正则表达式笔记：提取C#代码中的中文信息，双引号，尖括号间的信息

1.重复的表标记

* 表示前面的字符要出现0次，1次，乃至多次，上面没有封顶, 下面保底是0次，可以不出现。

+ 表示前面的字符要出现1次，多次，上面没有封顶，但至少要有1次。

? 表示前面的字符要出现0次，1次，上面封顶是1次，下面保底是0次，可以不出现。

 

2.其他符号

\ 表示转义

. 表示匹配任何单个字符，好象除了回车，记不清了，得查一下文档。

^ 表示整个字符串以某字符开始，如^t，整个字符串这句话很重要，它只能是位于开头。

$ 表示整个字符串以某字符结束，如f$，整个字符串这句话很重要，它只能是位于结尾。

[...] 表示括号中的任一字符
| 表示选择符号，"gray|grey"可匹配 gray 或 grey.

() 表示操作的范围和优先度， 如 "gr(a|e)y" 可以匹配 gray 或 grey.

{n} 匹配前面字符n次, {n,} n次或无限次, {n,m} 最少n次最多m次。

\s 任一空白字符

\S 任一非空白字符

\w 任一单词字符

\W 任一非单词字符

\d 任一数字

\D 任一非数字

 

3.提取中文信息的表达式。

Regex rx = new Regex("[\u4e00-\u9fa5]+");

 

4.提取双引号之间的信息的表达式。

Regex rx = new Regex("\"[^\"]*\"");

注解：在[]中的^意思变了，不再是以某字符开始了，而是变为不能包含后面的字符了，这叫反义。

 

5.反义

有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外，其它任意字符都行的情况，这时需要用到反义：

表3.常用的反义代码 

代码/语法 说明

\W 匹配任意不是字母，数字，下划线，汉字的字符

\S 匹配任意不是空白符的字符

\D 匹配任意非数字的字符

\B 匹配不是单词开头或结束的位置

[^x] 匹配除了x以外的任意字符

[^aeiou]

匹配除了aeiou这几个字母以外的任意字符

 

6.提取双引号之间的信息的表达式，第二种方法。

Regex rx = new Regex("\".*?\"");

注解: 在.*之后加一个?的作用是将正则表达式从贪婪模式改为懒惰模式。

 

7.贪婪与懒惰

当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。考虑这个表达式：a.*b，它将会匹配最长的以a开始，以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。这被称为贪婪匹配。

有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?。这样.*?就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧：

a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？简单地说，因为正则表达式有另一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权——The match that begins earliest wins。

 

8.另外，蓝驿轨迹还有一种匹配双引号的方法，就是把引号转成16进制数，具体请参考：http://www.cnblogs.com/twh/articles/1629752.html

Regex rx = new Regex("\u0022.*?\u0022");

 

9.提取xml配置文件中包含中文的信息，用于国际化代码。

有可能在两种地方出现包含中文的信息，属性和节点值，因此，可以用双引号匹配一次文件，提取出属性值中包含的中文信息；然后，再用尖括号匹配一次文件，提取出节点值中包含的中文信息，正则 rx = new Regex(">.*<"); 

如果仅仅是匹配中文，用Regex rx = new Regex("[\u4e00-\u9fa5]+")即可，但如果中文中间夹杂着标点符号或者英文，那用这个就不灵了，可以换个思路，用IsMatch来判断信息中是否包含中文来达到取舍的目的，示例如下：

Regex rxChinaCharacter= new Regex("[\u4e00-\u9fa5]+")

Regex rx = new Regex(">.*<");
System.Text.RegularExpressions.MatchCollectionmatchs = rx.Matches(input);
if (matchs.Count != 0)
{
    foreach (Match m in matchs)
    {
           if (!rxChinaCharacter.IsMatch(m.Value))

           {

                 //符合包含中文的条件条件，可以留下来。

           }

   }

}

10.总结

^有两种含义：

 1.表示整个字符串以某字符开始，如^t，整个字符串这句话很重要，它只能是位于开头。

 2.放在[^t]里表示不能包含t字符。

 

?也有两种含义：

 1.表示前面的字符要出现0次，1次，上面封顶是1次，下面保底是0次，可以不出现。

 2.将正则从贪婪模式改为懒惰模式。

 

$ 表示整个字符串以某字符结束，如f$，整个字符串这句话很重要，它只能是位于结尾，如assssbtattttb这个串让 a[^a]*b$ 来匹配，就只能匹配后半截attttb， 如用^ a[^a]*b, 就只能匹配前半段assssb， 如果用^ a[^a]*b$来匹配，则根本什么都匹配不了。

 

推荐资料：

正则表达式30分钟入门教程
http://manual.phpv.net/regular_expression.html
C#正则表达式整理备忘
http://www.cnblogs.com/kissknife/archive/2008/03/23/1118423.html
正则表达式怎么匹配双引号
http://www.cnblogs.com/twh/articles/1629752.html