|
|
前言
Regular Expressions(正則表達(dá)式，以下用RE稱呼)對(duì)小弟來說一直都是神密的地帶，看到一些網(wǎng)絡(luò)上的大大，簡(jiǎn)單用RE就決解了某些文字的問題，小弟便興起了學(xué)一學(xué)RE的想法，但小弟天生就比較懶一些，總希望看有沒有些快速學(xué)習(xí)的方式，于是小弟又請(qǐng)出Google大神，藉由祂的神力，小弟在網(wǎng)絡(luò)上找到了Jim Hollenhorst先生的文章，經(jīng)過了閱讀，小弟覺得真是不錯(cuò)，所以就做個(gè)小心得報(bào)告，跟Move-to.Net的朋友分享，希望能為各位大大帶來一丁點(diǎn)在學(xué)習(xí)RE時(shí)的幫助。Jim Hollenhorst大大文章之網(wǎng)址如下，有需要的大大可直接連結(jié)。
The 30 Minute Regex Tutorial By Jim Hollenhorst
http://www.codeproject.com/useritems/RegexTutorial.asp
什么是RE?
想必各位大大在做文件查找的時(shí)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(shí)，你可能就會(huì)用”*.doc”這樣的方式來做查找，因?yàn)椤?”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(qiáng)大。
寫程序時(shí)，常需要比對(duì)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(gè)例子來說，”w+”所代表的就是任何字母與數(shù)字所組成的非空字符串(non-null string)。在.NET framework中提供了非常強(qiáng)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(duì)復(fù)雜標(biāo)頭的譯碼及驗(yàn)證文字等工作。
學(xué)習(xí)RE最好的方式就是藉由例子親自來做做看。Jim Hollenhorst大大也提供了一個(gè)工具程序Expresso(來杯咖啡吧)，來幫助我們學(xué)習(xí)RE，下載的網(wǎng)址是http://www.codeproject.com/useritems/RegexTutorial/ExpressoSetup2_1C.zip。
接下來，就讓我們來體驗(yàn)一些例子吧。
一些簡(jiǎn)單的例子
假設(shè)要查找文章中Elvis后接有alive的文字符串的話，使用RE可能會(huì)經(jīng)過下列的過程，括號(hào)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?yàn)閑lvis。在.NET中可以設(shè)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?yàn)檫@只管字符出現(xiàn)的順序?yàn)閑lvis，所以pelvis也是符合1所下的RE。可以用2的RE來改進(jìn)。
2. belvisb (將elvis視為一整體的字查找，如elvis、Elvis乎略字符大小寫時(shí))
“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belvisb用b把elvis的前后邊界界定出來，也就是要elvis這個(gè)字。
假設(shè)要將同一行里elvis后接有alive的文字符串找出來，此時(shí)就會(huì)用到另外二個(gè)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(fù)*之前項(xiàng)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(shù)目的字符數(shù)。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. belvisb.*baliveb (查找elvis后面接有alive的文字符串，如elvis is alive)
用簡(jiǎn)單之特別字符就可以組成功能強(qiáng)大的RE，但也發(fā)現(xiàn)當(dāng)使用越來越多的特別字符時(shí)，RE就會(huì)越來越難看得懂了。
再看看另外的例子
組成有效的電話號(hào)碼
假使要從網(wǎng)頁上收集顧客格式為xxx-xxxx的7位數(shù)字的電話號(hào)碼，其中x是數(shù)字，RE可能會(huì)這樣寫。
4. bddd-dddd (查找七位數(shù)字之電話號(hào)碼，如123-1234)
每一個(gè)d代表一個(gè)數(shù)字。”-”則是一般的連字符號(hào)，為避免太多重復(fù)的d，RE可以改寫成如5的方式。
5. bd{3}-d{4} (查找七位數(shù)字電話號(hào)碼較好的方法，如123-1234)
在d后的{3}，代表重復(fù)前一個(gè)項(xiàng)目三次，也就是相等于ddd。
RE的學(xué)習(xí)及測(cè)試工具 Expresso
因?yàn)镽E不易閱讀及使用者容易會(huì)下錯(cuò)RE的特性，Jim大大開發(fā)了一個(gè)工具軟件Expresso，用來幫助使用者學(xué)習(xí)及測(cè)試RE，除了上面所述的網(wǎng)址之外，也可以上Ultrapico網(wǎng)站(http://www.Ultrapico.com)。安裝完Expresso后，在Expression Library中，Jim大大把文章的例子都建立在其中，可以邊看文章邊測(cè)試，也可以試著修改范例所下的RE，馬上可以看到結(jié)果，小弟覺得非常好用。各位大大可以試試。
.NET中RE的基礎(chǔ)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(shù)字字符。
再看一些例子吧
6. baw*b (查找a開頭的字，如able)
這RE描述要查找一個(gè)字的開始邊界(b)，再來是字母”a”，再加任意數(shù)目的字母數(shù)字(w*)，再接結(jié)束這個(gè)字的結(jié)束邊界(b)。
7. d+ (查找數(shù)字字符串)
“+”和”*”非常相似，除了+至少要重復(fù)前面的項(xiàng)目一次。也就是說至少有一個(gè)數(shù)字。
8. bw{6}b (查找六個(gè)字母數(shù)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(shù)字字符
s 任意空格符
d 任意數(shù)字字符
b 界定字的邊界
^ 文章的開頭，如”^The'' 用以表示出現(xiàn)于文章開頭的字符串為”The”
$ 文章的結(jié)尾，如”End$”用以表示出現(xiàn)在文章的結(jié)尾為”End”
特殊字符”^”及”$”是用來查找某些字必需是文章的開頭或結(jié)尾，這在驗(yàn)證輸入是否符合某一樣式時(shí)特別用有，比如說要驗(yàn)證七位數(shù)字的電話號(hào)碼，可能會(huì)輸入如下9的RE。
9. ^d{3}-d{4}$ (驗(yàn)證七位數(shù)字之電話號(hào)碼)
這和第5個(gè)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(gè)數(shù)字的電話號(hào)碼。在.NET中如果設(shè)定Multiline這個(gè)選項(xiàng)，則”^”和”$”會(huì)每行進(jìn)行比較，只要某行的開頭結(jié)尾符合RE即可，而不是整個(gè)文章字符串做一次比較。
轉(zhuǎn)意字符(Escaped characters)
有時(shí)可能會(huì)需要”^”、”$”單純的字面意義(literal meaning)而不要將它們當(dāng)成特殊字符，此時(shí)””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(fù)前述項(xiàng)目
在前面看過”{3}”及”*”可以用來重復(fù)前述字符，之后我們會(huì)看到如何用同樣的語法重復(fù)整個(gè)次描述(subexpressions)。下表是使用重復(fù)前述項(xiàng)目的一些方式。
* 重復(fù)任意次數(shù)
+ 重復(fù)至少一次
? 重復(fù)零次或一次
{n} 重復(fù)n次
{n,m} 重復(fù)至少n次，但不超過m次
{n,} 重復(fù)至少n次
再來試一些例子吧
10. bw{5,6}b (查找五個(gè)或六個(gè)字母數(shù)字字符的字，如as25d、d58sdf等)
11. bd{3}sd{3}-d{4} (查找十個(gè)數(shù)字的電話號(hào)碼，如800 123-1234)
12. d{3}-d{2}-d{4} (查找社會(huì)保險(xiǎn)號(hào)碼，如 123-45-6789)
13. ^w* (每行或整篇文章的第一個(gè)字)
在Espresso可試試有Multiline和沒Multiline的不同。
匹配某范圍的字符
有時(shí)需要查找某些特定的字符時(shí)怎么辨?這時(shí)中括號(hào)”[]”就派上了用場(chǎng)。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(hào)，在中括號(hào)中的特殊字符的特別意義都會(huì)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(shù)字。
接下來再看一個(gè)比較初復(fù)雜查找電話號(hào)碼的RE例子
14. (?d{3}[( ] s?d{3}[- ]d{4} (查找十位數(shù)字之電話號(hào)碼，如(080) 333-1234 )
這樣的RE可查找出較多種格式的電話號(hào)碼，如(080) 123-4567、511 254 6654等。”(?”代表一個(gè)或零個(gè)左小括號(hào)”(“，而”[( ]”代表查找一個(gè)右小括號(hào)”)”或空格符，”s?”指一個(gè)或零個(gè)空格符組。但這樣的RE會(huì)將類似”800) 45-3321”這樣的電話找出來，也就是括號(hào)沒有對(duì)稱平衡的問題，之后會(huì)學(xué)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(shí)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(shù)字的任意字符
S 不是空格符的任意字符
D 不是數(shù)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(shí)會(huì)需要查找?guī)讉€(gè)特定的選擇，此時(shí)”|”這個(gè)特殊字符就派上用場(chǎng)了，舉例來說，要查找五個(gè)數(shù)字及九個(gè)數(shù)字(有”-”號(hào))的郵政編碼。
16. bd{5}-d{4}b|bd{5}b (查找五個(gè)數(shù)字及九個(gè)數(shù)字(有”-”號(hào))的郵政編碼)
在使用Alternatives時(shí)需要注意的是前后的次序，因?yàn)镽E在Alternatives中會(huì)優(yōu)先選擇符合最左邊的項(xiàng)目，16中，如果把查找五個(gè)數(shù)字的項(xiàng)目放在前面，則這RE只會(huì)找到五個(gè)數(shù)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(gè)數(shù)字的電話號(hào)碼)
群組(Grouping)
括號(hào)可以用來介定一個(gè)次描述，經(jīng)由次描述的介定，可以針對(duì)次描述做重復(fù)或及他的處理。
18. (d{1,3}.){3}d{1,3} (尋找網(wǎng)絡(luò)地址的簡(jiǎn)單RE)
此RE的意思第一個(gè)部分(d{1,3}.){3}，所指的是，數(shù)字最小一位最多三位，并且后面接有”.”符號(hào)，此類型的共有三個(gè)，之后再接一到三位的數(shù)字，也就是如192.72.28.1這樣的數(shù)字。
但這樣會(huì)有個(gè)缺點(diǎn)，因?yàn)榫W(wǎng)絡(luò)地址數(shù)字最多只到255，但上述的RE只要是一到三位的數(shù)字都是符合的，所以這需要讓比較的數(shù)字小于256才行，但只單獨(dú)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(nèi)，也就是0到255。
19. ((2[0-4]d|25[0-5]|[01]?dd?).){3}(2[0-4]d|25[0-5]|[01]?dd?) (尋找網(wǎng)絡(luò)地址)
有沒有發(fā)覺RE越來越像外星人說的話了?就以簡(jiǎn)單的尋找網(wǎng)絡(luò)地址，直接看RE都滿難理解的哩。
Expresso Analyzer View
Expresso提供了一個(gè)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(gè)好的除錯(cuò)環(huán)境。其它的功能，如部分符合(Partial Match只查找反白R(shí)E的部分)及除外符合(Exclude Match只不查找反白R(shí)E的部分)就留給各位大大試試啰。
當(dāng)次描述用括號(hào)群組起來時(shí)，符合次描述的文字可用在之后的程序處理或RE本身。在預(yù)設(shè)的情型下，所符合的群組是由數(shù)字命名，由1開始，由順序是由左至右，這自動(dòng)群組命名，可在Expresso中的skeleton view或result view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+)bs*1b (尋找重復(fù)字，此處說的重復(fù)是指同樣的字，中間有空白隔開如dog dog這樣的字)
(w+)會(huì)抓取至少一個(gè)字符的字母或數(shù)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(dòng)命名的1，也可以自行命名，以上述例子為例，(w+)改寫為(?<Word>w+)，這就是將所抓取的群組命名為Word，Backreference就要改寫成為k<Word>
21. b(?<Word>w+)bs*k<Word>b (使用自行命名群組抓取重復(fù)字)
使用括號(hào)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(jìn)自動(dòng)命名的群組
(?<name>exp) 符合exp并抓取它進(jìn)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
(?<!exp) 符合前面沒接exp前綴的文字
批注Comment
(?#comment) 批注
Positive Lookaround
接下來要談的是lookahead及l(fā)ookbehind assertions。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(huì)對(duì)應(yīng)任何文字(用來界定位置)，也因此稱做是zero-width assertions，看些例子也許會(huì)清楚些。
(?=exp)是一個(gè)”zero-width positive lookahead assertion”。它指的就是符合字尾為exp的文字，但不包含exp本身。
22. bw+(?=ingb) (字尾為ing的字，比如說filling所符合的就是fill)
(?<=exp)是一個(gè)”zero-width positive lookbehind assertion”。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(shù)字，且之前接一位數(shù)字)
25. (?<=s)w+(?=s) (由空格符分隔開的字母數(shù)字字符串)
Negative Lookaround
之前有提到，如何查找一個(gè)非特定或非在特定群組的字符。但如果只是要驗(yàn)證某字符不存在而不要對(duì)應(yīng)這些字符進(jìn)來呢?舉個(gè)例子來說，假設(shè)要查找一個(gè)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. bw*q[^u]w*b (一個(gè)字，其字母里有q但接下來的字母不是u)
這樣的RE會(huì)有一個(gè)問題，因?yàn)閇^u]要對(duì)應(yīng)一個(gè)字符，所以若q是字的最后一個(gè)字母，[^u]這樣的下法就會(huì)將空格符對(duì)應(yīng)下去，結(jié)果就有可能會(huì)符合二個(gè)字，比如說”Iraq haha”這樣的文字。使用Negative Lookaround就能解決這樣的問題。
27. bw*q(?!u)w*b (一個(gè)字，其字母里有q但接下來的字母不是u)
這是”zero-width negative lookahead assertion”。
28. d{3}(?!d) (三個(gè)位的數(shù)字，其后不接一個(gè)位數(shù)字)
同樣的，可以使用(?<!exp)，”zero-width negative lookbehind assertion”，來符合前面沒接exp前綴的文字符串。
29. (?<![a-z ])w{7} (七個(gè)字母數(shù)字的字符串，其前面沒接字母或空格)
30. (?<=<(w+)>).*(?=</1>) (HTML卷標(biāo)間的文字)
這使用lookahead及l(fā)ookbehind assertion來取出HTML間的文字，不包括HTML卷標(biāo)。
請(qǐng)批注(Comments Please)
括號(hào)還有個(gè)特殊的用途就是用來包住批注，語法為”(?#comment)”，若設(shè)定”Ignore Pattern Whitespace”選項(xiàng)，則RE中的空格符當(dāng)RE使用時(shí)會(huì)乎略。此選項(xiàng)設(shè)定時(shí)，”#”之后的文字會(huì)乎略。
31. HTML卷標(biāo)間的文字，加上批注
(?<= #查找前綴，但不包含它
<(w+)> #HTML標(biāo)簽
) #結(jié)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(hào)的HTML標(biāo)簽
) #結(jié)束查找字尾
尋找最多字符的字及最少字符的字(Greedy and Lazy)
當(dāng)RE下要查找一個(gè)范圍的重復(fù)時(shí)(如”.*”)，它通常會(huì)尋找最多字符的符合字，也就是Greedy matching。舉例來說。
32. a.*b (開始為a結(jié)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?yàn)檫@是尋找最多字符的字。有時(shí)希望是符合最少字符的字也就是lazy matching。只要將重復(fù)前述項(xiàng)目的表加上問號(hào)(?)就可以把它們?nèi)孔兂蒷azy matching。因此”*?”代表的就是重復(fù)任意次數(shù)，但是使用最少重復(fù)的次數(shù)來符合。舉個(gè)例子來說：
33. a.*?b (開始為a結(jié)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(gè)所得到的符合字符串就是”aab”再來是”ab”，因?yàn)檫@是尋找最少字符的字。
*? 重復(fù)任意次數(shù)，最少重復(fù)次數(shù)為原則
+? 重復(fù)至少一次，最少重復(fù)次數(shù)為原則
?? 重復(fù)零次或一次，最少重復(fù)次數(shù)為原則
{n,m}? 重復(fù)至少n次，但不超過m次，最少重復(fù)次數(shù)為原則
{n,}? 重復(fù)至少n次，最少重復(fù)次數(shù)為原則
還有什么沒提到呢?
到目前為止，已經(jīng)提到了許多建立RE的元素，當(dāng)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(shù)字是說明在Expresso中的例子。
# 語法 說明
a Bell 字符
b 通常是指字的邊界，在字符組里所代表的就是backspace
t Tab
34 r Carriage return
v Vertical Tab
f From feed
35 n New line
e Escape
36 nnn ASCII八位碼為nnn的字符
37 xnn 十六位碼為nn的字符
38 unnnn Unicode為nnnn的字符
39 cN Control N字符，舉例來說Ctrl-M是cM
40 A 字符串的開始(和^相似，但不需籍由multiline選項(xiàng))
41 Z 字符串的結(jié)尾
z 字符串的結(jié)尾
42 G 目前查找的開始
43 p{name} Unicode 字符組名稱為name的字符，比如說p{Lowercase_Letter} 所指的就是小寫字
(?>exp) Greedy次描述，又稱之為non-backtracking次描述。這只符合一次且不采backtracking。
44 (?<x>-<y>exp)
or (?-<y>exp) 平衡群組。雖復(fù)雜但好用。它讓已命名的抓取群組可以在堆棧中操作使用。(小弟對(duì)這個(gè)也是不太懂哩)
45 (?im-nsx:exp) 為次描述exp更改RE選項(xiàng)，比如(?-i:Elvis)就是把Elvis大乎略大小寫的選項(xiàng)關(guān)掉
46 (?im-nsx) 為之后的群組更改RE選項(xiàng)。
(?(exp)yes|no) 次描述exp視為zero-width positive lookahead。若此時(shí)有符合，則yes次描述為下一個(gè)符合標(biāo)的，若否，則no 次描述為下一個(gè)符合標(biāo)的。
(?(exp)yes) 和上述相同但無no次描述
(?(name)yes|no) 若name群組為有效群組名稱，則yes次描述為下一個(gè)符合標(biāo)的，若否，則no 次描述為下一個(gè)符合標(biāo)的。
47 (?(name)yes) 和上述相同但無no次描述
結(jié)論
經(jīng)過了一連串的例子，及Expresso的幫忙，相信各位大大對(duì)RE有個(gè)基本的了解，網(wǎng)絡(luò)上當(dāng)然有許多有關(guān)于RE的文章，如果各位大大有興趣http://www.codeproject.com 還有許多關(guān)于RE的相關(guān)文章。若大大對(duì)書有興趣的話，Jeffrey Friedl的Mastering Regular Expressions很多大大都有推(小弟還沒拜讀)。希望籍由這樣的心得報(bào)告，能讓對(duì)RE有興趣的大大能縮短學(xué)習(xí)曲線，當(dāng)然這是小弟第一次接觸RE，若文章中有什么錯(cuò)誤或說明的不好的地方，可要請(qǐng)各位大大體諒，并請(qǐng)各位大大將需要修正的地方mail給小弟，小弟會(huì)非常感謝各位大大。 |
posted on 2005-10-09 14:26
snoics 閱讀(301)
評(píng)論(0) 編輯 收藏 所屬分類:
它山之石