系统地学习正则表达式(一)：基础篇

1. 什么是正则表达式

正则表达式就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，用来表达对字符串的一种过滤逻辑。

通过正则表达式可以达到如下的目的：

给定的字符串是否符合正则表达式的过滤逻辑（称作“匹配”）；

可以通过正则表达式，从字符串中获取我们想要的特定部分。

2. 匹配普通文本字符

正则表达式可以只包含普通的文本，代表去精确匹配这个文本。例如:

正则表达式：song
待匹配文本：xiaosongge，xiaoSongge
匹配后结果：xiaosongge，xiaoSongge

正则表达式默认是区分大小写的，所以song不会匹配 "Song" 。但是大部分的正则表达式实现都提供了一个选项表示不区分大小写。

3. 匹配任意字符

.用来匹配一个任意字符，例如：

正则表达式：c.t
待匹配文本：cat cet caaat dog
匹配后结果：cat cet caaat dog

分析：c.t会匹配以" c "开头，以" t "结尾，中间为任意字符的字符串。

同理，多个连续的.可以匹配多个连续的任意字符：

正则表达式：c..t
待匹配文本：cat cet caat dog
匹配后结果：cat cet caat dog

4. 匹配任意字符

.在正则表达式中含有特殊的意义，是一个特殊的字符。\也是特殊字符，可以对特殊字符起到转义作用。如果你想匹配的是一个真正的" . "字符，需要在.前面加上\对字符进行转义。所以，\.表示真正的" . "字符。

正则表达式：c\.t
待匹配文本：cat c.t dog
匹配后结果：cat c.t dog

注意：因为\也是特殊字符，所以想要匹配一个真正的" \ "字符，需要使用两个反斜线\\\\：

正则表达式：c\\\t
待匹配文本：cat c\t dog
匹配后结果：cat c\t dog

5. 使用字符集

上面说到.能匹配一个任意字符，但是如果我想匹配几个特定字符怎么办？匹配一组特定的字符可以使用[和]元字符。

正则表达式：c[ab]t
待匹配文本：cat cbt cet
匹配后结果：cat cbt cet

分析：[ab]会匹配" a "或者" b "。所以c[ab]t会匹配" cat "和" cbt "而不会匹配" cet "。

6. 使用字符组区间

在上面的例子中，假如我想匹配cet怎么办，在[]里面多加一个吗？那如果我想匹配任意小写字母呢，往里面写几十个吗？虽然是可以的，但是太长了。这里我们可以用到[a-z]：

正则表达式：c[a-z]t
待匹配文本：cat cbt czt c2t
匹配后结果：cat cbt czt c2t

分析：c[a-z]t表示以" c "开头，" t "结尾，中间为字母 " a " - " z " 的任意一个字母。

类似的区间还有：

[0-9] 和[0123456789]的功能一样。匹配所有的数字。
[A-F] 匹配A到F的大写字符。
[A-Z] 匹配所有的 A 到 Z 的大写字符。
[a-z] 匹配所有的 a 到 z 的小写字符。
[A-z] 匹配从 ASCII A 到 ASCII z 的所有字符（不仅仅匹配所有字母，还匹配在 ASCII 表中 A 到 z 中的字符，如 [ 和 ^ 等）。
[A-Za-z0-9] 匹配所有的大小写字母和数字。

7. 非字符集匹配

字符集合一般用于指定一组需要匹配的字符。但是有些时候，你想要排除一组你不想匹配的字符。可以通过对于字符集合的否定来实现。例如：

正则表达式：c[^a-z]t
待匹配文本：cat cbt czt c2t cAt
匹配后结果：cat cbt czt c2t cAt

分析：这个和前面一个例子完全相反。[a-z] 匹配所有的小写字母，而 [^a-z] 匹配所有的不是小写字母的字符。

注意，^字符是将字符集合中的所有字符都取消匹配。

8. 元字符

元字符在正则表达式中有特殊的意义，上面我们已经说了几个元字符，比如.、[和]。这些字符不能直接表示自己的含义，例如，不能直接使用[来匹配" [ "，使用.来匹配" . "。

所有的元字符都可以在前面加上反斜线转义，当转义后，字符将匹配自身而不是其特殊含义。例如，\[将匹配" [ ":

正则表达式：a\[b
待匹配文本：a[b ab a[[b
匹配后结果：a[b ab a[[b

注意：\用来转义元字符，这也意味着\也是一个元字符。所以如果需要匹配真正的" \ "，可以使用\\\：

正则表达式：a\\\b
待匹配文本：a\b a\b a[[b
匹配后结果：a\b a\b a[[b

空白字符 有时候你可能需要匹配文本中不能打印的空白字符。例如，你希望能够找到所有的 Tab 字符，或者是所有的换行符。你可以使用下表中的特殊元字符：

例如\r\n将匹配一个回车换行组合，在 Windows 中表示一个文件换行。在 Linux 和 Unix 系统中，只需要使用\n即可。

9. 匹配特定的字符类型

有一些特殊的元字符可以用来匹配常用的字符集合。这些元字符被称为匹配字符类。你会发现使用它们是很方便的。

匹配数字或者非数字 上面说到，[0-9] 可以匹配所有的数字。如果不想匹配任何数字，则可以使用[^0-9]。下表中列出了数字和非数字的类元字符：

正则表达式：c\dt
待匹配文本：cat c2t czt c9t
匹配后结果：cat c2t czt c9t

正则表达式：c\Dt
待匹配文本：cat c2t czt c9t
匹配后结果：cat c2t czt c9t

匹配字母字符和非字母字符 另外一个常用的类元字符是\w和\W：

正则表达式：c\wt
待匹配文本：cat c2t czt c-t c\t
匹配后结果：cat c2t c-t c\t

正则表达式：c\Wt
待匹配文本：cat c2t c-t c\t
匹配后结果：cat c2t c-t c\t

匹配空白和非空白 最后一个将要遇到的匹配类是空白类：

正则表达式：c\st
待匹配文本：cat c t c2t c\t
匹配后结果：cat c t c2t c\t

正则表达式：c\St
待匹配文本：cat c t c2t c\t
匹配后结果：cat c t c2t c\t

10. 匹配一个或者多个字符

+元字符表示匹配一个或者多个字符。例如，a将匹配"a"，而a+则匹配一个或者多个"a"。

正则表达式：cat
待匹配文本：ct cat caat caaat
匹配后结果：ct cat caat caaat

正则表达式：ca+t
待匹配文本：ct cat caat caaat
匹配后结果：ct cat caat caaat

分析：c[0-9]+t表示以" c "开头，以" t "结尾，中间为一个或多个数字的字符串。

当然，[0-9+]也是一个合法的正则表达式，但它表示一个包含 " 0 " - " 9 " 和 " + " 符号的字符集合。

一般的，元字符如.和+等用于字符集合的时候是作为字面含义使用的，因此没有必要转义。但是对其进行转义也没错，所以，[0-9+]和[0-9\+]的功能是一样的。

注意：+是一个元字符，匹配"+"需要使用转义\+。

11. 匹配零个或者多个字符

如果希望匹配零个或更多字符的时候，可以使用*元字符。

正则表达式：ca*t
待匹配文本：ct cat caat cbt
匹配后结果：ct cat caat cbt

注意：*符号是元字符。为了能够匹配" * "，需要进行转义\*。

12. 匹配零个或者一个字符

?匹配零个或者一个字符。所以，?非常适合于在文本中匹配一个可选的字符。

正则表达式：ca?t
待匹配文本：ct cat caat cbt
匹配后结果：ct cat caat cbt

注意：?符号是元字符。为了能够匹配" ? "，需要进行转义\?。

13. 使用匹配次数

正则表达式允许指定匹配的次数。次数可以在“ { ”和“ } ”之间指定。 注意：{和}也是元字符，在使用字面含义的时候需要转义。

精确次数匹配 为了指定匹配的次数，你可以在{和}之间输入数字。例如，{3}将匹配 3 次前面出现的字符或集合：

正则表达式：ca{3}t
待匹配文本：ct cat caaat cbt
匹配后结果：ct cat caaat cbt

至少次数匹配 我们也可以只指定匹配的最小值。例如，{2,}意味着匹配 2次或者更多次：

正则表达式：ca{1,}t
待匹配文本：ct cat caaat cbt
匹配后结果：ct cat caaat cbt

次数区间匹配 我们还可以使用最小值和最大值来确定匹配的数量。例如，{2,3}意味着最少匹配 2次，最多匹配3次。

正则表达式：ca{2,3}t
待匹配文本：ct cat caaat cbt
匹配后结果：ct cat caaat cbt

所以?和{0,1}的功能是一样的，+和 {1,}的作用是一样的。

14. 非贪婪匹配

先看看下面的例子：

正则表达式：s.*g
待匹配文本：xiao song xiao song
匹配后结果：xiao song xiao song

分析：s.*g并没像预想中的匹配两个" song "，而是匹配了第一个" s "和最后一个 " g "之间的所有文本。

这是因为*和+都是贪婪匹配。也就是说，正则表达式总是寻找最大的匹配，而不是最小的，这是故意设计的。

但是如果你不希望贪婪匹配的时候就要使用这些量词的非贪婪匹配（匹配尽可能少的字符）。非贪婪量词是在量词后面加上?：

*?是*的非贪婪版本，所以可以使用*?来修改上面的例子：

正则表达式：s.*?g
待匹配文本：xiao song xiao song
匹配后结果：xiao song xiao song

分析：可以看到s.*?g匹配到了两个" song "。

15. 自定义字符串边界

字符串边界匹配的元字符是^和$，分别用于字符串的开始和结束。

^用法如下：

正则表达式：^xiao

待匹配文本：xiaosong 匹配后结果：xiaosong

待匹配文本：axiaosong 匹配后结果：axiaosong

分析：^xiao匹配以" xiao "开头的字符串。

$用法如下：

正则表达式：song$

待匹配文本：xiaosong 匹配后结果：xiaosong

待匹配文本：xiaosonga 匹配后结果：xiaosonga

分析：song$匹配以"song "结尾的字符串。

共同使用：

正则表达式：^[0-9a-zA-Z]{4,}$

待匹配文本：a1b234ABC 匹配后结果：a1b234ABC

待匹配文本：+a1b23=4ABC 匹配后结果：+a1b23=4ABC

分析：^[0-9a-zA-Z]{4,}$匹配用数字或者字母组成的，并且位数大于等于四位的字符串。

注意：^如果位于集合开始处的话，则表示否定；如果在集合外面，则将匹配字符串的开始位置。大家可以试试[^0-9]和^[0-9]的区别。

使用多行模式

但是(?m)可以启用多行模式。在多行模式下，正则表达式引擎将换行符作为字符串的分隔符，^将匹配文本的开始或者一行的开始，而$则可以匹配文本的结束或者是一行的结尾处。

修改下上个例子：

正则表达式：(?m)^[0-9a-zA-Z]{4,}$

待匹配文本：a1b234ABC +a1b23=4ABC ABC123456

匹配后结果：a1b234ABC +a1b23=4ABC ABC123456

析：(?m)^[0-9a-zA-Z]{4,}$会去匹配每行用数字或者字母组成的，并且位数大于等于四位的字符串。

注意：如果使用多行模式的话，(?m)必须放置在正则表达式的开始。 (?m)在大部分的正则表达式实现中并不支持。有些正则表达式实现还支持使用\A匹配字符串的开始，\Z匹配字符串的结束。如果支持的话，则这些元字符的功能和^、$是一样的。但是这些元字符不能使用(?m)修饰，所以也不能用于多行模式。