[关闭]
@guoxs 2015-09-12T14:23:20.000000Z 字数 4632 阅读 4015

正则表达式入门

正则表达式

正则表达式 = 元字符 + 文字

1、常用的元字符

"*" ：通配符，任意文本
"?" :任意单个字符
"^"：匹配一行的开始
"$"匹配一行的结束
"[ea]"：字符组，匹配e或a。例如：H[123456]匹配<H1><H2><H3><H4><H5><H6>
"-"：字符组元字符，表示一个范围。如上例还可表示为<H[1-6>
"|"：或，匹配任意字表达式，同样的在字符组里字是一个普通的字符
"\<"、">"：元字符序列，单词分界符。

注意：只有在字符组内部,−才是元字符，但如果−出现在开头，则只是一个普通字符，同理，？、.在字符组里则是普通字符

一个字符组只能匹配目标文本中的单个字符，而每个多选结构自身都可能是完整的正则表达式，都可以匹配任意长度的文本。

例子：

  1. "^cat$"：只包含cat的行，无多余单词，无空的字符
  2. "^$"：匹配一个空行
  3. "^":匹配行开头，无意义
  4. "From|Subject|Date: "与"^(From|Subject|Date): "的区别
  5. "\<cat\>"：匹配单词开头，然后是cat，然后是单词结尾

2、排除型字符组

  1. "^1-6"：匹配除1到6外的任何字符
  2. "."：匹配任意字符的字符组

注意：对于"Iraq"，用"q[^u]"是无法匹配的，因为q后无字符，而一个字符组，即使是\排除型字符组，也需要匹配一个字符。

3、可选项元素

  1. "?"：代表可选项，匹配一个或0个。
  2. "+"：之后紧邻的元素出现一次或多次
  3. "*"：之前紧邻的元素出现任意多次，或者不出现
  4. "...*"：匹配尽可能多的次数，如果实在无法匹配，也不要紧
  5. "...+"：匹配尽可能多的次数，但如果一次都无法匹配，则报错
  6. "...{min,max}"：区间量词

反向引用：匹配与表达式先前部分同样的文本
例如：

  1. "([a-z])([0-9])\1\2"："\1"代表"[a-z]"匹配的内容，而"\2"代表"[0-9]"匹配的内容。

4、转义

"/"：转义符

  1. " "[^"]*" "：匹配引号内的字符串，用来匹配字符串的开头和结尾的引号，用" [^"] "来匹配除双引号外的任意字符，用" * "来表示两引号间可以存在任意数目的非双引号字符。

匹配美元：

  1. "^[+-]?[0-9]+(\.[0-9]*)?$"：不能匹配像".369"这样的小数

分组与捕获：

  1. "^([-+]?[0-9]+(\.[0-9]*)?)(CF)$"：其中有三个括号，会有三个捕获项。分别保存于$1、$2、$3中。
  3. "(?:)"：只分组不捕获。例如"^([-+]?[0-9]+(?:\.[0-9]*)?)(CF)$"只有两个捕获组，"(?:\.[0-9]*)"不在捕获组之内。

$(?:)表示非捕获组，使用非捕获组效率更高，因为引擎不需要记忆捕获文本。

5、perl语言中的正则表达式

常见字符：

  1. "\t"：制表符
  2. "\n"：换行符
  3. "\r"：回车符
  4. "\b"：匹配字符串开头或结尾，单词分界符
  5. "\s"：匹配任意空白字符，空白包括（空格符、制表符、换行符、回车符、进纸符）
  6. "\S"：匹配除"\s"外的任意字符
  7. "\w"：等同于"[a-zA-z0-9]"，"\w+"匹配一个单词
  8. "\W"：匹配除"\w"外的任意字符
  9. "\d"：[0-9]，匹配数字
  10. "\D"："[^0-9]"

例子：

  1. "m/^([-+]?[0-9]+(\.[0-9]*)?)\s*([CF])$/i"：i放在m/.../结构后面，不是正则表达式的一部分，而是m/.../的一部分，告诉Perl进行不区分大小写的匹配。

Perl用$variable =~ m/regex/来判断一个正则表达式是否匹配某个字符串，m表示“匹配”，斜线标注正则表达式边界，整个表达式返回一个布尔值。

使用正则表达式来修改文本
通式：$var =~ s/regex/replacement/
例子：
$var =~ s/\bJeff\b/Jeff/i："jeff"这个单词无论大小写都会被替换成"Jeff"。

问：选择12.345这样的浮点数，第三位小数不是0则保留。
$num =~ s/(\.\d\d[1-9]?)\d*/$1/：前两个"\d\d"表示匹配小数点后两位小数，"d[1-9]?"匹配第三个小数，"(.\d\d[1-9]?)"中捕获的内容保存在$1中，然后去替换原数字。

  1. " .* "表示一组任意字符。

6、环视

环视功能：不匹配任何字符，只匹配文本中的特定位置。

例子：将 Jeffs修改为Jeff's。

s/(?<=\bJeff)(?=s\b)/'/g：匹配一个位置，该位置在"Jeff"后，在"s"前，在该位置插入'。

  1. "(?<!\w)(?=\w)|(?<=\w)(?!\w)"等价于"\b",

问：修改数字为"12,345,678"这样的形式。

  1. s/(?<=\d)(?=\d\d\d)+(?!\b)/,/g

不使用逆序环视添加逗号

  1. s/(\d)((\d\d\d)+\d)/$1,$2/g,存在问题，((\d\d\d)+\b)为最终匹配文本，不能作为未匹配文本使用g，会匹配到"12,34567"这样的数字
  2. 解决方法：
  3. while($text =~ s/(\d)((\d\d\d)+b\)/$1,$2/g)
  4. {
  5.     循环不需任何操作
  6. }

大多数OS系统采用换行符作为一行的终结，而某些操作系统（主要为Windows）采用“回车+换行”结合体表示。

7、强制行锚点匹配模式

^ $匹配的不是逻辑行的开头与结尾，而是整个字符的串的开头和结尾的位置，但在强制行锚点匹配模式下，^ $会从字符串模式切换到逻辑行模式。在Perl中，使用/m选择此模式。

例如：

  1. $text=~ s/^$/<p>/mg：全局将空行替换为<p>标签。
  3. 若一行中有空白符则需用"^ *$"或者"^[ \t\r]*$"，或者用"$text =~ s/^/s*$/<p>/mg"更为安全。

将E-mail转换为超链接形式

  1. 例如：ifriedl@oreilly.com 转化为 <a href="mailto:ifriedl@oreilly.com">ifriedl@oreilly.com</a>。
  3. => $text =~ s/\b(username regex\@hostname regex)\b/<a href="mailto:$1">$1<\/a>/g；两个反斜杠是转义。添加单词分分界符"\b...\b"是为了避免不完整匹配的情况。

匹配主机与用户名

用户名第一个一般是字母，之后没有太多限制，故可以\w[-.\w]*匹配，对于主机名，两个点号之间必须要有分隔符，并且结尾一般为特定几中格式，故使用\w+(\.\w+)*\.(com|edu|info)(实际结尾还有其他格式)。
但是，使用\w还是有问题的，因为有些系统会匹配一些非ASCII字母，这里可以用[a-zA-Z0-9],主机名可能包含连字符，故完整版：[-a-z0-9]+(\.[-a-z0-9]+)*\.(com|edu|info)。

如果表达式较长，可以使用\x修饰符。\x允许用户以“宽松排列”编排表达式，也容许出现#开头的注释。\x只能用于正则表达式本身，而不能用于replacement字符串。

  1. undef s/;   #进入“文件读取”模式
  2. $text = <>;     #读入命令行中指定的第一个文件名
  3. $text =~ s/&/&amp;/g;   #把基本的HTML...
  4. $text =~ s/</&lt;/g;    ...字符&、<和>...
  5. $text =~ s/>/&gt;/g;    ...进行HTML转义
  7. $text =~ s/^\s*$/<p>/mg;    #划分段落
  9. #转化为连接形式...
  10. $text =~ s{
  11.     \b
  12.     #把地址保存到$1...
  13.     (
  14.         \w[-.\w]*                                   #username
  15.         \@
  16.         [-a-z0-9]+(\.[-a-z0-9]+)*\.(com|edu|info)   #hostname
  17.     )
  18.     \b
  19. }{<a href="mailto:$1">$1</a>}gix
  20. print $text;    #最后，显示HTML文本

将HTTP URL转化为连接形式
HTTP URL的基本形式是是http://hostname/path，其中path部分可选。
有几点需要注意：

  1. 1、 URL中path部分可以是各种字符，使用"[-a-z0-9_:@&?=+,.!/~*`%$]*"，在使用Perl时，必须对 @ 和 $进行转义。
  2. 2、 path后面不能接"\b",因为URL之后通常会接标点符号，如果末尾有"\b",就不能匹配。
  3. 3、末尾的标点不能成为链接的一部分，故可使用否定逆序环视"(?<![.,?!])"即可。

完整程序：

  1. undef s/;   #进入“文件读取”模式
  2. $text = <>;     #读入命令行中指定的第一个文件名
  3. $text =~ s/&/&amp;/g;   #把基本的HTML...
  4. $text =~ s/</&lt;/g;    ...字符&、<和>...
  5. $text =~ s/>/&gt;/g;    ...进行HTML转义
  7. $text =~ s/^\s*$/<p>/mg;    #划分段落
  9. #转化为连接形式...
  10. $text =~ s{
  11.     \b
  12.     #把地址保存到$1...
  13.     (
  14.         \w[-.\w]*                                   #username
  15.         \@
  16.         [-a-z0-9]+(\.[-a-z0-9]+)*\.(com|edu|info)   #hostname
  17.     )
  18.     \b
  19. }{<a href="mailto:$1">$1</a>}gix；
  20. #将HTTP URL转化为链接形式...
  21. $text =~ s{
  22.     \b
  23.     #将URL 保存至$1...
  24.     (
  25.         http:// [-a-z0-9]+(\.[-a-z0-9]+)*\.(com|edu|info) \b    #hostname
  26.     （
  27.         / [-a-z0-9_:\@&?=+,.!/~*`%\$]*  #path不一定会出现
  28.             (?<![.,?!])                 #不能以[.,?!]结尾
  29.     )？
  30. ）
  31. }{{<a href="$1">$1</a>}gix；
  32. print $text;    #最后，显示HTML文本

8、构建正则表达式库

使用Perl的qr操作符，接收一个正则表达式，生成一个"regex对象"，作为变量保存，方便以后调用。

  1. $HostnameRegex = qr/[-a-z0-9]+(\.[-a-z0-9]+)*\.(com|edu|info)/i;

问：为什么有时候@ $需要转义？
$即可表示单词结尾又可以标识变量，但在字符组内部，不能用来表示单次结尾，只能通过转义后标识变量。
@在Perl中表示数组，使用字符时需要转义。

在Perl中，正则表达式是“基础级别的”，也就是说，基本的运算符可以直接作用于正则表达式，就像+、-作用于数字一样，这样能够减轻使用正则表达式的语法包袱。

添加新批注
在作者公开此批注前，只有你和作者可见。
回复批注