正则表达式入门体验

先来了解一些概念：
单词：正则表达式里的单词的意思就是不少于一个的连续的\w。

常用的元字符：

ex：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}$。

当想查找元字符本身的话，比如查找.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\\。

重复次数匹配：

ex：Windows\d+匹配 Windows 后面跟 1 个或更多数字
ex：^\w+匹配字符串的第一个单词(或整个字符串的第一个单词，具体匹配哪个意思得看选项设置)

字符类匹配：

• [aeiou]　 匹配任何一个英文元音字母，[.?!]匹配标点符号(.或?或!)。
• [0-9] 　代表的含意与\d一致:一位数字,[a-z0-9A-Z]完全等同于\w(只考虑英文)。

ex：\(?0\d{2}[) -]?\d{8}。“(”和“)”也是元字符，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。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})。

分枝条件：
　　实际上，如果仔细想，上一个表达式也能匹配 010)12345678 或(022-87654321 这样的不正确的格式，而分支条件则能解决这个问题。
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。

• ex：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)。
• ex：\(0\d{2}\)[- ]?\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。注意：｜号前后的两段表达式分别为一个分枝表达式。
• ex：\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。

分组：
　　前面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\d{3}）；但如果想要重复多个字符又该怎么办？正则表达式中可以用小括号来指定子表达式(也叫做分组)，然后通过指定这个子表达式的重复次数就可以了，也可以对子表达式进行其它一些操作。

(\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})。不幸的是，IP地址中每个数字都不能大于255，但上面的表达式也将匹配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?，简单提一下，对IP的数值分为3个区间处理200-249|250-255|1-199。

反义：
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

ex：\S+匹配不包含空白符的字符串。
ex：<a[^>]+>匹配用尖括号括起来的以a开头的字符串。

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。

• 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
• 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。
ex：\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)。
我们也可以自己指定子表达式的组名。自定义子表达式的语法：(?<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,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。

常用的分组表达式：

零宽断言：
　　在上一节的表中，只讲述了其中两个，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。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。
ex：

• (?=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)。

负向零宽断言：
　　前面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。负向零宽断言则能解决这样的问题，因为它只匹配一个位置,并不消费任何字符。
现在,我们可以用这样的表达式来解决这个问题:\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。
　　一个复杂的例子:(?<=<(\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)。

　　注：上面这个表达式，我在java里面使用这个表达式，会报一个错( java.util.regex.PatternSyntaxException: Look-behind group does not have an obvious maximum length near index 10)，不知道在.net环境中会否报错，没尝试过，下面我给出我在java里面找到的正确的表达式：(?<=<(\w{1,15})>).*(?=<\/\1>)，区别在于\w后面的参数，由 + 变为 {1,15} ，为什么要这么改我也不知道，我是根据报错的信息(错误信息提示说是 组没有一个明确的最大长度,so)提示尝试性的给了一个<>标签里面标签名的最大长度15，有知道的大神还请指点一下；

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。 

贪婪与懒惰：
　　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。
　　ex：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)。
为什么第一个匹配是 aab(第一到第三个字符)而不是 ab(第二到第三个字符)?简单地说,因为正则表达式有另一条规则,比懒惰/贪婪规则的优先级更高:最先开始的匹配拥有最高的优先权——The match that begins earliest wins。

处理选项：
　　在Java中，可以使用Pattern.compileRegex(String regex,int flag)构造函数来设置正则表达式的处理选项。

 
一个经常被问到的问题是:是不是只能同时使用多行模式和单行模式中的一种?答案是:不是，这两个选项之间没有任何关系。

其它：

正则表达式入门体验,布布扣,bubuko.com

正则表达式入门体验

原文：http://www.cnblogs.com/a284628487/p/3618311.html