正则表达式(regular expression)--------------------------------------------------------------------------------关键字: 正则表达式,Regular Expression原著:笑容创作于:2004年05月03日最后更新:2004年05月04日 21:12版权声明:使用创作公用版权协议引用地址:正则表达式(regular expression)NAV: 笑容的八小时外 / 笑容的八小时外资料索引--------------------------------------------------------------------------------前言正则表达式是烦琐的,但是强大的,学会之后的应用会让你除了提高效率外,会给你带来绝对的成就感.只要认真去阅读这些资料,加上应用的时候进行一定的参考,掌握正则表达式不是问题.索引1._引子2._正则表达式的历史3._正则表达式定义3.1_普通字符3.2_非打印字符3.3_特殊字符3.4_限定符3.5_定位符3.6_选择3.7_后向引用4._各种操作符的运算优先级5._全部符号解释6._部分例子7._正则表达式匹配规则7.1_基本模式匹配7.2_字符簇7.3_确定重复出现--------------------------------------------------------------------------------1. 引子 目前,正则表达式已经在很多软件中得到广泛的应用,包括*nix(Linux, Unix等),HP等操作系统,PHP,C#,Java等开发环境,以及很多的应用软件中,都可以看到正则表达式的影子. 正则表达式的使用,可以通过简单的办法来实现强大的功能.为了简单有效而又不失强大,造成了正则表达式代码的难度较大,学习起来也不是很容易,所以需要付出一些努力才行,入门之后参照一定的参考,使用起来还是比较简单有效的.例子: ^.+@.+\\..+$ 这样的代码曾经多次把我自己给吓退过.可能很多人也是被这样的代码给吓跑的吧.继续阅读本文将让你也可以自由应用这样的代码. 注意:这里的第7部分跟前面的内容看起来似乎有些重复,目的是把前面表格里的部分重新描述了一次,目的是让这些内容更容易理解.2. 正则表达式的历史 正则表达式的"祖先"可以一直上溯至对人类神经系统如何工作的早期研究.Warren McCulloch 和 Walter Pitts 这两位神经生理学家研究出一种数学方式来描述这些神经网络. 1956 年, 一位叫 Stephen Kleene 的数学家在 McCulloch 和 Pitts 早期工作的基础上,发表了一篇标题为"神经网事件的表示法"的论文,引入了正则表达式的概念.正则表达式就是用来描述他称为"正则集的代数"的表达式,因此采用"正则表达式"这个术语. 随后,发现可以将这一工作应用于使用 Ken Thompson 的计算搜索算法的一些早期研究,Ken Thompson 是 Unix 的主要发明人.正则表达式的第一个实用应用程序就是 Unix 中的 qed 编辑器. 如他们所说,剩下的就是众所周知的历史了.从那时起直至现在正则表达式都是基于文本的编辑器和搜索工具中的一个重要部分. 3. 正则表达式定义 正则表达式(regular expression)描述了一种字符串匹配的模式,可以用来检查一个串是否含有某种子串,将匹配的子串做替换或者从某个串中取出符合某个条件的子串等.列目录时, dir *.txt或ls *.txt中的*.txt就不是一个正则表达式,因为这里*与正则式的*的含义是不同的. 正则表达式是由普通字符(例如字符 a 到 z)以及特殊字符(称为元字符)组成的文字模式.正则表达式作为一个模板,将某个字符模式与所搜索的字符串进行匹配.3.1 普通字符 由所有那些未显式指定为元字符的打印和非打印字符组成.这包括所有的大写和小写字母字符,所有数字,所有标点符号以及一些符号. 3.2 非打印字符字符 含义 \cx 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. 

bucket$ 这个模式与"Who kept all of this cash in a bucket"匹配,与"buckets"不匹配.字符^和$同时使用时,表示精确匹配(字符串与模式一样).例如:^bucket$ 只匹配字符串"bucket".如果一个模式不包括^和$,那么它与任何包含该模式的字符串匹配.例如:模式once 与字符串There once was a man from NewYorkWho kept all of his cash in a bucket.是匹配的. 在该模式中的字母(o-n-c-e)是字面的字符,也就是说,他们表示该字母本身,数字也是一样的.其他一些稍微复杂的字符,如标点符号和白字符(空格,制表符等),要用到转义序列.所有的转义序列都用反斜杠(\)打头.制表符的转义序列是:\t.所以如果我们要检测一个字符串是否以制表符开头,可以用这个模式:^\t 类似的,用\n表示"新行",\r表示回车.其他的特殊符号,可以用在前面加上反斜杠,如反斜杠本身用\\表示,句号.用\.表示,以此类推.7.2 字符簇在INTERNET的程序中,正规表达式通常用来验证用户的输入.当用户提交一个FORM以后,要判断输入的电话号码,地址,EMAIL地址,信用卡号码等是否有效,用普通的基于字面的字符是不够的.所以要用一种更自由的描述我们要的模式的办法,它就是字符簇.要建立一个表示所有元音字符的字符簇,就把所有的元音字符放在一个方括号里:[AaEeIiOoUu] 这个模式与任何元音字符匹配,但只能表示一个字符.用连字号可以表示一个字符的范围,如:[a-z] //匹配所有的小写字母 [A-Z] //匹配所有的大写字母 [a-zA-Z] //匹配所有的字母 [0-9] //匹配所有的数字 [0-9\.\-] //匹配所有的数字,句号和减号 [ \f\r\t\n] //匹配所有的白字符 同样的,这些也只表示一个字符,这是一个非常重要的.如果要匹配一个由一个小写字母和一位数字组成的字符串,比如"z2","t6"或"g7",但不是"ab2","r2d3" 或"b52"的话,用这个模式:^[a-z][0-9]$ 尽管[a-z]代表26个字母的范围,但在这里它只能与第一个字符是小写字母的字符串匹配.前面曾经提到^表示字符串的开头,但它还有另外一个含义.当在一组方括号里使用^是,它表示"非"或"排除"的意思,常常用来剔除某个字符.还用前面的例子,我们要求第一个字符不能是数字:^[^0-9][0-9]$ 这个模式与"&5","g7"及"-2"是匹配的,但与"12","66"是不匹配的.下面是几个排除特定字符的例子:[^a-z] //除了小写字母以外的所有字符 [^\\\/\^] //除了(\)(/)(^)之外的所有字符 [^\"\'] //除了双引号(")和单引号(')之外的所有字符 特殊字符"." (点,句号)在正规表达式中用来表示除了"新行"之外的所有字符.所以模式"^.5$"与任何两个字符的,以数字5结尾和以其他非"新行"字符开头的字符串匹配.模式"."可以匹配任何字符串,除了空串和只包括一个"新行"的字符串.PHP的正规表达式有一些内置的通用字符簇,列表如下:字符簇 含义 [[:alpha:]] 任何字母 [[:digit:]] 任何数字 [[:alnum:]] 任何字母和数字 [[:space:]] 任何白字符 [[:upper:]] 任何大写字母 [[:lower:]] 任何小写字母 [[:punct:]] 任何标点符号 [[:xdigit:]] 任何16进制的数字,相当于[0-9a-fA-F] 7.3 确定重复出现到现在为止,你已经知道如何去匹配一个字母或数字,但更多的情况下,可能要匹配一个单词或一组数字.一个单词有若干个字母组成,一组数字有若干个单数组成.跟在字符或字符簇后面的花括号({})用来确定前面的内容的重复出现的次数. 字符簇 含义 ^[a-zA-Z_]$ 所有的字母和下划线 ^[[:alpha:]]{3}$ 所有的3个字母的单词 ^a$ 字母a ^a{4}$ aaaa ^a{2,4}$ aa,aaa或aaaa ^a{1,3}$ a,aa或aaa ^a{2,}$ 包含多于两个a的字符串 ^a{2,} 如:aardvark和aaab,但apple不行 a{2,} 如:baad和aaa,但Nantucket不行 \t{2} 两个制表符 .{2} 所有的两个字符 这些例子描述了花括号的三种不同的用法.一个数字,{x}的意思是"前面的字符或字符簇只出现x次";一个数字加逗号,{x,}的意思是"前面的内容出现x或更多的次数";两个用逗号分隔的数字,{x,y}表示"前面的内容至少出现x次,但不超过y次".我们可以把模式扩展到更多的单词或数字:^[a-zA-Z0-9_]{1,}$ //所有包含一个以上的字母,数字或下划线的字符串 ^[0-9]{1,}$ //所有的正数 ^\-{0,1}[0-9]{1,}$ //所有的整数 ^\-{0,1}[0-9]{0,}\.{0,1}[0-9]{0,}$ //所有的小数 最后一个例子不太好理解,是吗?这么看吧:与所有以一个可选的负号(\-{0,1})开头(^),跟着0个或更多的数字([0-9]{0,}),和一个可选的小数点(\.{0,1})再跟上0个或多个数字([0-9]{0,}),并且没有其他任何东西($).下面你将知道能够使用的更为简单的方法.特殊字符"?"与{0,1}是相等的,它们都代表着:"0个或1个前面的内容"或"前面的内容是可选的".所以刚才的例子可以简化为:^\-?[0-9]{0,}\.?[0-9]{0,}$ 特殊字符"*"与{0,}是相等的,它们都代表着"0个或多个前面的内容".最后,字符"+"与 {1,}是相等的,表示"1个或多个前面的内容",所以上面的4个例子可以写成:^[a-zA-Z0-9_]+$ //所有包含一个以上的字母,数字或下划线的字符串 ^[0-9]+$ //所有的正数 ^\-?[0-9]+$ //所有的整数 ^\-?[0-9]*\.?[0-9]*$ //所有的小数 当然这并不能从技术上降低正规表达式的复杂性,但可以使它们更容易阅读.