.net中的正则表达式使用高级技巧-阿里云开发者社区

开发者社区> 真爱无限> 正文

.net中的正则表达式使用高级技巧

简介: 一、前言 一、本系列文章不讲述基本的正则语法,这些可以在微软的JS帮助文档中找到,也可以Google一下二、写系列文章的原因 1、正则很有用,而且经常要用 2、正则的一些高级用法有相当一部分人还没有理解和掌握 3、刚好又在网上看到了一篇文章错误的使用了正则式,使我有了写本文的冲动 4、本系列文章的大部分知识可同时适用于.
+关注继续查看

一、前言

一、本系列文章不讲述基本的正则语法,这些可以在微软的JS帮助文档中找到,也可以Google一下
二、写系列文章的原因
1、正则很有用,而且经常要用
2、正则的一些高级用法有相当一部分人还没有理解和掌握
3、刚好又在网上看到了一篇文章错误的使用了正则式,使我有了写本文的冲动
4、本系列文章的大部分知识可同时适用于.net语言,JavaScript
三、本系列文章特点:尽量使用小例子来说明相对难懂而很多正则书籍都没有说清的正则语法
四、本系列文章内容:替换的高级语法,内联表达式选项,组,反向引用,正声明,负声明,正反声明,负反声明,非回溯匹配,判断式,.net正则引擎特点等
 

转载自:http://www.cnblogs.com/think/

http://www.cnblogs.com/thinhunan/archive/2006/02/28/RegexExpressionSyntax1.html

http://www.cnblogs.com/thinhunan/archive/2006/03/01/regexexpressionsyntax2.html

http://www.cnblogs.com/thinhunan/archive/2006/03/02/regexexpressionsyntax3.html

http://www.cnblogs.com/thinhunan/archive/2006/03/03/regexexpressionsyntax4.html

1、高级技巧1

替换

Regex类有一个静态的Replace方法,其实例也有一个Replace方法,这个方法很强大,因为它可以传入一个delegate,这样,你可以自定义每次捕获匹配时,如何处理捕获的内容。 

        public static void Main()
        
{    
            
string s = "1 12 3 5";
            s 
= Regex.Replace(s,@"\d+",new MatchEvaluator(CorrectString),RegexOptions.Compiled|RegexOptions.IgnoreCase);
            Console.WriteLine(s);
            Console.ReadLine();
        }

        
private static string CorrectString(Match match)
        
{
            
string matchValue = match.Value;
            
if(matchValue.Length == 1)
                matchValue 
= "0" + matchValue;
            
return matchValue;
        }

以上这段代码说明了如果使用delegate MatchEvaluator来处理正则的Match结果,该代码返回"01 12 03 05"Replace方法除了使用delegate来处理捕获的Match,还可以用字符串来替换Match的结果,而用字符串来替换Match结果除了把Match结果静态的替换成一个固定的文本外,还可以使用以下语法来更方便的实现你需要的功能:

$number

把匹配的第number组替换成替换表达式,还有这句话怎么写也表达不清楚意思,还是来个例子吧:

        public static void Main()
        
{    
            
string s = "1 12 3 5";
            s 
= Regex.Replace(s,@"(\d+)(?#这个是注释)","0$1",RegexOptions.Compiled|RegexOptions.IgnoreCase);
            Console.WriteLine(s);
            Console.ReadLine();
        }

这段代码返回的是 01 012 03 05

就是说,对组一的每个匹配结果都用"0$1"这个表达式来替换,"0$1""$1"由组1匹配的结果代入

${name}

把匹配的组名为"name"的组替换成表达式,

上例的Regex expression改成@"(?<name>\d+)(?#这个是注释)"后面的替换式改为"0${name}"结果是一样的

$$  

$的转义符,如上例表达式改成@"(?<name>\d+)(?#这个是注释)""$$${name}",则结果为"$1 $12 $3 $5"

$&

替换整个匹配

$`

替换匹配前的字符

$'

替换匹配后的字符

$+

替换最后匹配的组

$_

替换整个字符串

后面的选项,大家自己写个例子体味一下。

*,上例中的(?#这个是注释)说明了正则的内联注释语法为(?#)


表达项选项

正则表达式选项RegexOptions有如下一下选项,详细说明请参考联机帮助

RegexOptions枚举值

内联标志

简单说明

ExplicitCapture

n

只有定义了命名或编号的组才捕获

IgnoreCase

i

不区分大小写

IgnorePatternWhitespace

x

消除模式中的非转义空白并启用由 # 标记的注释。

MultiLine

m

多行模式,其原理是修改了^$的含义

SingleLine

s

单行模式,和MultiLine相对应

这里我提到内联标志,是因为相对于用RegexOptionsnew Regex时定义Regex表达式的全局选项来说,内联标志可以更小粒度(以组为单位)的定义匹配选项,从而更方便表达我们的思想

语法是这样的:(?i:expression)为定义一个选项,(?-i:expression)为删除一个选项,(?i-s:expression)则定义i,删除s,是的,我们可以一次定义很多个选项。这样,通过内联选项,你就可以在一个Regex中定义一个组为匹分大小写的,一个组不匹分大小写的,是不是很方便呢?


2、高级技巧2

组的概念

一个正则表达式匹配结果可以分成多个部分,这就是组(Group)的目的。能够灵活的使用组后,你会发现Regex真是很方便,也很强大。

先举个例子  

        public static void Main()
        
{    
            
string s = "2005-2-21";
            Regex reg 
= new Regex(@"(?<y>\d{4})-(?<m>\d{1,2})-(?<d>\d{1,2})",RegexOptions.Compiled);
            Match match 
= reg.Match(s);
            
int year =  int.Parse(match.Groups["y"].Value);
            
int month = int.Parse(match.Groups["m"].Value);
            
int day = int .Parse(match.Groups["d"].Value);
            DateTime time 
= new DateTime(year,month,day);
            Console.WriteLine(time);
            Console.ReadLine();
        }

以上的例子通过组来实现分析一个字符串,并把其转化为一个DateTime实例,当然,这个功能用DateTime.Parse方法就能很方便的实现。

在这个例子中,我把一次Match结果用(?<name>)的方式分成三个组"y","m","d"分别代表年、月、日。

现在我们已经有了组的概念了,再来看如何分组,很简单的,除了上在的办法,我们可以用一对括号就定义出一个组,比如上例可以改成  

        public static void Main()
        
{    
            
string s = "2005-2-21";
            Regex reg 
= new Regex(@"(\d{4})-(\d{1,2})-(\d{1,2})",RegexOptions.Compiled);
            Match match 
= reg.Match(s);
            
int year =  int.Parse(match.Groups[1].Value);
            
int month = int.Parse(match.Groups[2].Value);
            
int day = int .Parse(match.Groups[3].Value);
            DateTime time 
= new DateTime(year,month,day);
            Console.WriteLine(time);
            Console.ReadLine();
        }


从上例可以看出,第一个括号对包涵的组被自动编号为1,后面的括号依次编号为2、3…… 

        public static void Main()
        
{    
            
string s = "2005-2-21";
            Regex reg 
= new Regex(@"(?<2>\d{4})-(?<1>\d{1,2})-(?<3>\d{1,2})",RegexOptions.Compiled);
            Match match 
= reg.Match(s);
            
int year =  int.Parse(match.Groups[2].Value);
            
int month = int.Parse(match.Groups[1].Value);
            
int day = int .Parse(match.Groups[3].Value);
            DateTime time 
= new DateTime(year,month,day);
            Console.WriteLine(time);
            Console.ReadLine();
        }

再看上例,我们用(?<数字>)的方式手工给每个括号对的组编号,(注意我定义12的位置时不是从左到右定义的)

通过以上三例,我们知道了给Regex定义Group的三种办法以及相应的引用组匹配结果的方式。

然后,关于组定义,还有两点请注意:
1、因为括号用于定义组了,所以如果要匹配"("")",请使用"\(""\)"(关于所有特殊字符的定义,请查看相关Regex expression帮助文档)
2、如果定义Regex时,使用了ExplicitCapture选项,则第二个例子不会成功,因为此选项要求显式定义了编号或名字的组才捕获并保存结果,如果你没有定义ExplicitCapture选项,而有时又定义了类式于(A|B)这样的部分在表达式,而这个(A|B)你又并不想捕获结果,那么可以使用“不捕获的组”语法,即定义成(?:)的方式,针对于(A|B),你可以这样来定义以达到不捕获并保存它到Group集合中的目的--(?:A|B) 


3、高级技巧3

反向引用

反向引用,指把匹配出来的组引用到表达式本身其它地方,比如,在匹配HTML的标记时,我们匹配出一个<a>,我们要把匹配出来的a引用出来,用来找到</a>,这个时候就要用到反向引用。
语法
    a、反向引用编号的组,语法为\number
    b、反向引用命名的组,语法为\k<name>
举例
    a、匹配成对的HTML标签

@"<(?<tag>[^\s>]+)[^>]*>.*</\k<tag>>"        

    b、匹配两个两个重叠出现的字符  

        public static void Main()
        
{    
            
string s = "aabbc11asd";
            Regex reg 
= new Regex(@"(\w)\1");
            MatchCollection matches 
= reg.Matches(s);
            
foreach(Match m in matches)
                Console.WriteLine(m.Value);
            Console.ReadLine();
        }
      

返回结果为aa bb 11 

辅助匹配组

以下几种组结构,括号中的Pattern都不作为匹配结果的一部分进行保存
    1、正声明(?=)
    涵义:括号中的模式必须出现在声明右侧,但不作为匹配的一部分

        public static void Main()
        
{    
            
string s = "C#.net,VB.net,PHP,Java,JScript.net";
            Regex reg 
= new Regex(@"[\w\#]+(?=\.net)",RegexOptions.Compiled);
            MatchCollection mc 
= reg.Matches(s);
            
foreach(Match m in mc)
                Console.WriteLine(m.Value); 
            Console.ReadLine();
            
//输出 C# VB JScript
        }

    可以看到匹配引擎要求匹配.net,但却不把.net放到匹配结果中
    2、负声明(?!)
     涵义:括号中的模式必须不出现在声明右侧
        下例演示如何取得一个<a>标签对中的全部内容,即使其中包含别的HTML tag

        public static void Main()
        

            
string newsContent = @"url:<a href=""1.html""><img src=""1.gif"">test<span style=""color:red;"">Regex</span></a>.";
            Regex regEnd 
= new Regex(@"<\s*a[^>]*>([^<]|<(?!/a))*<\s*/a\s*>",RegexOptions.Multiline);
            
            Console.WriteLine(regEnd.Match(newsContent).Value);
//Result: <a href="1.html"><img src="1.gif">test<span style="color:red;">Regex</span></a>
            Console.ReadLine();
        }

    3、反向正声明(?<=) 
    涵义:括号中的模式必须出现在声明左侧,但不作为匹配的一部分
    4、反向负声明(?<!)
    涵义:括号中的模式必须不出现在声明左侧

非回溯匹配
语法:(?>)
涵义:该组匹配后,其匹配的字符不能通过回溯用于后面的表达式的匹配。呵呵,光看这句话肯定搞不懂,我当初为了搞懂这个也花了不少的时间,还是通过实例来说明吧:
"www.csdn.net" 可以通过@"\w+\.(.*)\.\w+"来匹配,却不能通过@"\w+\.(?>.*)\.\w+"来匹配!为什么呢?

原因是正则匹配是贪婪的,匹配时它会尽可能多的匹配最多的结果,所以,上例两个正则式中的.*都会把csdn.net匹配完,这个时候,第一个表达式在开始匹配时发现\.\w+没得字符给它匹配了,所以它会进行回溯,所谓回溯,就是把.*匹配的结果往回推,回推留出来的字符再用来匹配\.\w+,直到\.\w+匹配成功,整个表达式返回成功的匹配结果。而第二个表达式,因使用的是非回溯匹配,所以,.*匹配完后,不允许通过回溯来匹配\.\w+,所以整个表达式匹配失败。

请注意,回溯匹配是很浪费资源的一种匹配方式,所以,请尽量避免您的正则式要通过回溯来成功匹配,如上例,可以换成@"\w+\.([^\.]+\.)+\w+"+"。 



4、高级技巧4

Lazy匹配

语法:??,*?,+?,{n}?,{n,m}?

涵义:简单说,后面的这个?(lazy符)告诉正则引擎,它前面的表达式匹配到最短的匹配项就不用匹配下去了,如??,?本身匹配0-1个匹配项,那么??就取最短的,匹配0个项就不匹配下去了,同理,*?匹配0个,+?匹配1个,{n}?匹配n个,{n,m}?匹配n个。当用@”\w*?”匹配”abcd”时,会有五次成功匹配,每次都匹配的结果都是空字符串为什么会是5次呢,这是因为正则引擎在匹配一个表达式时是一个字符一个字符对比下去的,每成功匹配一次,就前进一下。

判断表达式

语法:

    1、A|B,这个是最基本的,A或者B,其实这个不能算判断
    2、(?(expression)yes-expression|no-expression),其中no-expression为可选项,意为,如果expression成立,则要求匹配yes-expression,否则要求匹配no-expression
    3、(?(group-name)yes-expressioin|no-expression),其中no-expression为可选项,意为,如果名为group-name的组匹配成功,则要求匹配yes-expression,否则要求匹配no-expression
     判断表达式还是很好理解的,唯有一点要注意:@"(?(A)A|B)"不能匹配"AA",为什么呢?要怎么样写才能匹配呢,大家先想想……

我们应该这样写Regex: @”(?(A)AA|B)”,请注意,判断式中的内容并不会做为yes-expression或no-expression表达式的一部分。 

.net 的正则引擎工作特点

    .net的正则引擎工作方式大多数和我们“想当然”的方式一样,只是有几点要注意:
    1、.NET Framework 正则表达式引擎尽可能的匹配多的字符(贪婪)。正是由于这一点,所以,不要用@"<.*>(.*)</.*>"这样的正则式来试图找出一个HTML文档中的所有innerText。(我也正是在网上看到有人这样写正则式才决定要写《正则表达式 高级技巧》的,呵呵)
2、.NET Framework 正则表达式引擎是回溯的正则表达式匹配器,它并入了传统的非确定性有限自动机 (NFA) 引擎(例如 Perl、Python使用的引擎)。这使其有别于更快的、但功能更有限的纯正则表达式确定性有限自动机 (DFA) 引擎。.NET Framework 正则表达式引擎尽量匹配成功,所以,当@"\w+\.(.*)\.\w+"中的.*把www. .csdn.net中的.csdn.net都匹配完了,让后面的\.\w+没得字符去匹配时,引擎会进行回溯,以得到成功的匹配。
NET Framework 正则表达式引擎还包括了一组完整的语法,让程序员能够操纵回溯引擎。包括:
“惰性”限定符:??、*?、+?、{n,m}?。这些惰性限定符指示回溯引擎首先搜索最少数目的重复。与之相反,普通的“贪婪的”限定符首先尝试匹配最大数目的重复。
从右到左匹配。这在从右到左而非从左到右搜索的情况下十分有用,或者在从模式的右侧部分开始搜索比从模式的左侧部分开始搜索更为有效的情况下十分有用。
3、.NET Framework 正则表达式引擎在(expression1|expression2|expression3)这样情况下,expression1总是最先得到尝试,再依次是expression2和expression3           

        public static void Main()
        
{    
            
string s = "THIN is a asp.net developer.";
            Regex reg 
= new Regex(@"(\w{2}|\w{3}|\w{4})",RegexOptions.Compiled|RegexOptions.IgnoreCase);
            MatchCollection mc 
= reg.Matches(s);
            
foreach(Match m in mc)
                Console.WriteLine(m.Value); 
            Console.ReadLine();
    }

输出结果是: ‘TH’ ‘IN’ ‘is’ ‘as’ ‘ne’ ‘de’ ‘ve’ ‘lo’ ‘pe’

附表

转义符

说明

一般字符

.$ ^ { [ ( | ) * + ? \外,其他字符与自身匹配。

\a

与响铃(警报)\u0007 匹配。

\b

在正则表达式中,\b表示单词边界(在 \w \W 之间),不过,在 [] 字符类中,\b表示退格符。在替换模式中,\b始终表示退格符。

\t

Tab \u0009匹配。

\r

与回车符 \u000D 匹配。

\v

与垂直 Tab \u000B匹配。

\f

与换页符 \u000C 匹配。

\n

与换行符 \u000A 匹配。

\e

Esc \u001B匹配。

\040

ASCII 字符匹配为八进制数(最多三位);如果没有前导零的数字只有一位数或者与捕获组号相对应,则该数字为后向引用。例如,字符 \040表示空格。

\x20

使用十六进制表示形式(恰好两位)与 ASCII字符匹配。

\cC

ASCII 控制字符匹配;例如,\cC Ctrl-C

\u0020

使用十六进制表示形式(恰好四位)与 Unicode字符匹配。

\

在后面带有不识别为转义符的字符时,与该字符匹配。例如,\* \x2A相同。

字符类

说明

.

匹配除 \n 以外的任何字符。如果已用 Singleline选项做过修改,则句点字符可与任何字符匹配。

[ aeiou ]

与指定字符集中包含的任何单个字符匹配。

[^ aeiou ]

与不在指定字符集中的任何单个字符匹配。

[0-9a-fA-F]

使用连字号 (–) 允许指定连续字符范围。

\p{ name }

{name} 指定的命名字符类中的任何字符都匹配。支持的名称为 Unicode组和块范围。例如,LlNdZIsGreekIsBoxDrawing。可以使用GetUnicodeCategory方法找到某个字符所属的 Unicode 类别。

\P{ name }

与在 {name} 中指定的组和块范围不包括的文本匹配。

\w

与任何单词字符匹配。等效于 Unicode字符类别 [\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}\p{Lm}]。如果用 ECMAScript选项指定了符合 ECMAScript的行为,则 \w 等效于 [a-zA-Z_0-9]

\W

与任何非单词字符匹配。等效于 Unicode字符类别 [^\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}\p{Lm}]。如果用 ECMAScript选项指定了符合 ECMAScript的行为,则 \W 等效于 [^a-zA-Z_0-9]

\s

与任何空白字符匹配。等效于 Unicode字符类别 [\f\n\r\t\v\x85\p{Z}]。如果用 ECMAScript选项指定了符合 ECMAScript的行为,则 \s 等效于 [ \f\n\r\t\v]

\S

与任何非空白字符匹配。等效于 Unicode字符类别 [^\f\n\r\t\v\x85\p{Z}]。如果用 ECMAScript选项指定了符合 ECMAScript的行为,则 \S 等效于 [^ \f\n\r\t\v]

\d

与任何十进制数字匹配。对于 Unicode类别的 ECMAScript 行为,等效于 \p{Nd},对于非 Unicode类别的 ECMAScript 行为,等效于 [0-9]

\D

与任何非数字匹配。对于 Unicode类别的 ECMAScript 行为,等效于 \P{Nd},对于非 Unicode类别的 ECMAScript 行为,等效于 [^0-9]

断言

说明

^

指定匹配必须出现在字符串的开头或行的开头。。

$

指定匹配必须出现在以下位置:字符串结尾、字符串结尾处的 \n之前或行的结尾。

\A

指定匹配必须出现在字符串的开头(忽略 Multiline选项)。

\Z

指定匹配必须出现在字符串的结尾或字符串结尾处的 \n之前(忽略 Multiline选项)。

\z

指定匹配必须出现在字符串的结尾(忽略 Multiline选项)。

\G

指定匹配必须出现在上一个匹配结束的地方。与 Match.NextMatch()一起使用时,此断言确保所有匹配都是连续的。

\b

指定匹配必须出现在 \w(字母数字)和 \W(非字母数字)字符之间的边界上。匹配必须出现在单词边界上,即出现在由任何非字母数字字符分隔的单词中第一个或最后一个字符上。

\B

指定匹配不得出现在 \b 边界上。

限定符

说明

*

指定零个或更多个匹配;例如 \w* (abc)*。等效于 {0,}

+

指定一个或多个匹配;例如 \w+ (abc)+。等效于 {1,}

?

指定零个或一个匹配;例如 \w? (abc)?。等效于 {0,1}

{ n }

指定恰好 n 个匹配;例如 (pizza){2}

{ n ,}

指定至少 n 个匹配;例如 (abc){2,}

{ n , m }

指定至少 n 个但不多于 m个匹配。

*?

指定尽可能少地使用重复的第一个匹配(等效于 lazy *)。

+?

指定尽可能少地使用重复但至少使用一次(等效于 lazy +)。

??

指定使用零次重复(如有可能)或一次重复 (lazy ?)

{ n }?

等效于 {n} (lazy {n})

{ n ,}?

指定尽可能少地使用重复但至少使用 n (lazy {n,})

{ n , m }?

指定介于 n 次和 m次之间、尽可能少地使用重复 (lazy {n,m})

 --完--


版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
阿里云服务器怎么设置密码?怎么停机?怎么重启服务器?
如果在创建实例时没有设置密码,或者密码丢失,您可以在控制台上重新设置实例的登录密码。本文仅描述如何在 ECS 管理控制台上修改实例登录密码。
8516 0
阿里云服务器端口号设置
阿里云服务器初级使用者可能面临的问题之一. 使用tomcat或者其他服务器软件设置端口号后,比如 一些不是默认的, mysql的 3306, mssql的1433,有时候打不开网页, 原因是没有在ecs安全组去设置这个端口号. 解决: 点击ecs下网络和安全下的安全组 在弹出的安全组中,如果没有就新建安全组,然后点击配置规则 最后如上图点击添加...或快速创建.   have fun!  将编程看作是一门艺术,而不单单是个技术。
10352 0
使用正则表达式抓取博客园列表数据
鉴于我在要完成的asp.net MVC 3 仿照博客园企业系统要用到测试数据,我自己输入太累,所以我就抓取了博客园的部分列表数据,还请dudu不要见怪。 在抓取博客园数据的时候采用了正则表达式,所以有不熟悉正则表达式的朋友可以参考相关资料,其实很容易掌握,就是在具体的实例中会花些时间。
891 0
阿里云服务器如何登录?阿里云服务器的三种登录方法
购买阿里云ECS云服务器后如何登录?场景不同,阿里云优惠总结大概有三种登录方式: 登录到ECS云服务器控制台 在ECS云服务器控制台用户可以更改密码、更换系.
12195 0
Java中怎么简单的使用正则表达式?
对于正则表达式,我通常的认识就是通过一些陌生的奇怪的符号就可以完成很复杂事件的好帮手!实际上正则表达式确实是这方面的好助手,接下来让我们一起认识一下Java中怎么使用正则表达式吧。
898 0
bbossgroups标签库使用大全(续二)-表达式使用
本文详细介绍bboss标签库特有表达式的使用方法。可以在分页/列表/详细信息标签及相关标签中使用表达式。 1 概述     表达式支持的基本操作有:乘法,除法,求余,加/减,字符串的加操作         操作数:可以为变量,整数,小数,字符串     其中变量是指列表/...
659 0
+关注
真爱无限
主要技术.net sqlserver mysql。
302
文章
1
问答
文章排行榜
最热
最新
相关电子书
更多
《2021云上架构与运维峰会演讲合集》
立即下载
《零基础CSS入门教程》
立即下载
《零基础HTML入门教程》
立即下载