正则资料

x(?=y)
▲表示：右边紧跟y的x，但只包含x，不包含y
x(?=y|z)
▲表示：右边紧跟y或z的x，但只包含x，不包含y或z
x(?!y)
▲表示：右边不跟y的x，只包含x
你的这个正则表达式完全正确：
,(?=[^\"]+?\",|[^\"]+?\"$)
▲它只匹配1个,
▲▲但条件是：
▲条件1▲：此,右边到第1个",之间有至少1个不是"的字符
▲条件2▲：此,右边到结尾的"之间有至少1个不是"的字符
举例说明：
它匹配下面3行中的前2个,
（每次匹配1个，而不是同时匹配前2个）
x,y,z",
x,y,,",
x,y,z,"
你要匹配这样的空格，只需把此式中的首个,换成空格即可：
(?=[^\"]+?\",|[^\"]+?\"$)
▲这可以处理你举的例子。

佛曰,我从没认真地看过正则表达式,当今天用到它时,才觉得不认真地使用正则表达式是多么错误的一件事情.

鉴于此,我花了两个小时的时间认真的读了一下这篇正则表达式30分钟入门教程,收获颇丰,故转载至我博客,以备忘,以分享.

同时,分享一个正则表达式测试工具,相当好用的说(破解版): MTracer(该工具从网上收集而来,如果侵犯了作者的权益,请给我留言,我将尽快删除.)

 

原文地址:http://unibetter.com/deerchao/zhengzhe-biaodashi-jiaocheng-se.htm

 

版本：v2.31 (2009-4-11) 作者：deerchao 转载请注明来源

目录
跳过目录

本文目标
如何使用本教程
正则表达式到底是什么东西？
入门
测试正则表达式
元字符
字符转义
重复
字符类
分枝条件
反义
分组
后向引用
零宽断言
负向零宽断言
注释
贪婪与懒惰
处理选项
平衡组/递归匹配
还有些什么东西没提到
联系作者
最后,来点广告……
网上的资源及本文参考文献
更新纪录
本文目标
30分钟内让你明白正则表达式是什么，并对它有一些基本的了解，让你可以在自己的程序或网页里使用它。

如何使用本教程
最重要的是——请给我30分钟，如果你没有使用正则表达式的经验，请不要试图在30秒内入门——除非你是超人 :)

别被下面那些复杂的表达式吓倒，只要跟着我一步一步来，你会发现正则表达式其实并没有你想像中的那么困难。当然，如果你看完了这篇教程之后，发现自己明白了很多，却又几乎什么都记不得，那也是很正常的——我认为，没接触过正则表达式的人在看完这篇教程后，能把提到过的语法记住80%以上的可能性为零。这里只是让你明白基本的原理，以后你还需要多练习，多使用，才能熟练掌握正则表达式。

除了作为入门教程之外，本文还试图成为可以在日常工作中使用的正则表达式语法参考手册。就作者本人的经历来说，这个目标还是完成得不错的——你看，我自己也没能把所有的东西记下来，不是吗？

清除格式 文本格式约定：专业术语 元字符/语法格式 正则表达式 正则表达式中的一部分(用于分析) 对其进行匹配的源字符串 对正则表达式或其中一部分的说明

隐藏边注 本文右边有一些注释，主要是用来提供一些相关信息，或者给没有程序员背景的读者解释一些基本概念，通常可以忽略。

正则表达式到底是什么东西？
字符是计算机软件处理文字时最基本的单位，可能是字母，数字，标点符号，空格，换行符，汉字等等。字符串是0个或更多个字符的序列。文本也就是文字，字符串。说某个字符串匹配某个正则表达式，通常是指这个字符串里有一部分（或几部分分别）能满足表达式给出的条件。

在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是用于描述这些规则的工具。换句话说，正则表达式就是记录文本规则的代码。

很可能你使用过Windows/Dos下用于文件查找的通配符(wildcard)，也就是*和?。如果你想查找某个目录下的所有的Word文档的话，你会搜索*.doc。在这里，*会被解释成任意的字符串。和通配符类似，正则表达式也是用来进行文本匹配的工具，只不过比起通配符，它能更精确地描述你的需求——当然，代价就是更复杂——比如你可以编写一个正则表达式，用来查找所有以0开头，后面跟着2-3个数字，然后是一个连字号“-”，最后是7或8位数字的字符串(像010-12345678或0376-7654321)。

入门
学习正则表达式的最好方法是从例子开始，理解例子之后再自己对例子进行修改，实验。下面给出了不少简单的例子，并对它们作了详细的说明。

假设你在一篇英文小说里查找hi，你可以使用正则表达式hi。

这几乎是最简单的正则表达式了，它可以精确匹配这样的字符串：由两个字符组成，前一个字符是h,后一个是i。通常，处理正则表达式的工具会提供一个忽略大小写的选项，如果选中了这个选项，它可以匹配hi,HI,Hi,hI这四种情况中的任意一种。

不幸的是，很多单词里包含hi这两个连续的字符，比如him,history,high等等。用hi来查找的话，这里边的hi也会被找出来。如果要精确地查找hi这个单词的话，我们应该使用\bhi\b。

\b是正则表达式规定的一个特殊代码（好吧，某些人叫它元字符，metacharacter），代表着单词的开头或结尾，也就是单词的分界处。虽然通常英文的单词是由空格，标点符号或者换行来分隔的，但是\b并不匹配这些单词分隔字符中的任何一个，它只匹配一个位置。

如果需要更精确的说法，\b匹配这样的位置：它的前一个字符和后一个字符不全是(一个是,一个不是或不存在)\w。

假如你要找的是hi后面不远处跟着一个Lucy，你应该用\bhi\b.*\bLucy\b。

这里，.是另一个元字符，匹配除了换行符以外的任意字符。*同样是元字符，不过它代表的不是字符，也不是位置，而是数量——它指定*前边的内容可以连续重复使用任意次以使整个表达式得到匹配。因此，.*连在一起就意味着任意数量的不包含换行的字符。现在\bhi\b.*\bLucy\b的意思就很明显了：先是一个单词hi,然后是任意个任意字符(但不能是换行)，最后是Lucy这个单词。

换行符就是'\n',ASCII编码为10(十六进制0x0A)的字符。

如果同时使用其它元字符，我们就能构造出功能更强大的正则表达式。比如下面这个例子：

0\d\d-\d\d\d\d\d\d\d\d匹配这样的字符串：以0开头，然后是两个数字，然后是一个连字号“-”，最后是8个数字(也就是中国的电话号码。当然，这个例子只能匹配区号为3位的情形)。

这里的\d是个新的元字符，匹配一位数字(0，或1，或2，或……)。-不是元字符，只匹配它本身——连字符(或者减号，或者中横线，或者随你怎么称呼它)。

为了避免那么多烦人的重复，我们也可以这样写这个表达式：0\d{2}-\d{8}。 这里\d后面的{2}({8})的意思是前面\d必须连续重复匹配2次(8次)。

测试正则表达式
其它可用的测试工具:

RegexBuddy
Javascript正则表达式在线测试工具
如果你不觉得正则表达式很难读写的话，要么你是一个天才，要么，你不是地球人。正则表达式的语法很令人头疼，即使对经常使用它的人来说也是如此。由于难于读写，容易出错，所以找一种工具对正则表达式进行测试是很有必要的。

不同的环境下正则表达式的一些细节是不相同的，本教程介绍的是微软 .Net Framework 2.0下正则表达式的行为，所以，我向你介绍一个.Net下的工具Regex Tester。首先你确保已经安装了.Net Framework 2.0，然后下载Regex Tester。这是个绿色软件，下载完后打开压缩包,直接运行RegexTester.exe就可以了。

下面是Regex Tester运行时的截图：

Regex Tester运行时的截图

元字符
现在你已经知道几个很有用的元字符了，如\b,.,*，还有\d.正则表达式里还有更多的元字符，比如\s匹配任意的空白符，包括空格，制表符(Tab)，换行符，中文全角空格等。\w匹配字母或数字或下划线或汉字等。

对中文/汉字的特殊处理是由.Net提供的正则表达式引擎支持的，其它环境下的具体情况请查看相关文档。

下面来看看更多的例子：

\ba\w*\b匹配以字母a开头的单词——先是某个单词开始处(\b)，然后是字母a,然后是任意数量的字母或数字(\w*)，最后是单词结束处(\b)。

好吧，现在我们说说正则表达式里的单词是什么意思吧：就是不少于一个的连续的\w。不错，这与学习英文时要背的成千上万个同名的东西的确关系不大 :)

\d+匹配1个或更多连续的数字。这里的+是和*类似的元字符，不同的是*匹配重复任意次(可能是0次)，而+则匹配重复1次或更多次。

\b\w{6}\b 匹配刚好6个字符的单词。

表1.常用的元字符
代码 说明
. 匹配除换行符以外的任意字符
\w 匹配字母或数字或下划线或汉字
\s 匹配任意的空白符
\d 匹配数字
\b 匹配单词的开始或结束
^ 匹配字符串的开始
$ 匹配字符串的结束
正则表达式引擎通常会提供一个“测试指定的字符串是否匹配一个正则表达式”的方法，如JavaScript里的RegExp.test()方法或.NET里的Regex.IsMatch()方法。这里的匹配是指是字符串里有没有符合表达式规则的部分。如果不使用^和$的话，对于\d{5,12}而言，使用这样的方法就只能保证字符串里包含5到12连续位数字，而不是整个字符串就是5到12位数字。

元字符^（和数字6在同一个键位上的符号）和$都匹配一个位置，这和\b有点类似。^匹配你要用来查找的字符串的开头，$匹配结尾。这两个代码在验证输入的内容时非常有用，比如一个网站如果要求你填写的QQ号必须为5位到12位数字时，可以使用：^\d{5,12}$。

这里的{5,12}和前面介绍过的{2}是类似的，只不过{2}匹配只能不多不少重复2次，{5,12}则是重复的次数不能少于5次，不能多于12次，否则都不匹配。

因为使用了^和$，所以输入的整个字符串都要用来和\d{5,12}来匹配，也就是说整个输入必须是5到12个数字，因此如果输入的QQ号能匹配这个正则表达式的话，那就符合要求了。

和忽略大小写的选项类似，有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项，^和$的意义就变成了匹配行的开始处和结束处。

字符转义
如果你想查找元字符本身的话，比如你查找.,或者*,就出现了问题：你没办法指定它们，因为它们会被解释成别的意思。这时你就得使用\来取消这些字符的特殊意义。因此，你应该使用\.和\*。当然，要查找\本身，你也得用\\.

例如：unibetter\.com匹配unibetter.com，C:\\Windows匹配C:\Windows。

重复
你已经看过了前面的*,+,{2},{5,12}这几个匹配重复的方式了。下面是正则表达式中所有的限定符(指定数量的代码，例如*,{5,12}等)：

表2.常用的限定符
代码/语法 说明
* 重复零次或更多次
+ 重复一次或更多次
? 重复零次或一次
{n} 重复n次
{n,} 重复n次或更多次
{n,m} 重复n到m次
下面是一些使用重复的例子：

Windows\d+匹配Windows后面跟1个或更多数字

^\w+匹配一行的第一个单词(或整个字符串的第一个单词，具体匹配哪个意思得看选项设置)

字符类
要想查找数字，字母或数字，空白是很简单的，因为已经有了对应这些字符集合的元字符，但是如果你想匹配没有预定义元字符的字符集合(比如元音字母a,e,i,o,u),应该怎么办？

很简单，你只需要在方括号里列出它们就行了，像[aeiou]就匹配任何一个英文元音字母，[.?!]匹配标点符号(.或?或!)。

我们也可以轻松地指定一个字符范围，像[0-9]代表的含意与\d就是完全一致的：一位数字；同理[a-z0-9A-Z_]也完全等同于\w（如果只考虑英文的话）。

下面是一个更复杂的表达式：\(?0\d{2}[) -]?\d{8}。

“(”和“)”也是元字符，后面的分组节里会提到，所以在这里需要使用转义。

这个表达式可以匹配几种格式的电话号码，像(010)88886666，或022-22334455，或02912345678等。我们对它进行一些分析吧：首先是一个转义字符\(,它能出现0次或1次(?),然后是一个0，后面跟着2个数字(\d{2})，然后是)或-或空格中的一个，它出现1次或不出现(?)，最后是8个数字(\d{8})。

分枝条件
不幸的是，刚才那个表达式也能匹配010)12345678或(022-87654321这样的“不正确”的格式。要解决这个问题，我们需要用到分枝条件。正则表达式里的分枝条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用|把不同的规则分隔开。听不明白？没关系，看例子：

0\d{2}-\d{8}|0\d{3}-\d{7}这个表达式能匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号(如010-12345678)，一种是4位区号，7位本地号(0376-2233445)。

\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}这个表达式匹配3位区号的电话号码，其中区号可以用小括号括起来，也可以不用，区号与本地号间可以用连字号或空格间隔，也可以没有间隔。你可以试试用分枝条件把这个表达式扩展成也支持4位区号的。

\d{5}-\d{4}|\d{5}这个表达式用于匹配美国的邮政编码。美国邮编的规则是5位数字，或者用连字号间隔的9位数字。之所以要给出这个例子是因为它能说明一个问题：使用分枝条件时，要注意各个条件的顺序。如果你把它改成\d{5}|\d{5}-\d{4}的话，那么就只会匹配5位的邮编(以及9位邮编的前5位)。原因是匹配分枝条件时，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管其它的条件了。

分组
我们已经提到了怎么重复单个字符（直接在字符后面加上限定符就行了）；但如果想要重复多个字符又该怎么办？你可以用小括号来指定子表达式(也叫做分组)，然后你就可以指定这个子表达式的重复次数了，你也可以对子表达式进行其它一些操作(后面会有介绍)。

(\d{1,3}\.){3}\d{1,3}是一个简单的IP地址匹配表达式。要理解这个表达式，请按下列顺序分析它：\d{1,3}匹配1到3位的数字，(\d{1,3}\.){3}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复3次，最后再加上一个一到三位的数字(\d{1,3})。

IP地址中每个数字都不能大于255，大家千万不要被《24》第三季的编剧给忽悠了……

不幸的是，它也将匹配256.300.888.999这种不可能存在的IP地址。如果能使用算术比较的话，或许能简单地解决这个问题，但是正则表达式中并不提供关于数学的任何功能，所以只能使用冗长的分组，选择，字符类来描述一个正确的IP地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

理解这个表达式的关键是理解2[0-4]\d|25[0-5]|[01]?\d\d?，这里我就不细说了，你自己应该能分析得出来它的意义。

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
例子：\S+匹配不包含空白符的字符串。

<a[^>]+>匹配用尖括号括起来的以a开头的字符串。

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。

呃……其实,组号分配还不像我刚说得那么简单：

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
你可以使用(?:exp)这样的语法来剥夺一个分组对组号分配的参与权．
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。难以理解？请看示例：

\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)。

你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。

使用小括号的时候，还有很多特定用途的语法。下面列出了最常用的一些：

表4.常用分组语法
分类 代码/语法 说明
捕获 (exp) 匹配exp,并捕获文本到自动命名的组里
(?<name>exp) 匹配exp,并捕获文本到名称为name的组里，也可以写成(?'name'exp)
(?:exp) 匹配exp,不捕获匹配的文本，也不给此分组分配组号
零宽断言 (?=exp) 匹配exp前面的位置
(?<=exp) 匹配exp后面的位置
(?!exp) 匹配后面跟的不是exp的位置
(?<!exp) 匹配前面不是exp的位置
注释 (?#comment) 这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释让人阅读
我们已经讨论了前两种语法。第三个(?:exp)不会改变正则表达式的处理方式，只是这样的组匹配的内容不会像前两种那样被捕获到某个组里面，也不会拥有组号。“我为什么会想要这样做？”——好问题，你觉得为什么呢？

零宽断言
地球人，是不是觉得这些术语名称太复杂，太难记了？我也有同感。知道有这么一种东西就行了，它叫什么，随它去吧！人若无名，便可专心练剑；物若无名，便可随意取舍……

接下来的四个用于查找在某些内容(但并不包括这些内容)之前或之后的东西，也就是说它们像\b,^,$那样用于指定一个位置，这个位置应该满足一定的条件(即断言)，因此它们也被称为零宽断言。最好还是拿例子来说明吧：

断言用来声明一个应该为真的事实。正则表达式中只有当断言为真时才会继续进行匹配。

(?=exp)也叫零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式exp。比如\b\w+(?=ing\b)，匹配以ing结尾的单词的前面部分(除了ing以外的部分)，如查找I'm singing while you're dancing.时，它会匹配sing和danc。

(?<=exp)也叫零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式exp。比如(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re以外的部分)，例如在查找reading a book时，它匹配ading。

假如你想要给一个很长的数字中每三位间加一个逗号(当然是从右边加起了)，你可以这样查找需要在前面和里面添加逗号的部分：((?<=\d)\d{3})+\b，用它对1234567890进行查找时结果是234567890。

下面这个例子同时使用了这两种断言：(?<=\s)\d+(?=\s)匹配以空白符间隔的数字(再次强调，不包括这些空白符)。

负向零宽断言
前面我们提到过怎么查找不是某个字符或不在某个字符类里的字符的方法(反义)。但是如果我们只是想要确保某个字符没有出现，但并不想去匹配它时怎么办？例如，如果我们想查找这样的单词--它里面出现了字母q,但是q后面跟的不是字母u,我们可以尝试这样：

\b\w*q[^u]\w*\b匹配包含后面不是字母u的字母q的单词。但是如果多做测试(或者你思维足够敏锐，直接就观察出来了)，你会发现，如果q出现在单词的结尾的话，像Iraq,Benq，这个表达式就会出错。这是因为[^u]总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的[^u]将会匹配q后面的单词分隔符(可能是空格，或者是句号或其它的什么)，后面的\w*\b将会匹配下一个单词，于是\b\w*q[^u]\w*\b就能匹配整个Iraq fighting。负向零宽断言能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。现在，我们可以这样来解决这个问题：\b\w*q(?!u)\w*\b。

零宽度负预测先行断言(?!exp)，断言此位置的后面不能匹配表达式exp。例如：\d{3}(?!\d)匹配三位数字，而且这三位数字的后面不能是数字；\b((?!abc)\w)+\b匹配不包含连续字符串abc的单词。

同理，我们可以用(?<!exp),零宽度负回顾后发断言来断言此位置的前面不能匹配表达式exp：(?<![a-z])\d{7}匹配前面不是小写字母的七位数字。

请详细分析表达式(?<=<(\w+)>).*(?=<\/\1>)，这个表达式最能表现零宽断言的真正用途。

一个更复杂的例子：(?<=<(\w+)>).*(?=<\/\1>)匹配不包含属性的简单HTML标签内里的内容。(<?(\w+)>)指定了这样的前缀：被尖括号括起来的单词(比如可能是<b>)，然后是.*(任意的字符串),最后是一个后缀(?=<\/\1>)。注意后缀里的\/，它用到了前面提过的字符转义；\1则是一个反向引用，引用的正是捕获的第一组，前面的(\w+)匹配的内容，这样如果前缀实际上是<b>的话，后缀就是</b>了。整个表达式匹配的是<b>和</b>之间的内容(再次提醒，不包括前缀和后缀本身)。

注释
小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)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。

要包含注释的话，最好是启用“忽略模式里的空白符”选项，这样在编写表达式时能任意的添加空格，Tab，换行，而实际使用时这些都将被忽略。启用这个选项后，在#后面到这一行结束的所有文本都将被当成注释忽略掉。例如，我们可以前面的一个表达式写成这样：

(?<= # 断言要匹配的文本的前缀
<(\w+)> # 查找尖括号括起来的字母或数字(即HTML/XML标签)
) # 前缀结束
.* # 匹配任意文本
(?= # 断言要匹配的文本的后缀
<\/\1> # 查找尖括号括起来的内容：前面是一个"/"，后面是先前捕获的标签
) # 后缀结束
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。以这个表达式为例：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。

表5.懒惰限定符
代码/语法 说明
*? 重复任意次，但尽可能少重复
+? 重复1次或更多次，但尽可能少重复
?? 重复0次或1次，但尽可能少重复
{n,m}? 重复n到m次，但尽可能少重复
{n,}? 重复n次以上，但尽可能少重复
处理选项
在C#中，你可以使用Regex(String, RegexOptions)构造函数来设置正则表达式的处理选项。如：Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);

上面介绍了几个选项如忽略大小写，处理多行等，这些选项能用来改变处理正则表达式的方式。下面是.Net中常用的正则表达式选项：

表6.常用的处理选项
名称 说明
IgnoreCase(忽略大小写) 匹配时不区分大小写。
Multiline(多行模式) 更改^和$的含义，使它们分别在任意一行的行首和行尾匹配，而不仅仅在整个字符串的开头和结尾匹配。(在此模式下,$的精确含意是:匹配\n之前的位置以及字符串结束前的位置.)
Singleline(单行模式) 更改.的含义，使它与每一个字符匹配（包括换行符\n）。
IgnorePatternWhitespace(忽略空白) 忽略表达式中的非转义空白并启用由#标记的注释。
ExplicitCapture(显式捕获) 仅捕获已被显式命名的组。
一个经常被问到的问题是：是不是只能同时使用多行模式和单行模式中的一种？答案是：不是。这两个选项之间没有任何关系，除了它们的名字比较相似（以至于让人感到疑惑）以外。

平衡组/递归匹配
这里介绍的平衡组语法是由.Net Framework支持的；其它语言／库不一定支持这种功能，或者支持此功能但需要使用不同的语法。

有时我们需要匹配像( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构，这时简单地使用\(.+\)则只会匹配到最左边的左括号和最右边的右括号之间的内容(这里我们讨论的是贪婪模式，懒惰模式也有下面的问题)。假如原来的字符串里的左括号和右括号出现的次数不相等，比如( 5 / ( 3 + 2 ) ) )，那我们的匹配结果里两者的个数也不会相等。有没有办法在这样的字符串里匹配到最长的，配对的括号之间的内容呢？

为了避免(和\(把你的大脑彻底搞糊涂，我们还是用尖括号代替圆括号吧。现在我们的问题变成了如何把xx <aa <bbb> <bbb> aa> yy这样的字符串里，最长的配对的尖括号内的内容捕获出来？

这里需要用到以下的语法构造：

(?'group') 把捕获的内容命名为group,并压入堆栈(Stack)
(?'-group') 从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败
(?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话，继续匹配yes部分的表达式，否则继续匹配no部分
(?!) 零宽负向先行断言，由于没有后缀表达式，试图匹配总是失败
如果你不是一个程序员（或者你自称程序员但是不知道堆栈是什么东西），你就这样理解上面的三种语法吧：第一个就是在黑板上写一个"group"，第二个就是从黑板上擦掉一个"group"，第三个就是看黑板上写的还有没有"group"，如果有就继续匹配yes部分，否则就匹配no部分。

我们需要做的是每碰到了左括号，就在压入一个"Open",每碰到一个右括号，就弹出一个，到了最后就看看堆栈是否为空－－如果不为空那就证明左括号比右括号多，那匹配就应该失败。正则表达式引擎会进行回溯(放弃最前面或最后面的一些字符)，尽量使整个表达式得到匹配。

< #最外层的左括号
[^<>]* #最外层的左括号后面的不是括号的内容
(
(
(?'Open'<) #碰到了左括号，在黑板上写一个"Open"
[^<>]* #匹配左括号后面的不是括号的内容
)+
(
(?'-Open'>) #碰到了右括号，擦掉一个"Open"
[^<>]* #匹配右括号后面不是括号的内容
)+
)*
(?(Open)(?!)) #在遇到最外层的右括号前面，判断黑板上还有没有没擦掉的"Open"；如果还有，则匹配失败

> #最外层的右括号
平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配嵌套的<div>标签：<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>.

还有些什么东西没提到
上边已经描述了构造正则表达式的大量元素，但是还有很多没有提到的东西。下面是一些未提到的元素的列表，包含语法和简单的说明。你可以在网上找到更详细的参考资料来学习它们--当你需要用到它们的时候。如果你安装了MSDN Library,你也可以在里面找到.net下正则表达式详细的文档。

这里的介绍很简略，如果你需要更详细的信息，而又没有在电脑上安装MSDN Library,可以查看关于正则表达式语言元素的MSDN在线文档。

表7.尚未详细讨论的语法
代码/语法 说明
\a 报警字符(打印它的效果是电脑嘀一声)
\b 通常是单词分界位置，但如果在字符类里使用代表退格
\t 制表符，Tab
\r 回车
\v 竖向制表符
\f 换页符
\n 换行符
\e Escape
\0nn ASCII代码中八进制代码为nn的字符
\xnn ASCII代码中十六进制代码为nn的字符
\unnnn Unicode代码中十六进制代码为nnnn的字符
\cN ASCII控制字符。比如\cC代表Ctrl+C
\A 字符串开头(类似^，但不受处理多行选项的影响)
\Z 字符串结尾或行尾(不受处理多行选项的影响)
\z 字符串结尾(类似$，但不受处理多行选项的影响)
\G 当前搜索的开头
\p{name} Unicode中命名为name的字符类，例如\p{IsGreek}
(?>exp) 贪婪子表达式
(?<x>-<y>exp) 平衡组
(?im-nsx:exp) 在子表达式exp中改变处理选项
(?im-nsx) 为表达式后面的部分改变处理选项
(?(exp)yes|no) 把exp当作零宽正向先行断言，如果在这个位置能匹配，使用yes作为此组的表达式；否则使用no
(?(exp)yes) 同上，只是使用空表达式作为no
(?(name)yes|no) 如果命名为name的组捕获到了内容，使用yes作为表达式；否则使用no
(?(name)yes) 同上，只是使用空表达式作为no
联系作者
好吧,我承认,我骗了你,读到这里你肯定花了不止30分钟.相信我,这是我的错,而不是因为你太笨.我之所以说"30分钟",是为了让你有信心,有耐心继续下去.既然你看到了这里,那证明我的阴谋成功了.被忽悠的感觉很爽吧？

要投诉我,或者觉得我其实可以忽悠得更高明,或者有任何其它问题,欢迎来我的博客让我知道.

 

网上的资源及本文参考文献
微软的正则表达式教程
System.Text.RegularExpressions.Regex类(MSDN)
专业的正则表达式教学网站(英文)
关于.Net下的平衡组的详细讨论（英文）
Mastering Regular Expressions (Second Edition)
更新纪录
2006-3-27 第一版
2006-10-12 第二版
修正了几个细节上的错误和不准确的地方
增加了对处理中文时的一些说明
更改了几个术语的翻译（采用了MSDN的翻译方式）
增加了平衡组的介绍
放弃了对The Regulator的介绍，改用Regex Tester
2007-3-12 V2.1
修正了几个小的错误
增加了对处理选项(RegexOptions)的介绍
2007-5-28 V2.2
重新组织了对零宽断言的介绍
删除了几个不太合适的示例，添加了几个实用的示例
其它一些微小的更改
2007-8-3 V2.21
修改了几处文字错误
修改/添加了对$,\b的精确说明
承认了作者是个骗子
给RegexTester添加了Singleline选项的相关功能
2008-4-13 v2.3
调整了部分章节的次序
修改了页面布局，删除了专门的参考节
针对读者的反馈，调整了部分内容
2009-4-11 v2.31
修改了几处文字错误
添加了一些注释说明
调整了一些措词

详解Java API之正则表达式
正则表达式描述的是一种规则，符合这种限定规则的字符串我们认为它某种满足条件的，是我们所需的。在正则表达式中，主要有两种字符，一种描述的是普通的字符，另一种描述的是元字符。其中元字符是整个正则表达式的核心，并由它完成规则的制定工作。本篇文章主要从Java这门程序设计语言的角度理解正则表达式的应用，主要涉及以下内容：

基本正则表达式的理论基础
Java中用于正则表达式匹配的类
几种常用的正则表达式使用实例
一、正则表达式的理论基础

1、普通字符的表示
我们说正则表达式主要由普通字符和元字符组成，那么我们首先先看看普通字符该如何表示。大部分普通字符由字符本身即可表示，例如：'s','i','n','g','l','e'等。除此之外，也有一些特殊的表示方式。
以/0开头，后面紧跟1-3位数字，表示的是一个八进制数。这个数的十进制值对应于ASCII编码中的相应字符。
以/x或者/X开头，后面紧跟两位字符，表示的是一个十六进制的数。该数的十进制的值对应于ASCII编码中相应的字符。
以/u开头，后面紧跟四位字符，表示一个Unicode编号。该编号对应于Unicode字符集中的一个具体字符。
另外还有一些元字符，虽然它们具有特殊的含义，但是往往在某种特殊情况下，需要将这些元字符当做普通字符使用，我们使用 '/'+元字符，表示转移该元字符，此后该元字符将表示一个普通字符。例如：'//'，'/^'，它们分别表示的是 '/'和 '^'，不再具有特殊含义了。下面我们开始逐渐介绍正则表达式语法中的元字符的特殊含义。

2、字符组匹配单个字符
我们用一对中括号（[.....]）表示字符组，整个字符组中会有多个字符位列其中，该字符组表示的含义是：匹配任意一个字符，该字符是位列字符组中的。例如：[single]匹配的是字符's','i','n','g','l','e'中的任意一个字符。以上我们简单介绍了字符组的基本概念以及它所能匹配的内容，其实有时候为了表述连续的字符，我们会结合元字符 '-' 一起来操作字符组。例如：[0123456789]，匹配的是0到9之间的任意一个数字，对于这种情况我们可以选择这样来简化操作：[0-9]。其实两者表述的含义是一样的，为了简化起见，如果遇到连续的字符表述，可以选择使用元字符来简化。同样的还有[a-z]，它匹配任意一个小写字母。对于元字符 '-' 还需要说明一点的是：该字符只有出现在两个字符之间才具有特殊含义，单独出现在字符组的所有字符之前或者之后只能表述普通字符 '-' 。下面介绍有关字符组的一些其他相关的元字符。

元字符 '^' 表示排除的意思，和元字符 '-' 类似，只有放在所有字符的最前面才具有特殊含义，否则只能表示普通字符。例如：[^1234]，该字符组匹配一个字符，但是不是1或2或3或4。当然，[c^yy]，匹配的是四个普通字符，'c','^','y','y'。此外，需要注意一点的是，除了以上介绍的几种元字符必须置放于指定位置上才能起作用以外，其余所有元字符在字符组中统统被视作普通字符，不再具有特殊含义。

除此之外，字符组还支持嵌套使用。例如：[0-9[a-z]]，该字符组匹配一个数字或者一个字母。我们也可以使用&&加强限定规则。例如：[0-9&&[^0123]]，该字符组匹配的是0到9之间任意一个数字，但是该数字不能是0到3中任意一个，也就是只能匹配4到9之间任意一个数字。最后和字符组有关的内容还是涉及一个预定义字符组，所谓预定义字符组就是对字符组的适当封装，对于一些简单的组合使用简介的调用方式。例如：

\d：等同于字符组 [0-9]，表示任意一个数字字符
\w：较为常见，等同于字符组[0-9a-zA-Z]，表示任意一个world（单词字符）
\s：等同于[ \t\n\x0B\f\r]，匹配的是一个空格字符（space）
当然，它们也有相对应的大写形式，但是表示的意思却是截然相反的。

\D：等同于[^0-9]，表示一个任意非数字字符
\W：等同于[^0-9a-zA-Z]，表示任意一个非单词字符，往往会是一些特殊符号
\S：等同于[^\t\n\x0B\f\r]，匹配一个任意非空格的字符
3、用于指定字符多次出现的量词
所谓的量词主要是三个元字符，它们主要用于指定量词前面的字符在匹配时可以多次出现，具体区别接下来会介绍。首先我们需要知道，这三个元字符是：+ ，*， ?。下面描述它们各自作用及相互之间的区别：

+：该元字符指定位于元字符前面的普通字符可以出现一次或者多次。例如：se+cyy这个正则表达式，字符secyy，seeeecyy都是可以匹配的，但是scyy是不能匹配的，前面的字符是必须出现的。
*：该元字符指定位于元字符前面的普通字符可以出现零次或多次。例如：
se*cyy
对于该正则表达式而言，secyy,seecyy都是可匹配的，并且scyy也是可以匹配的。这就是和元字符 + 的简单区别。

?：该元字符指定位于元字符前面的普通字符可以出现也可以不出现，但是不能多次出现。例如：se?cyy，对于该正则表达式，secyy,scyy等都是可匹配的，但是seeeecyy则是不能匹配的。它指定你前面的一个字符要么出现，要么不出现，不允许多次出现。
在这里我们要申明一个误区，这里的三个元字符量词作用的是紧邻该元字符前面的一个字符，并不是作用与元字符前面所有的字符，这里是需要注意的，包括笔者当初也都是误以为此的。

以上我们介绍了简单量词的概念，但是它们只能用于表示模糊的次数。可以出现多次，但是多次是多少却没有定论。对于要求字符出现精确次数的情况，我们可以使用通用量词来解决。{m,n}是通用量词的最基本形式，它指定前面的字符出现的次数在m到n之间。看几个例子：

se{0,10}cyy：其中e可以出现0-10次
se{9}cyy：其中e必须出现9次
se{0,}cyy：其中e可以出现0-无穷大次，等同于se*cyy。
4、分组划分组别
在介绍分组之前，无论是使用量词还是字符组都是针对的一个字符。而分组针对的就是一串字符，我们也可以对分组使用量词，控制该分组出现的次数。我们使用（）括号表示分组，例如：

sing(le)de(cyy)
其中le和cyy分别是一个分组，对于一个完整的正则表达式，从头开始，每个分组都是有编号的，按照出现的次序，以1为基数递增。至于为什么要有编号，下文说。对于分组我们依然是可以使用量词控制其出现次数的，例如：

sing(le)+cccc：在该正则表达式中，分组le可以出现一次或者多次
sing(le)*cccc：在该正则表达式中，分组le可以出现零次或者多次
结合元字符 '| '，可以实现和字符组一样的功效，例如：

(happy|cyy|single)
该正则表达式可以匹配三个字符子串，happy,cyy,single。但是这里需要注意的是，元字符 | 如果用于字符组中就不再具有特殊含义，将会被作为普通字符来匹配。（这一点其实在介绍字符组的时候已经强调过）

下面解决一个上文遗留问题，分组的编号到底有什么作用。为分组编号其实是为了重新捕获和使用分组，每个分组按照出现的次序从1开始递增，我们使用 +分组编号进行引用。例如：

<(\w+)>(.*)</\1>：该正则表达式等效于：<(\w+)>(.*)</\w+>
(\w+)表示任意个字符（字母或数字），(.*)表示任意的符号，\1则引用了分组(\w+)。所以在这里，html中所有非单标签元素都是能匹配的。当然，如果我们不想使用默认的编号来引用分组，我们其实也是可以在定义分组的时候为分组命名。为分组命名的语法格式为：(?<name>X)，引用分组的语法格式为：\k<name>。例如：

<(?<num1>a)>(.*)</\k<num1>>：等效于：<a>(.*)</a>
上述正则表达式定义了一个名为num1的分组，并后续进行了引用。下面介绍正则表达式的最后一块理论基础，边界匹配。

5、边界匹配
以上我们所介绍的所有内容主要还是针对单个字符或者多个字符组成的分组，我们可以限制他们的出现次数以及出现位置等。但是其实在正则表达式中，我们也是可以限制边界必须满足某种条件的。主要涉及的元字符有：^, $, \A, \Z, \z和\b。

首先看元字符 ^ ，在字符组中，该元字符表示否定的意思，此处匹配正则表达式首部位置边界。例如：^abc匹配一个以abc开头的字符串。

元字符 $匹配的字符串的尾部边界，它规定被匹配的字符串必须以什么结束。例如：

abc$：dabc,abc,abc/n都是可匹配的
实际上，如果被匹配字符串是以指定字符结尾或者指定字符之后跟换行符，都是可匹配的。此处需要注意尾部边界匹配时的表述格式。（不同于首部匹配）

\b匹配的是单词边界，所谓的单词边界指的就是：当一边是字符，一边是非字符的时候，此处即为单词边界。也就是单词结束的那个位置。还有一些边界，例如：\A，\b，\Z等，各自匹配的边界如下图所示；
这里写图片描述

当然，对于边界匹配最通用的一种方式就是环视。它不局限于整个表达式的开头和结尾，它可以出现在表达式中的任何位置，既可以向前匹配，也可以向后匹配。主要分为以下四种情况：

肯定顺序环视：它要求表达式的右边字符串必须满足某种约定，语法(?=....)。例如：single(?=cyy)，字符e的右边即为边界并且要求必须为cyy，所以该表达式只能匹配singlecyy。
否定顺序环视：它要求表达式的右边字符串必须不能满足某种约定，和上一中情况是相反的，语法格式为：(?!...)。
肯定逆序环视：它要求表达式的左边必须满足某种约束，语法格式为：(?<=...)。
否定逆序环视：它要求表达式的左边必须不能满足某种约束，语法格式为：(?<！...)。（此处为了消除！在MarkDown编辑器中的特殊样式，加了空格，望读者注意）
虽然看起来有四种不同的环视类型，但是实际上分为两种，一种是向左看，一种是向右看。以上有关正则表达式的基本内容大致介绍完结，下面主要看看如何在Java中验证我们上述的这些理论。

二、Java API对正则表达式的支持
在Java中，对正则表达式的支持，主要还是java.util.regex这个包，我们常用的是其中的Pattern和Matcher这两个类。其中Pattern绑定了一个正则表达式，也就是代表了一个规则，Matcher绑定了一个Pattern和一个被处理的字符串，我们可以利用Matcher中的一些方法来完成匹配工作。此外，Java中所有的正则表达式都是以字符串的形式出现的，所以自然离不开String这个类，该类中的很多方法的参数都是基于正则表达式的，下文将详细介绍。我们首先看Pattern这个类。

Pattern主要用于编译一个正则表达式，也就是创建一个Pattern对象，该对象与实际的一个正则表达式想绑定，它仅仅代表一个规则，与实际要匹配的字符串无关。例如：

String str = "//w";
Pattern p = Pattern.compile(str);
Pattern的compile方法将str这个正则表达式编译成一种内部结构，然后以Pattern实例的形式返回，至于这种内部结构是什么样子的，此处暂时不涉及。我们只需要知道，此时返回的pattern实例是绑定了一个正则表达式的。当然，Pattern还有一个compile重载，可显式指定匹配模式。

public static Pattern compile(String regex, int flags) {
return new Pattern(regex, flags);
}
此处主要有四种匹配模式可选，单行模式，多行模式，无视大小写模式，无视元字符模式（该模式下，所有元字符将会失效）。各自对应的常量：Pattern.DOTALL，Pattern.MULTILINE，Pattern.CASE_INSENSITIVE，Pattern.LITERAL。这些常量的值如下：

public static final int DOTALL = 0x20;（32）
public static final int MULTILINE = 0x08;（8）
public static final int CASE_INSENSITIVE = 0x02;（2）
public static final int LITERAL = 0x10;（16）
当然，我们没必要记住他们各自所对应的常量的值，在使用的时候直接调用它们的常量名即可。下面通过介绍String的几个基本方法，了解正则表达式在Java中的基本使用情况。

首先我们看split方法，该方法用于分割字符串，返回一个String数组。

public String[] split(String regex, int limit)
第一个参数接受的是一个正则表达式，第二参数用于限定分割次数。其实从其源代码中我们大致可以知晓该方法作用原理：首先利用indexOf方法找到分割符首次出现的位置，将该位置以前所有字符保存，拿到剩余子串的所有内容，一样的操作。最后得到的数组就是按照分隔符分割的结果。limit只不过强制限定了分割次数，达到次数上限，即使后面仍有分隔符可匹配，也选择放弃。（打包后面所有内容为一个分组），看个例子：

public static void main(String [] args){
String str = "cyy,single.abc/https";
String[] results = str.split("[,./]");
for(String s : results){
System.out.print(s+" ");
}
}
输出结果：cyy single abc https
此处有人可能会有疑问，说好的Pattern和Matcher才是正则表达式的主要操作类，怎么没见到他们。其实在split内部调用的就是Pattern的相关方法。

return Pattern.compile(regex).split(this, limit);
这是String类中split方法的最后一行代码，String中的split方法除了最后一行代码，其余代码处理的都是regex为普通单个字符的情况，而对于多个字符乃至包含元字符的时候都是由Pattern中split方法处理的，该方法中会创建Matcher类并调用其中find等方法进行匹配查找，代码量比较多，此处不再赘述。

下面看String的一个匹配校验的方法。

public boolean matches(String regex) {
return Pattern.matches(regex, this);
}
显然，该方法内部调用的是Pattern的matches方法，

public static boolean matches(String regex, CharSequence input) {
Pattern p = Pattern.compile(regex);
Matcher m = p.matcher(input);
return m.matches();
}
这是一个非常标准的对正则表达式的处理流程，首先编译（绑定）正则表达式字符串获取Pattern实例，然后调用Pattern的matcher方法获取Matcher实例，接着就可以利用Matcher实例完成大量工作。此处调用matches方法完成对已绑定的正则表达式和预处理字符串的匹配工作，返回值为boolean。

最后看String的ReplaceAll方法：

public String replaceAll(String regex, String replacement) {
return Pattern.compile(regex).matcher(this).replaceAll(replacement);
}
该方法实际上还是依赖的Matcher中的replaceAll方法，由于一个Matcher实例是同时绑定一个正则表达式和一个被匹配字符串的。所以在Matcher内部的replaceAll方法在进行搜索匹配的时候就无需传入额外参数。具体代码，大家可以自行查看，此处节约篇幅不再赘述。

三、常见正则表达式的案例
接下来我们主要从日常较为普遍使用的一些案例中来深刻理解上述所有内容。

1、Email地址
通常我们的Email地址的格式主要是：

3-18字符，可使用英文、数字、减号、点或下划线
必须以英文字母开头，必须以英文字母或数字结尾
点、减号、下划线不能连续出现两次或两次以上
以上是腾讯QQ邮箱的要求，相对而言已算是较为复杂，接下来我么看如何实现它。首先，第一条要求：

[-._a-z0-9A-Z]{3,18}
满足第二条要求：

[a-zA-Z][-._a-z0-9A-Z]{1,16}/w
满足第三个条件：

(?![-0-9a-zA-Z._]*(--|\.\.|__))[a-zA-Z][-._a-z0-9A-Z]{1,16}/w
至于最后一个条件的匹配，我们使用否定顺序环视来实现，它要求右边界所有内容不能是如下的形式：0个或者多个（英文、数字、减号、点或下划线）加上两个连续减号或者点或者下划线。也就是说，右边如果由多个字符或者一个减号，点或者下划线，那是没事的，可一旦出现连续的减号，点或者下划线，那么就将立马被否定顺序环视匹配，进而不满足条件结束。

其实上述对邮箱用户名的匹配算是比较严格的，一般用于匹配邮箱用户名的正则表达式则没这么严格，具体要求如下：

由英文字母、数字、下划线、减号、点号组成
至少1位，不超过64位
开头不能是减号、点号和下划线
由于比较简单，此处直接写出结果：

[^-._][-._a-zA-Z0-9]{0,63}
2、手机号码
在看一个手机号码的正则表达式匹配情况，具体要求如下：

中国的手机号码都是11位数字
目前手机号第1位都是1，第2位取值为3、4、5、7、8之一
最终的表述结果为：

1[34578][0-9]{9}
还有很多案例，此处为了使篇幅不至过长，到此为止。更多案例还有待大家自行测试。

本文如有错误，望大家指出，相互学习。