正则表达式手册

1. 正则

什么是正则表达式

正则表达式是一种特殊的字符串模式,用于匹配一组字符串, 就好比用模具做产品, 而正则就是这个模具,定义一种规则去匹配符合规则的字符。通俗的讲就是一个筛子。

在线匹配工具

• https://regex101.com
• http://rubular.com

2. 基本用法

界定符

正则表达式的界定符可以使用 // , ## , ~~ , @@ 等等,默认采用 // .

元字符

• \w : 匹配字母、数字、下划线
• \W : 任意一个非字母、数字、下划线的字符
• \d : 匹配任意一个十进制数字
• \D : 匹配一个非数字字符
• \s : 匹配任意一个空白字符, 空格、换行、回车、制表符、换页 [\f\n\r\t\v]
• \S : 任意一个非空白字符
• \b : 匹配一个单词边界
• \B : 匹配非单词边界
• | : 选择字符，表示或者
• . : 表示除了换行符以外的所有字符
• [] : 字符组,表示一个集合
• \ : 将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符。例如， n 匹配字符 n 。 \n 匹配一个换行符。序列 \\ 匹配 \ 而 \( 则匹配 ( .

[a-z] 匹配a-z中的任意一个字符

• . 点字符 : 匹配除了回车换行符之外的任意字符
• - : 连字符, 表示一个范围, 只有在字符组 [] 内部,连字符才是元字符, 否则他就只能是普通的连字符号.即使在字符组内部,他也不一定就是元字符.如果连字符出现在字符组的开头, 它表示的就只是一个普通字符, 而不是一个范围. 同样的道理, 问号和点号通常被当做元字符处理, 但是在字符组中则不是如此(说明白一点就是 [0-9A-Z_!.?] 里面,真正的特殊字符就是有那两个连字符)

^ , $ 特殊符号的使用

^ 在 [] 中，表示除了, [^\d] , 表示除了数字之外的任意字符

^ 在 [] 外,表示起始的地方, $ 表示结束的地方。启用 Multiline 属性, ^ 也匹配 \n 或 \r 之后的位置, $ 也匹配 \n 或 \r 之前的位置

如: /^a.*\d$/  只可以匹配已字符a开始,已数字结束的字符

量词

• {} 形式
• `` : 任意的数量,等价于 {0,}
• + : 至少一次,等价于 {1,}
• ? : 匹配 0 次或者 1 次, 元字符后面使用 ?，作为量词，表示限定字符数量为0或1.

如: you(r)?, 可以匹配you 或者是your

非打印字符

代码语法	说明	十六进制表现
\a	Bell报警字符	0x07
\e	Escape	0x1B
\f	分页	0x0C
\n	换行	0x0A
\r	回车	0x0D
\t	水平制表符，Tab	0x09
\v	垂直制表符	0x0B
\b	退格符/删除符, 在perl的表达式中 他匹配字符的边界,但是在字符组中匹配一个退格符

根据ECMA-262标准，JavaScript不支持 \a \e ,我们使用 \x07 \x1B 来替换，但是有些浏览器也是支持 \a \e 的

控制字符

匹配由x指明的控制字符。例如， \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 'c' 字符

7位元字符

一个小写的 \x 加上两个大写的16进制的字符匹配ASCII中的单字符.这里支持的内容参考 ASCII Code - The extended ASCII table

3. 默认模式和懒惰模式

懒惰模式(尽可能少的匹配)

当该字符紧跟在任何一个其他限制符 ( * , + , ? , {n} , {n,} , {n,m} ) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 oooo ， o+? 将匹配单个 o ，而 o+ 将匹配所有 o 。

• ? : 匹配任意次,但尽可能少的匹配

如： a.*?b 匹配 babacb只会匹配到ab

• +? : 匹配一次或多次,但尽可能少的匹配

如： a.+?b 匹配babacb, 会匹配到abacb

• ?? : 匹配0次或1次,尽可能少的匹配

如： a.??b 匹配babacb, 会匹配到ab

• {n,m}? : 匹配n到m次,尽可能少的匹配

如：a{0,6}? 匹配 aaaaaa,结果为空 因为最少是0次

• {n,}? : 至少匹配n次,尽可能少的匹配

如： a{2,6}? 匹配aaaaaa, 匹配到aa

贪婪模式

贪婪模式在整个表达式匹配成功的前提下,会尽可能多的匹配符合的结果.

4. 子组

捕获子组 (pattern) 和命名

捕获子组就是把正则表达式中子表达式匹配的内容，保存到内存中以数字编号或显式命名的组里，方便后面引用。 (pattern) 匹配 pattern 并获取匹配到的内容,所获取的内容可以从产生的 Matches 集合得到, 使用 $1...$9 可获取对应分组.

分类

• 普通捕获子组 (pattern)
• 命名捕获子组(?pattern)

捕获编号规则

捕获子组的编号是按照 ( 出现的顺序，从左到右，从 1 开始进行编号的。由外向内，由左向右

• 正则表达式 :  (\d{4})-(\d{2})-(\d{2}) 使用上面正则来进行日期的匹配：

• (\d{4})-(\d{2}-(\d{2}))

• ((?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2}))

• (?<year>\d{4})-(?<date>\d{2}-(?<day>\d{2}))

• (\d{4})-(?<date>\d{2}-(\d{2}))

使用

• 获取标签中的图片地址

<img[^>]*src="(.+?)".*>

非捕获子组 (?:pattern)

与捕获子组相反，它不捕获文本 ，也不针对组合计进行计数如： 匹配 industry 或者 industries 使用 industr(?:y|ies)写法等价于 industry|industries , 如果捕获则会在工具中展示 Group 信息

(?#comment) 注释

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

5. 反向引用

常用在匹配字符串中连续出现的字符， 引用的是前面获取的子表达式。

引用方式使用 \ 加上数字， \1 引用捕获的子组中的第一个子表达式， \2 则是第二个 …依次类推。

• 筛选后面连续出现的n个字符

$regex = '/(.)\1{n-1}/';

• 筛选形如 xxabc123xx的字符串

$regex = '/(\w)\1(.*)\1{2}/';

6. 环视 / 零宽断言

正向环视

正向预查又称正向环视，分为肯定形式和否定形式两种。查询的为后面是/不是pattern的内容。

肯定形式 (?=pattern) - 后面是pattern

• industr(?=y|ies)

• 将 HelloWorldHelloPhp 字符串,按照单词分隔开.变成 Hello World Hello Php

否定形式 (?!pattern) - 后面不是pattern

• windows (?!\d+) - 搜索后面不是数字的windows

逆向预查

• 逆向预查又称逆向环视，分为肯定形式和否定形式两种。查询的为前面是/不是pattern的内容。

肯定形式 (?<=pattern) - 前面是pattern

• (?<=[\x{4e00}-\x{9fa5}])\d+ - 查询前面是中文的数字串

否定形式(?<!pattern) - 前面不是pattern

• (?<!\w)\d+ - 查询前面不是字母数字下划线的数字串

7. 界定匹配

元字符界定

\Q 抑制所有的元字符进行转义（使用 \ ) 直到遇到 \E 字符，如果你忽略 \E 字符将到最后边的文本被当做普通文本对待

大小写界定

(?i)

对其以后的字符开启大小写不敏感

(?-i)

对其以后的字符关闭大小写不敏感

扩展

修饰符

摘抄自 : https://regex101.com/

• g lobal

匹配全部可匹配结果

• m ulti line

多行模式，此模式下 ^ 和 $ 可以分别匹配行首和行尾

• i nsensitive

不区分大小写

• e x tended

宽松排列的表达式, 忽略空白字符，可以多行书写，并使用 # 进行注释说明表达式中的大部分空格符变成“忽略自身”的元字符,而#的意思是“忽略该字符及其之后第一个换行符之前的所有字符”,允许空格和注释的正则模式

• s ingle line

单行模式，此模式下.能匹配任意字符，包括换行符

• u nicode

模式字符串被当成UTF-8

• U ngreedy

使量词默认为非贪婪模式

• A nchored

Anchor to start of pattern, or at the end of the most recent match

• J changed

允许子模式重复命名，如： (?<name>N1)(?<name>N2)

• D ollar end only

$ 字符仅匹配目标字符串的结尾；没有此选项时，如果最后一个字符是换行符的话$字符也能匹配。

补充

• [e|a] 和 (e|a)

这里第一个 | 是可以匹配的,第二个括号可以看做是元字符. (a|e) 看做是一个 e 或者 a 的表达式

• 匹配汉字 : 记住一个范围 4e00 - 9fa5 在js和PHP匹配汉字的写法不同:

$regex = '/[\x{4e00}-\x{9fa5}]/u';

var regex = '/[\u4e00-\u9fa5]/';

• 各种正则工具

grep = global regular expression print

posix = portable operating system interface

preg = perl regular expression

ereg = extended regular expression

• 匹配原理

1.优先选择最左端的匹配结果2.标准量词是匹配优先的 +,*,?,{3,7}

其他未竟讨论项目

代码/语法	说明
\a	报警字符(打印它的效果是电脑嘀一声)
\b	通常是单词分界位置，但如果在字符类里使用代表退格
\e	Escape
\0nn	ASCII代码中八进制代码为nn的字符
\xnn	ASCII代码中十六进制代码为nn的字符
\unnnn	Unicode代码中十六进制代码为nnnn的字符
\cN	ASCII控制字符。比如\cC代表Ctrl+C
\A	字符串开头(类似^，但不受处理多行选项的影响)
\Z	字符串结尾或行尾(不受处理多行选项的影响)
\z	字符串结尾(类似$，但不受处理多行选项的影响)
\G	当前搜索的开头
\p{name}	Unicode中命名为name的字符类，例如\p{IsGreek}
(?>exp)	贪婪子表达式
(?	平衡组
(?im-nsx:exp)	在子表达式exp中改变处理选项
(?im-nsx)	为表达式后面的部分改变处理选项
(?(exp)yes|no)	把exp当作零宽正向先行断言，如果在这个位置能匹配，使用yes作为此组的表达式；否则使用no
(?(exp)yes)	同上，只是使用空表达式作为no
(?(name)yes|no)	如果命名为name的组捕获到了内容，使用yes作为表达式；否则使用no
(?(name)yes)	同上，只是使用空表达式作为no

阅读

• 什么是 7 位元的字符? 英文字符难道不是 8 bit 是一个字符？一条短信到底能容下 140 个英文字符还是 160 个？
• Android发送短信字数问题 - OYK