正则表达式快速入门笔记

0. 基础概念

正则表达式是以字符为单位匹配文本（字符串）的模式（pattern）表达式。正则表达式是区分字母大小写的¹，它由普通字符（plain text）和元字符²（metacharacter）构成。

其中，一部分元字符可代表某些特定的普通字符的集合（它们统称为：特殊字符元字符），另一部分是正则表达式语法的组成部分（语法关键字）。

1. 匹配单个字符

可通过一个普通字符、一个字符集或一个（特殊字符）元字符来匹配待查字符串中的某个字符。普通字符仅能匹配与其自身完全相同的字符；字符集³可以匹配与集合中任意一个（普通）字符相同的字符；元字符可以匹配与它所代表的字符集中的任意一个（普通）字符相同的字符。

字符集用一组成对使用的元字符左方括号（$[$）和右方括号（$]$）来定义，其含义是必须匹配该集合里的字符之一（各个字符之间是 OR 逻辑关系，而不是 AND 关系）。一般来讲，可通过列举出所有可能的普通字符来定义一个字符集，代码如下所示：

# 列举法定义字符集
[Rr]
[ns]

当列举出的普通字符是某个（ASCII码表）字符区间内的连续字符序列时，也可使用元字符 - 以字符区间的方式定义一个字符集，代码如下所示：

# 字符区间法定义字符集
[0-9]	# 等效于 [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
[A-Z]	# 等效于 [A, B, C, D, E, F, G, H, I, J, K, L, M, N, O, P, Q, R, S, T, U, V, W, X, Y, Z]
[a-z]	# 等效于 [a, b, c, d, e, f, g, h ,i, j, k, l, m, n, o, p, q, r, s, t, u, v, w, x, y, z]

在字符集内的开头位置（即在左方括号之后，首个普通字符之前）添加元字符 ^，可表示排除字符集合内指定的字符之外的所有字符组成的集合，相当于给定字符集的非逻辑关系。

常用的代表特定字符集的元字符，如下表所示：

元字符	说明
.4	可以匹配任意字符（包括其本身）
[\b]	退格符（Backspace 键）
\f	换页符
\n	换行符
\r	回车符
\t	制表符（Tab 键）
\v	垂直制表符
\s	空白字符集，等价于 [\f\n\r\t\v]
\S	非空白字符集，等价于 [^\f\n\r\t\v]
\d	数字字符集，等价于 [0-9]
\D	非数字字符集，等价于 [^0-9]
\w	英文字母及数字字符集，等价于 [a-zA-Z0-9_]
\W	非英文字母及数字字符集，等价于 [^a-zA-Z0-9_]
\x	十六进制数字符集
\05	八进制数字符集

2. 匹配多个连续字符

按字符出现顺序，依次排列匹配该（单个）字符的普通字符、字符集或元字符，即可匹配多个连续字符。若有连续重复出现的字符，可通过指定匹配该字符的普通字符、字符集或元字符的重复匹配次数（或次数区间）来实现匹配，不用多次重复书写。

普通字符、字符集或元字符的重复匹配次数由量词元字符指定，量词元字符又可分为“贪婪型”（greedy）量词元字符和“懒惰型”（lazy）量词元字符两种。贪婪型（greedy）元字符会尽可能地从一段文本的开头一直匹配到末尾，而不是碰到第一个匹配时就停止。而懒惰型（lazy）元字符正相反，它匹配尽可能少的字符，当遇到第一个匹配时即停止，可有效避免过度匹配。

常用量词元字符如下表所示：

型元字符	说明
*	匹配前一个字符（或子表达式）的零次或任意多次重复
+	匹配前一个字符（或子表达式）的一次或任意多次重复
？	匹配前一个字符（或子表达式）的零次或一次重复
{n}	匹配前一个字符（或子表达式）的 n 次重复
{m, n}	匹配前一个字符（或子表达式）的至少 m 次且至多 n 次重复
{n, }	匹配前一个字符（或子表达式）的至少 n 次重复
*?	* 的懒惰型版本
+?	+ 的懒惰型版本
{n, }?	{n, } 的懒惰型版本

3. 匹配特定位置的单/多个字符

位置元字符可指定匹配字符在待查字符串中出现的位置，如字符串中某一单词的开头/结尾，或待查字符串的开头或结尾等位置。常见的位置元字符如下表所示：

元字符	说明
\b	匹配单词的边界（开头和结尾）6，如：匹配以 cat 开头的单词：\bcat；匹配以 cat 结尾的单词：cat\b；匹配一个完整的单词7：\bcat\b
\B	\b 的反义，即匹配单词的内部（非开头和结尾的字符）
^	匹配字符串的开头，需写在正则表达式语句的开头第一个字符位置
$	匹配字符串的结尾，需写在正则表达式语句的结尾最后一个字符位置

4. 其他常用功能

其他常用的元字符还有：

• 元字符 \ ：转义字符
• 元字符 | ：或逻辑
• 元字符对左右圆括号 () ：子表达式

---

1. 所以 Ben 不匹配 ben ︎

2. 元字符是一种系统关键字，在正则表达式中起某种特殊 ︎

3. 字符集是由多个普通字符组成的一个集合，待查字符串中的某个字符与集合中的任意一个普通字符相同，都算匹配成功。如：数字字符集 [0-9]，它等效于 [0, 1, 2, 3, 4, 5, 6, 7, 8,9] ︎

4. 是英文句号 ︎

5. 是数字 0，不是英文字母 o ︎

6. 元字符 \b 匹配的是字符之前的一个位置，即：一边是单词（能够被\w匹配的字符）且另一边是其他内容（能够被\W配的字符）的两个字符之间的位置 ︎

7. 要在待匹配文本的模式语句的前后两端，都加上元字符\b︎