正则表达式(Regular Expression)

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）。

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。

元字符

字符	描述	例子
\	将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。	例如:“n”匹配字符“n”。“\n”匹配一个换行符。序列“\\”匹配“\”而“\(”则匹配“(”。
.	匹配除“\n”之外的任何单个字符。要匹配包括“\n”在内的任何字符，请使用像“(.|\n)”的模式。	例如：a.c 匹配abc,而[.|\n]* 则匹配任意字符
x|y	匹配x或y。常在括号中使用。	例如：“z|food”能匹配“z”或“food”。“(z|f)ood”则匹配“zood”或“food”。
[xyz]	字符集合（character class）。匹配所包含的任意一个字符。特殊字符仅有反斜线\保持特殊含义，用于转义字符。其它特殊字符如星号、加号、各种括号等均作为普通字符。脱字符^如果出现在首位则表示负值字符集合；如果出现在字符串中间就仅作为普通字符。连字符 - 如果出现在字符串中间表示字符范围描述；如果如果出现在首位则仅作为普通字符。	例如：“[abc]”可以匹配“plain”中的“a”。
[^xyz]	排除型（negate）字符集合。匹配未列出的任意字符。	例如:“[^abc]”可以匹配“plain”中的“p”“l”“i”“n”。
[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]	排除型的字符范围。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。
\cx	匹配由x指明的控制字符。 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。	例如:\cM匹配一个Control-M或回车符。
\xn	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。正则表达式中可以使用ASCII编码。.	例如:“\x41”匹配“A”。“\x041”则等价于“\x04&1”。
\num	向后引用（back-reference）一个子字符串（substring），该子字符串与正则表达式的第num个用括号围起来的子表达式（subexpression）匹配。其中num是从1开始的正整数，其上限可能是99。 详见 分组与后向引用	例如：“(.)\1”匹配两个连续的相同字符。
\n	标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式，则n为向后引用。否则，如果n为八进制数字（0-7），则n为一个八进制转义值。
\nm	标识一个八进制转义值或一个向后引用。如果\nm之前至少有nm个获得子表达式，则nm为向后引用。如果\nm之前至少有n个获取，则n为一个后跟文字m的向后引用。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\nm将匹配八进制转义值nm。
\nml	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。
\un	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:\u00A9匹配版权符号（©）。

量词（用在字符或()之后）

元字符	描述	例子
*	量词，匹配前面的子表达式零次或多次。	例如:zo*能匹配“z”、“zo”以及“zoo”。*等价于{0,}。
+	量词，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,}。
?	量词，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}	量词，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。可看做是{n,m}中m默认为无限。	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n<=m。最少匹配n次且最多匹配m次。	例如:“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。如：*?、+?、??、{n,m}?、{n,}?	例如:对于字符串“oooo”，“o+?”将匹配单个“o”，而“o+”将匹配所有“o”。

边界匹配

元字符	描述	例子
^不位于[]内	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“\n”或“\r”之后的位置。	例如:^\d{3} 与搜索字符串开始处的 3 个数字匹配。
$	匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性，$也匹配“\n”或“\r”之前的位置。	例如:\d{3}$ 与搜索字符串结尾处的 3 个数字匹配。
\b	匹配一个单词开头与结尾也即边界，也就是指单词和空格间的位置。相当于(?	例如:“er\b”可以匹配“never”中的“er”，但不能匹配“verb”中的“er”。
\B	匹配非单词边界。	例如:“er\B”能匹配“verb”中的“er”，但不能匹配“never”中的“er”。
\A	匹配字符串的开头，但不匹配内部行的开头。	例如:“\Aabc”能匹配“abcdef”中的“abc”，但不能匹配“aabcd”中的“abc”。
\z	匹配字符串的结尾，但不匹配内部行的结尾。	例如:“def\z”能匹配“abcdef”中的“def”，但不能匹配“defdefabc”中的“def”。

分组语法

元字符	描述	例子
(pattern)	匹配pattern，并捕获文本到自动命名的组里。该子字符串用于向后引用。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JScript中则使用$0…$9属性。要匹配圆括号字符，请使用“\(”或“\)”。详细见后面分组与后向引用。	例如：\b(\w+)\b\s+\1\b可以用来匹配重复的单词，像go go,或者kitty kitty。\1则代表了前面()捕捉到的字符串
(?:pattern)	匹配pattern，但不捕获匹配的文本，也不给此分组分配组号。也就是说这是一个非获取匹配，不存储匹配的子字符串用于向后引用。因为我们经常会使用到()小括号，使用此会节约资源。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)	正向肯定预查，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“Windows2000”中的“Windows”，但不能匹配“Windows3.1”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)	正向否定预查，在任何不匹配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“Windows3.1”中的“Windows”，但不能匹配“Windows2000”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)	反向肯定预查，与正向肯定预查类似，只是方向相反。	例如:“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”，但不能匹配“Windows2000”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)	反向否定预查，与正向否定预查类似，只是方向相反。	例如: “(?<!95|98|NT|2000)Windows”能匹配“3.1Windows”中的“Windows”，但不能匹配“2000Windows”中的“Windows”。

预定义字符集（可以写在字符集[...]中）

元字符	描述	等价于
\d	匹配一个数字字符。	等价于[0-9]。
\D	匹配一个非数字字符。	等价于[^0-9]。
\w	理论上匹配包括下划线的任何单词字符。 实际上：在支持ASCII码的语言中，如JavaScript，“\w”等价于“[A-Za-z0-9_]”; 在支持Unicode的语言中，如.NET，默认情况下，“\w”除可以匹配[a-zA-Z0-9_]外，还可以匹配一些Unicode字符集，如汉字，全角数字等等。 几乎所有常见的语言都遵循这样一个规律，只有Java是个例外。	等价于“[A-Za-z0-9_]”。
\W	匹配任何非单词字符。类似上面	等价于“[^A-Za-z0-9_]”。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。	等价于[ \f\n\r\t\v]。
\S	匹配任何非空白字符。	等价于[^ \f\n\r\t\v]。

不可打印字符

元字符	匹配	等价于
\f	匹配一个换页符。	等价于\x0c和\cL。
\n	匹配一个换行符。	等价于\x0a和\cJ。
\r	匹配一个回车符。	等价于\x0d和\cM。
\t	匹配一个制表符。	等价于\x09和\cI。
\v	匹配一个垂直制表符。	等价于\x0b和\cK。

优先级

优先权	符号
最高	\
高	( )、(?: )、(?= )、[ ]
中	*、+、?、{n}、{n,}、{m,n}
低	^、$、中介字符
最低	l

注释

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)|250-5|[01]?\d\d?(?#0-199)。

其他

分组与后向引用

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。

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。(不同语言可能表达不大一样)

• 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
  
  

例如：

\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)。

也可以自己指定子表达式的组名。要指定一个子表达式的组名，请使用这样的语法：(?<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，你可以使用\k<Word>,所以上一个例子也可以写成这样：\b(?<Word>\w+)\b\s+\k<Word>\b。

Note:不同语言也许语法上会有些许出入。

\w的范围

在支持ASCII码的语言中，如JavaScript，“\w”等价于[a-zA-Z0-9_];

在支持Unicode的语言中，如.NET，默认情况下，“\w”除可以匹配[a-zA-Z0-9_]外，还可以匹配一些Unicode字符集，如汉字，全角数字等等。

几乎所有常见的语言都遵循这样一个规律，只有Java是个例外。在Java中，“\w”的表现是比较奇怪的，Java是支持Unicode的，但Java的正则中的“\w”却是等价于[a-zA-Z0-9_]的。

先来看一下“\w”在几种语言中匹配的例子

Javascript:

<script language="javascript">
    var str = "abc_123中文_d3=efg汉字%";
    var reg = /\w+/g;
    var arr = str.match(reg);
    if(arr != null)
    {
        for(var i=0;i<arr.length;i++)
        {
            document.write(arr[i] + "<br />");
        }
    }
</script>
/*-------- JavaScript中输出--------
abc_123
_d3
Efg
*/

C#:

string test = "abc_123中文_d3=efg汉字%";
MatchCollection mc = Regex.Matches(test,@"\w+");
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*-------- C#中输出--------
abc_123中文_d3
efg汉字
*/

Java:

String test = "abc_123中文_d3=efg汉字%";
String reg = "\\w+";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
    System.out.println(m.group());
}
/*-------- Java中输出--------
abc_123
_d3
Efg
*/

可以看到，“\w”在Java中的输出和JavaScript中是一样的，都是只支持ASCII字符。


\b的范围

见语言中“\w”的范围确定了，那么是不是可以认为“\b”的匹配范围与“\w”也是一致的呢？再看下下面的例子：

源字符串：abc_123中文_d3=汉字efg

正则表达式：.\b.

JavaScript:

<script language="javascript">
    var str = "abc_123中文_d3=efg汉字%";
    var reg = /.\b./g;
    var arr = str.match(reg);
    if(arr != null)
    {
        for(var i=0;i<arr.length;i++)
        {
            document.write(arr[i] + "<br />");
        }
    }
</script>
/*-------- JavaScript中输出--------
3中
文_
3=
g汉
*/

C#:

string test = "abc_123中文_d3=efg汉字%";
MatchCollection mc = Regex.Matches(test,@".\b.");
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*-------- C#中输出--------
3=
字%
*/

Java:

String test = "abc_123中文_d3=efg汉字%";
String reg = ".\\b.";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
    System.out.println(m.group());
}
/*-------- Java中输出--------
3=
字%
*/

可以看到，Java的输出和.NET是一致的，“\b”在Java中是支持Unicode的。

Note:“\b”用在正则中，通常情况下都是表示单词边界的，只有在字符组中，它表示的是退格键。

如:即[a-z\b]此处的“\b”表示的是退格键，而不是单词边界。

所以总的来说，Java中的“\w”是很奇怪的，而“\b”是与其它语言表现一致的，在使用时需要注意。

转载请注明来自: blog.csdn.net/epluguo

附：

在线正则表达式验证器：

https://www.debuggex.com

https://mengzhuo.org/regex/

参考:

http://en.wikipedia.org/wiki/Regularexpression#citenote-PerlBestPractices-33

http://www.greenend.org.uk/rjk/tech/regexp.html

http://zh.wikipedia.org/wiki/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F

http://msdn.microsoft.com/zh-cn/library/ae5bf541(v=vs.100).aspx

http://deerchao.net/tutorials/regex/regex.htm

http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html