項正好由括號表示式匹配。 \1 指定第一個子匹配項。

單詞邊界元字元確保只檢測整個單詞。否則，諸如 "is issued" 或 "this is" 之類的片語將不能正確地被此表示式識別。

正規表示式後面的全域性標記  g 指定將該表示式應用到輸入字串中能夠查詢到的儘可能多的匹配。

表示式的結尾處的不區分大小寫  i 標記指定不區分大小寫。

多行標記指定換行符的兩邊可能出現潛在的匹配。

反向引用還可以將通用資源指示符 (URI) 分解為其元件。假定您想將下面的 URI 分解為協議（ftp、http 等等）、域地址和頁/路徑：

下面的正規表示式提供該功能：

第三行程式碼  str.match(patt1) 返回一個陣列，例項中的陣列包含 5 個元素，索引 0 對應的是整個字串，索引 1 對應第一個匹配符（括號內），以此類推。

第一個括號子表示式捕獲 Web 地址的協議部分。該子表示式匹配在冒號和兩個正斜槓前面的任何單詞。

第二個括號子表示式捕獲地址的域地址部分。子表示式匹配  : 和  / 之後的一個或多個字元。

第三個括號子表示式捕獲埠號（如果指定了的話）。該子表示式匹配冒號後面的零個或多個數字。只能重複一次該子表示式。

最後，第四個括號子表示式捕獲 Web 地址指定的路徑和 / 或頁資訊。該子表示式能匹配不包括 # 或空格字元的任何字元序列。

將正規表示式應用到上面的 URI，各子匹配項包含下面的內容：

• 第一個括號子表示式包含  http
• 第二個括號子表示式包含 
• 第三個括號子表示式包含  :80
• 第四個括號子表示式包含  /html/html-tutorial.html

原文來自：