10 KiB
10 KiB
正则表达式是什么鬼
正则表达式，又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。在很多文本编辑器里，正则表达式通常被用来检索、替换那些符合某个模式的文本。（以上内容来自维基百科）
现在是大数据时代，各种处理字符串恐怕是数据工作者最常用的技能了。另外，做网页的，做界面的，做爬虫的同学们，经常会需要查找替换各种复合某些复杂规则的字符串。换句话说，只要跟字符串打交道，就离不开正则表达式的身影。写得一手好正则，能极大地提高工作效率，这也是一个玩数据同志的切身体会。
So，Let’s Go，一起走进正则的奇妙世界吧
正则表达式元字符
| 字符 | 描述 |
| </td> | 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 后向引用、或一个八进制转义符。例如，‘n’ 匹配字符 “n”。‘’ 匹配一个换行符。序列 ‘\’ 匹配 “" 而”(" 则匹配 “(”。 |
| ^ | 匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性，^ 也匹配 ‘’ 或 ’ 之后的位置。 |
| </td> <td>匹配输入字符串的结束位置。如果设置了RegExp 对象的 Multiline 属性， 也匹配 ‘’ 或 ’ 之前的位置。 | |
| * | 匹配前面的子表达式零次或多次。例如，zo* 能匹配 “z” 以及 “zoo”。 * 等价于{0,}。 |
| + | 匹配前面的子表达式一次或多次。例如，‘zo+’ 能匹配 “zo” 以及 “zoo”，但不能匹配 “z”。+ 等价于 {1,}。 |
| ? | 匹配前面的子表达式零次或一次。例如，“do(es)?” 可以匹配 “do” 或 “does” 中的“do” 。? 等价于 {0,1}。 |
| {n} | n 是一个非负整数。匹配确定的 n 次。例如，‘o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的两个 o。 |
| {n,} | n 是一个非负整数。至少匹配n 次。例如，‘o{2,}’ 不能匹配 “Bob” 中的 ‘o’，但能匹配 “foooood” 中的所有 o。‘o{1,}’ 等价于 ‘o+’。‘o{0,}’ 则等价于 ’o*’。 |
| {n,m} | m 和 n 均为非负整数，其中m>=n，最少匹配 n 次且最多匹配 m 次。刘， “o{1,3}” 将匹配 “fooooood” 中的前三个 o。‘o{0,1}’ 等价于 ‘o?’。请注意在逗号和两个数之间不能有空格。 |
| ? | 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’。 |
| . | 匹配除 “” 之外的任何单个字符。要匹配包括 ‘’ 在内的任何字符，请使用象 ‘[.]’ 的模式。 |
| (pattern) | 匹配pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在Visual Basic Scripting Edition 中则使用 $0…$9 属性。要匹配圆括号字符，请使用 ‘(’ 或 ‘)’。 |
| (?:pattern) | 匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 “或” 字符 (|) 来组合一个模式的各个部分是很有用。例如， ‘industr(?:y|ies) 就是一个比 ’industry|industries’ 更简略的表达式。 |
| (?=pattern) | 正向预查，在任何匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如， ‘Windows (?=95|98|NT|2000)’ 能匹配 “Windows 2000” 中的 “Windows” ，但不能匹配 “Windows 3.1” 中的 “Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。 |
| (?!pattern) | 负向预查，在任何不匹配Negative lookahead matches the search string at any point where a string not matching pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如’Windows (?!95|98|NT|2000)’ 能匹配 “Windows 3.1” 中的 “Windows”，但不能匹配 “Windows 2000” 中的 “Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始 |
| x|y | 匹配 x 或 y。例如，‘z|food’ 能匹配 “z” 或 “food”。‘(z|f)ood’ 则匹配 “zood” 或 “food”。 |
| [xyz] | 字符集合。匹配所包含的任意一个字符。例如， ‘[abc]’ 可以匹配 “plain” 中的 ‘a’。 |
| [^xyz] | 负值字符集合。匹配未包含的任意字符。例如， ‘[^abc]’ 可以匹配 “plain” 中的’p’。 |
| [a-z] | 字符范围。匹配指定范围内的任意字符。例如，‘[a-z]’ 可以匹配 ‘a’ 到 ‘z’ 范围内的任意小写字母字符。 |
| [^a-z] | 负值字符范围。匹配任何不在指定范围内的任意字符。例如，‘[^a-z]’ 可以匹配任何不在 ‘a’ 到 ‘z’ 范围内的任意字符。 |
| /td> | 匹配一个单词边界，也就是指单词和空格间的位置。例如， ‘er 可以匹配“never” 中的 ’er’，但不能匹配 “verb” 中的 ‘er’。 |
| 匹配非单词边界。‘er’ 能匹配 “verb” 中的 ‘er’，但不能匹配 “never” 中的 ‘er’。 | |
| 匹配由x指明的控制字符。例如， 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。 | |
| /td> | 匹配一个数字字符。等价于 [0-9]。 |
| 匹配一个非数字字符。等价于 [^0-9]。 | |
| /td> | 匹配一个换页符。等价于 0c 和 。 |
| 匹配一个换行符。等价于 0a 和 。 | |
| /td> | 匹配一个回车符。等价于 0d 和 。 |
| 匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ 。 | |
| 匹配任何非空白字符。等价于 [^ 。 | |
| /td> | 匹配一个制表符。等价于 09 和 。 |
| /td> | 匹配一个垂直制表符。等价于 0b 和 。 |
| 匹配包括下划线的任何单词字符。等价于’[A-Za-z0-9_]’。 | |
| 匹配任何非单词字符。等价于 ‘[^A-Za-z0-9_]’。 | |
| 匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如， ‘41’ 匹配 “A”。‘041’ 则等价于 ‘04’ & “1”。正则表达式中可以使用 ASCII 编码。. | |
| 匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。例如，‘(.)\1’ 匹配两个连续的相同字符。 | |
| 标识一个八进制转义值或一个后向引用。如果 之前至少 n 个获取的子表达式，则 n 为后向引用。否则，如果 n 为八进制数字 (0-7)，则 n 为一个八进制转义值。 | |
| 标识一个八进制转义值或一个后向引用。如果 之前至少有is preceded by at least nm 个获取得子表达式，则 nm 为后向引用。如果 之前至少有 n 个获取，则 n 为一个后跟文字 m 的后向引用。如果前面的条件都不满足，若 n 和 m 均为八进制数字 (0-7)，则 将匹配八进制转义值 nm。 | |
| 如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。 | |
| 匹配 n，其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如， |