[转].NET正则的几篇文章, 不错备份一下自 ---- http://circlesport.cnblogs.com/

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

publicstaticvoidMain()
{
strings="THINisaasp.netdeveloper.";
Regexreg=newRegex(@"(\w{2}|\w{3}|\w{4})",RegexOptions.Compiled|RegexOptions.IgnoreCase);
MatchCollectionmc=reg.Matches(s);
foreach(Matchminmc)
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	除 .$ ^ { [ ( \| ) * + ? \ 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 和 \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	与 Tab 符 \u0009 匹配。
\r	与回车符 \u000D 匹配。
\v	与垂直 Tab 符 \u000B 匹配。
\f	与换页符 \u000C 匹配。
\n	与换行符 \u000A 匹配。
\e	与 Esc 符 \u001B 匹配。
\040	将 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	与 ASCII 控制字符匹配；例如，`\cC` 为 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，\* 与 \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 }	与 {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，Ll、Nd、Z、IsGreek、IsBoxDrawing。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* 或 (abc)*。等效于 {0,}。
+	指定一个或多个匹配；例如 \w+ 或 (abc)+。等效于 {1,}。
?	指定零个或一个匹配；例如 \w? 或 (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 次 (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--

posted @ 2007-07-23 11:22 无极.net 阅读(158) 评论(0) 编辑

.NET正则表达式使用高级技巧之反向引用

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+"+"。

posted @ 2007-07-23 11:15 无极.net 阅读(139) 评论(0) 编辑

.NET正则表达式使用高级技巧之组的概念

正则表达式中的组是很重要的一个概念，它是我们通向高级正则应用的的桥梁。

　　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1和2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"("和")"，请使用"$"和"$"(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)。

posted @ 2007-07-23 11:10 无极.net 阅读(88) 评论(0) 编辑

.NET正则表达式使用高级技巧之替换类

因为.net的基本正则语法和Perl5基本相同，所以基本语法你可以去下载一下M$的JS帮助文档，上面有详细的说明\d表示什么，{,5}表示什么，\[表示什么……，这里我只想提醒大家一点，为了避免和反向引用相冲突，在你用\nn表示八进制的ASCII码时，请在\后加0，就是说，\40在表示ASCII码时，请这样写\040。

　　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"中"$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
$$	做$的转义符，如上例表达式改成@"(?<name>\d+)(?#这个是注释)"和"$$${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。

　　*注,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^和$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RegexOptions在new 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?

posted @ 2007-07-23 11:04 无极.net 阅读(358) 评论(0) 编辑

C#中利用正则表达式实现字符串搜索

摘要：本文给出了在C#下利用正则表达式实现字符串搜索功能的方法，通过对.NET框架下的正则表达式的研究及实例分析，总结了正则表达式的元字符、规则、选项等。

　　关键字：正则表达式、元字符、字符串、匹配

　　1、正则表达式简介

　　正则表达式提供了功能强大、灵活而又高效的方法来处理文本。正则表达式的全面模式匹配表示法可以快速地分析大量的文本以找到特定的字符模式；提取、编辑、替换或删除文本子字符串；或将提取的字符串添加到集合以生成报告。对于处理字符串（例如 HTML 处理、日志文件分析和 HTTP 标头分析）的许多应用程序而言，正则表达式是不可缺少的工具。

　　.NET 框架正则表达式并入了其他正则表达式实现的最常见功能，被设计为与 Perl 5 正则表达式兼容，.NET 框架正则表达式还包括一些在其他实现中尚未提供的功能，.NET 框架正则表达式类是基类库的一部分，并且可以和面向公共语言运行库的任何语言或工具一起使用。

　　2、字符串搜索

　　正则表达式语言由两种基本字符类型组成：原义（正常）文本字符和元字符。正是元字符组为正则表达式提供了处理能力。当前，所有的文本编辑器都有一些搜索功能，通常可以打开一个对话框，在其中的一个文本框中键入要定位的字符串，如果还要同时进行替换操作，可以键入一个替换字符串，比如在Windows操作系统中的记事本、Office系列中的文档编辑器都有这种功能。这种搜索最简单的方式，这类问题很容易用String类的String.Replace()方法来解决，但如果需要在文档中识别某个重复的，该怎么办？编写一个例程，从一个String类中选择重复的字是比较复杂的，此时使用语言就很适合。

　　一般表达式语言是一种可以编写搜索表达式的语言。在该语言中，可以把文档中要搜索的文本、转义序列和特定含义的其他字符组合在一起，例如序列\b表示一个字的开头和结尾（子的边界），如果要表示正在查找的以字符th开头的字，就可以编写一般表达式\bth（即序列字符界是-t-h）。如果要搜索所有以th结尾的字，就可以编写th\b（序列t-h-字边界）。但是，一般表达式要比这复杂得多，例如，可以在搜索操作中找到存储部分文本的工具性程序（facility）。

　　3、.NET 框架的正则表达式类

　　下面通过介绍 .NET 框架的正则表达式类，熟悉一下.NET框架下的正则表达式的使用方法。

　　3.1 Regex 类表示只读正则表达式

　　Regex 类包含各种静态方法，允许在不显式实例化其他类的对象的情况下使用其他正则表达式类。以下代码示例创建了 Regex 类的实例并在初始化对象时定义一个简单的正则表达式。请注意，使用了附加的反斜杠作为转义字符，它将 \s 匹配字符类中的反斜杠指定为原义字符。

Regex r; // 声明一个 Regex类的变量
r = new Regex("\\s2000"); // 定义表达式

　　3.2 Match 类表示正则表达式匹配操作的结果

　　以下示例使用 Regex 类的 Match 方法返回 Match 类型的对象，以便找到输入字符串中第一个匹配。此示例使用 Match 类的 Match.Success 属性来指示是否已找到匹配。

Regex r = new Regex("abc"); // 定义一个Regex对象实例
Match m = r.Match("123abc456"); // 在字符串中匹配
if (m.Success)
{
　Console.WriteLine("Found match at position " + m.Index); //输入匹配字符的位置
}

　　3.3 MatchCollection 类表示非重叠匹配的序列

　　该集合为只读的，并且没有公共构造函数。MatchCollection 的实例是由 Regex.Matches 属性返回的。使用 Regex 类的 Matches 方法，通过在输入字符串中找到的所有匹配填充 MatchCollection。下面代码示例演示了如何将集合复制到一个字符串数组（保留每一匹配）和一个整数数组（指示每一匹配的位置）中。

MatchCollection mc;
String[] results = new String[20];
int[] matchposition = new int[20];
Regex r = new Regex("abc"); //定义一个Regex对象实例
mc = r.Matches("123abc4abcd");
for (int i = 0; i < mc.Count; i++) //在输入字符串中找到所有匹配
{
　results[i] = mc[i].Value; //将匹配的字符串添在字符串数组中
　matchposition[i] = mc[i].Index; //记录匹配字符的位置
}

　　3.4 GroupCollection 类表示捕获的组的集合

　　该集合为只读的，并且没有公共构造函数。GroupCollection 的实例在 Match.Groups 属性返回的集合中返回。下面的控制台应用程序查找并输出由正则表达式捕获的组的数目。

using System;
using System.Text.RegularExpressions;
public class RegexTest
{
　public static void RunTest()
　{
　　Regex r = new Regex("(a(b))c"); //定义组
　　Match m = r.Match("abdabc");
　　Console.WriteLine("Number of groups found = " + m.Groups.Count);
　}
　public static void Main()
　{
　　RunTest();
　}
}

　　该示例产生下面的输出：

Number of groups found = 3

　　3.5 CaptureCollection 类表示捕获的子字符串的序列

　　由于限定符，捕获组可以在单个匹配中捕获多个字符串。Captures属性（CaptureCollection 类的对象）是作为 Match 和 group 类的成员提供的，以便于对捕获的子字符串的集合的访问。例如，如果使用正则表达式 ((a(b))c)+（其中 + 限定符指定一个或多个匹配）从字符串"abcabcabc"中捕获匹配，则子字符串的每一匹配的 Group 的 CaptureCollection 将包含三个成员。

　　下面的程序使用正则表达式 (Abc)+来查找字符串"XYZAbcAbcAbcXYZAbcAb"中的一个或多个匹配，阐释了使用 Captures 属性来返回多组捕获的子字符串。

using System;
using System.Text.RegularExpressions;
public class RegexTest
{
　public static void RunTest()
　{
　　int counter;
　　Match m;
　　CaptureCollection cc;
　　GroupCollection gc;
　　Regex r = new Regex("(Abc)+"); //查找"Abc"
　　m = r.Match("XYZAbcAbcAbcXYZAbcAb"); //设定要查找的字符串
　　gc = m.Groups;
　　//输出查找组的数目
　　Console.WriteLine("Captured groups = " + gc.Count.ToString());
　　// Loop through each group.
　　for (int i=0; i < gc.Count; i++) //查找每一个组
　　{
　　　cc = gc[i].Captures;
　　　counter = cc.Count;
　　　Console.WriteLine("Captures count = " + counter.ToString());
　　　for (int ii = 0; ii < counter; ii++)
　　　{
　　　　// Print capture and position.
　　　　Console.WriteLine(cc[ii] + " Starts at character " +
　　　　cc[ii].Index); //输入捕获位置
　　　}
　　}
　}
　public static void Main() {
　　RunTest();
　}
}

　　此例返回下面的输出结果：

Captured groups = 2
Captures count = 1
AbcAbcAbc Starts at character 3
Captures count = 3
Abc Starts at character 3
Abc Starts at character 6
Abc Starts at character 9

　　3.6 Capture 类包含来自单个子表达式捕获的结果

　　在 Group 集合中循环，从 Group 的每一成员中提取 Capture 集合，并且将变量 posn 和 length 分别分配给找到每一字符串的初始字符串中的字符位置，以及每一字符串的长度。

Regex r;
Match m;
CaptureCollection cc;
int posn, length;
r = new Regex("(abc)*");
m = r.Match("bcabcabc");
for (int i=0; m.Groups[i].Value != ""; i++)
{
　cc = m.Groups[i].Captures;
　for (int j = 0; j < cc.Count; j++)
　{
　　posn = cc[j].Index; //捕获对象位置
　　length = cc[j].Length; //捕获对象长度
　}
}

图1：对象关系

　　把组合字符组合起来后，每次都会返回一个组对象，就可能并不是我们希望的结果。如果希望把组合字符作为搜索模式的一部分，就会有相当大的系统开销。对于单个的组，可以用以字符序列"?:"开头的组禁止这么做，就像URI样例那样。而对于所有的组，可以在RegEx.Matches()方法上指定RegExOptions.ExplicitCapture标志。

4、利用正则表达式实现字符串搜索

　　4.1 在C#中使用.NET一般表达式引擎

　　下面将通过一个样例的开发，执行并显示一些搜索的结果，说明一般表达式的一些特性，以及如何在C#中使用.NET一般表达式引擎。说明使用字符串时应在前面加上符号@。

String Text=@"I can not find my position in Beijing";

　　把这个文本称为输入字符串，为了说明一般表达式.NET类，本文先进行一次纯文本的搜索，这次搜索不带任何转义序列或一般表达式命令。假定要查找所有字符串ion，把这个搜索字符串称为模式。使用一般表达式和上面声明的变量Text，编写出下面的代码：

String Pattern = "ion";
MatchCollection Matches = Regex.Matches(Text,Pattern,RegexOptions);
foreach(Match NextMatch in Matches)
{ Console.WriteLine(NextMatch.Index); }

　　在这段代码中，使用了System.Text.RegularExpressions名称空间中Regex类的静态方法Match()。这个方法的参数是一些输入文本、一个模式和RegexOptions每句中的一组可选标志。Matches()返回MatchCollection，每个匹配都用一个Match对象来表示。在上面的代码中，只是在集合中迭代，使用Match类的Index属性，返回输入文本中匹配所在的索引。运行这段代码，将得到1个匹配项。

　　一般集合的功能主要取决于模式字符串。原因是模式字符串不仅仅包含纯文本。如前所述。还包含元字符和转义序列，元字符是给出命令的特殊字符，而转义序列的工作方式与C#的转义序列相同，它们都是以反斜杠\开头的字符，具有特殊的含义。例如，假定要查找以n开头的字，就可以使用转义序列\b，它表示一个字的边界（字的边界是以某个字母数字标的字符开头，或者后面是一个空白字符或标点符号），下面编写如下代码：

String Pattern = @"\bn";
MatchCollection Matches = Regex.Matches(Text,Pattern,RegexOptions.IgnoreCase|
RegexOptions.ExplicitCapture);

　　要在运行时把\b传递给.NET一般表达式引擎，反斜杠\不应被C#编译器解释为转义序列。如果要查找以序列ion结尾的字，可以使用下面的代码：

String Pattern = @"ion\b";

　　如果要查找以字母n开头，以序列ion结尾的所有字，需要一个以\bn开头，以ion\b结尾的模式，中间内容怎么办？需要告诉计算机n和ion中间的内容可以是任意长度的字符，只要字符不是空白即可，正确的模式如下所示：

String Pattern = @"\bn\S*ion\b";

　　4.2 特定字符或转义序列

　　大多数重要的正则表达式语言运算符都是非转义的单个字符。转义符 \（单个反斜杠）通知正则表达式分析器反斜杠后面的字符不是运算符。例如，分析器将星号 (*) 视为重复限定符，而将后跟星号的反斜杠 (\*) 视为 Unicode 字符 002A。

　　使用一般表达式要习惯的一点是，查看像这样怪异的字符序列，但这个序列的工作是非常逻辑化的。转义序列\S表示任何不适空白的字符。*称为数量词，其含义是前面的字符可以重复任意次，包括0次。序列\S*表示任何不适空白的字符。因此，上面的模式匹配于以n开头，以ion结尾的任何单个字。下表中列出的字符转义在正则表达式和替换模式中都会被识别。

　　表1：特定字符或转义序列

特定字符或转义序列	含义	样例	匹配的样例
^	输入文本的开头	^B	B，但只能是文本中的第一个字符
$	输入文本的结尾	X$	X，但只能是文本中的最后一个字符
.	除了换行字符（\n）以外的所有单个字符	i.ation	isation、ization
*	可以重复0次或多次的前导字符	ra*t	rat、raat等
+	可以重复1次或多次的前导字符	ra+t	rt、rat、raat等
？	可以重复0次或1次的前导字符	ra?t	只有rt和rat匹配
\s	任何空白字符	\sa	[space]a,\ta,\na（\t和\n与C#的\t和\n含义相同）
\S	任何不是空白的字符	\SF	aF,rF,cF，但不能是\tf
\b	字边界	ion\b	以ion结尾的任何字
\B	不是字边界的位置	\BX\B	字中间的任何X

　　如果要搜索一个元字符，也可以通过带有反斜杠的转义字符来表示。例如，.表示除了换行字符以外的任何字符，而\.表示一个点。
可以把可替换的字符放在方括号中，请求匹配包含这些字符。例如，[1|c]表示字符可以是1或者是c。如果要搜索map或者man，可以使用序列"ma[n|p]"（仅指引号内字符，下面雷同）。在方括号中，也可以制定一个范围，例如"[a-z]"表示所有的小写字母（使用连字号 (-) 允许指定连续字符范围），"[B-F]"表示B到F之间的所有大写字母，"[0-9]"表示一个数字，如果要搜索一个整数（该序列只包含0到9的字符），就可以编写"[0-9]+"（注意，使用+字符表示至少要有这样一个数字，但可以有多个数字，所以9、83和3443等都是匹配的。）
下面看看一般表达式的结果，编写一个实例RegularExpressionsZzy。建立几个一般表达式，显示其结果，让用户了解一下表达式是如何工作的。

　　该实例的核心是一个方法WriteMatches()，它把MatchCollection中的所有匹配以比较详细的方式显示出来。对于每个匹配，它都会显示该匹配在输入字符串中所在的索引，匹配的字符串和一个略长的字符串，其中包含输入文本中至多8个外围字符，其中至少有5个字符放在匹配的前面，至多5个字符放在匹配的后面（如果匹配的位置在输入文本的开头或结尾5个字符内，则结果中匹配前后的字符就会少于4个）。换言之，靠近输入文本末尾的匹配应是"and messaging ofd"，匹配的前后各有5个字符，但位于输入文本的最后一个字上的匹配就应是"g of data"，匹配的字后只有一个字符。因为在该字符的后面是字符串的结尾。这个长字符串可以更清楚地表明一般表达式是在什么地方查找到匹配的：

static void WriteMatches(string text, MatchCollection matches)
{
　Console.WriteLine("Original text was: \n\n" + text + "\n");
　Console.WriteLine("No. of matches: " + matches.Count);
　foreach (Match nextMatch in matches)
　{
　　int Index = nextMatch.Index;
　　string result = nextMatch.ToString();
　　int charsBefore = (Index < 5) ? Index : 5;
　　int fromEnd = text.Length - Index - result.Length;
　　int charsAfter = (fromEnd < 5) ? fromEnd : 5;
　　int charsToDisplay = charsBefore + charsAfter + result.Length;
　　Console.WriteLine("Index: {0}, \tString: {1}, \t{2}",Index, result,
　　text.Substring(Index - charsBefore, charsToDisplay));
　}
}

　　在这个方法中，处理过程是确定在较长的字符串中有多少个字符可以显示，而无需超限输入文本的开头或结尾。注意在Match对象上使用了另一个属性Value，它包含标识该匹配的字符串，而且，RegularExpressionsZzy只包含名为Find_po，Find_n等的方法，这些方法根据本文执行某些搜索操作。

　　4.3 正则表达式选项

　　可以使用影响匹配行为的选项修改正则表达式模式。可以通过两种基本方法设置正则表达式选项：其一是可以在 Regex(pattern, options) 构造函数中的 options 参数中指定，其中 options 是 RegexOptions 枚举值的按位"或"组合；其二是使用内联 (?imnsx-imnsx:) 分组构造或 (?imnsx-imnsx) 其他构造在正则表达式模式内设置它们。

　　在内联选项构造中，一个选项或一组选项前面的减号 (-) 用于关闭这些选项。例如，内联构造 (?ix-ms) 将打开 IgnoreCase 和 IgnorePatternWhiteSpace 选项而关闭 Multiline 和 Singleline 选项。

　　表2：RegexOptions 枚举的成员以及等效的内联选项字符

RegexOption 成员	内联字符	说明
None	无	指定不设置任何选项。
IgnoreCase	i	指定不区分大小写的匹配。
Multiline	m	指定多行模式。更改 ^ 和 $ 的含义，以使它们分别与任何行的开头和结尾匹配，而不只是与整个字符串的开头和结尾匹配。
ExplicitCapture	n	指定唯一有效的捕获是显式命名或编号的 (?<name>...) 形式的组。这允许圆括号充当非捕获组，从而避免了由 (?:...) 导致的语法上的笨拙。
Compiled	无	指定正则表达式将被编译为程序集。生成该正则表达式的 Microsoft 中间语言 (MSIL) 代码；以较长的启动时间为代价，得到更快的执行速度。
Singleline	s	指定单行模式。更改句点字符 (.) 的含义，以使它与每个字符（而不是除 \n 外的所有字符）匹配。
IgnorePatternWhitespace	x	指定从模式中排除非转义空白并启用数字符号 (#) 后面的注释。请注意，空白永远不会从字符类中消除。
RightToLeft	无	指定搜索是从右向左而不是从左向右进行的。具有此选项的正则表达式将移动到起始位置的左边而不是右边。（因此，起始位置应指定为字符串的结尾而不是开头。）为了避免构造具有无限循环的正则表达式的可能性，此选项不能在中流指定。但是，(?<) 回顾后发构造提供了可用作子表达式的类似替代物。
ECMAScript	无	指定已为表达式启用了符合 ECMAScript 的行为。此选项仅可与 IgnoreCase 和 Multiline 标志一起使用。将 ECMAScript 同任何其他标志一起使用将导致异常。

　　例如，Find_po在字开头处查找以"po"开头的字符串：

static void Find_po()
{
　string text = @" I can not find my position in Beijing ";
　string pattern = @"\bpo\S*ion\b";
　MatchCollection matches = Regex.Matches(text, pattern, RegexOptions.IgnoreCase
| RegexOptions.IgnorePatternWhitespace | RegexOptions.ExplicitCapture);
　WriteMatches(text, matches);
}

　　这段代码还使用了名称空间RegularExpressions：

using System;
using System.Text.RegularExpressions;

　　4.4 匹配、组和捕获

　　一般表达式的一个很好的特性是可以把字符组合起来，方式与C#中的复合语句一样。在C#中，可以通过把任意数量的语句放在花括号中的方式把它们组合在一起。其结果就像一个复合语句那样。在一般表达式模式中，也可以把任何字符组合起来（包括元字符和转义序列），像处理一个字符那样处理它们。唯一的区别是要使用圆括号，而不是花括号，得到的序列成为一个组。

　　例如，模式"(an)+"定位序列an的任以重复。量词+只应用于它前面的一个字符，但因为我们把字符组合起来了，所以它现在把重复的an作为一个单元来对待。"(an)."应用到输入文本"bananas came to Europe late in the annals of history"上，会从bananas中选择出anan。另一方面，如果使用an+，则将从annals中选择ann，从bananas中选择出两个an。为什么(an)+选择的是anan，而没有把单个的an作为一个匹配。匹配规则是不能重复的，如果有可能重复，在默认情况下就选择较长的匹配。

　　但是，组的功能要比这强大得多。在默认情况下，把模式的一部分组合为一个组时，就要求一般表达式引擎记住可以按照这个组来匹配，也可以按照整个模式来匹配。换言之，可以把组当作一个要匹配的模式，如果要把字符串分解为各个部分，这种模式就是非常有效的。
例如，URI的格式是"<protocol>://<address>:<port>"，其中端口是可选的。它的一个样例是http://www.comprg.com.cn:8080。假定要从一个URI中提取协议、地址和端口，而且紧邻URI的后面可能有空白（但没有标点符号），就可以使用下面的表达式："\b(\S+)://(\S+)(?::(\S+))?\b"

　　该表达式的工作方式如下：首先，前导和尾部的\b序列确保只需要考虑完全是字的文本部分，在这个文本部分中，第一组"(\S+)://"会选择一个或多个不适空白的字符，其后是"://"。在HTTPURI的开头会选择出http://。花括号表示把http存储为一个组。后面的"(\S+)"则在上述URI中选择www. comprg.com.cn，这个组在遇到词的结尾时或标记另一个组的冒号"(:)"时结束。

　　下一个组选择端口（本例是:8080）。后面的？表示这个组在匹配中是可选的，如果没有:xxxx，也不会妨碍匹配的标记。

　　这是非常重要的，因为端口在URI中一般不指定，实际上，在大多数情况下，URI是没有端口号的。但是，事情会比较复杂。如果要求冒号可以出现，也可以不出现，但不希望把这个冒号也存储在组中。为此，可以嵌套两个组：内部的"(\S+)"组选择冒号后面的内容（本例中是8080），外面的组包含内部的组，后面是一个冒号，该冒号又在序列"?:"的后面。这个序列表示该组不应保存（只需要保存"8080"，不需要保存":8080"）。不要把这两个冒号混淆了，第一个冒号是序列"?:"的一部分，表示不保存这个组，第二个冒号是要搜索的文本。

　　在这个字符串上运行该模式：I always visit http://www. comprg.com.cn 得到的匹配是http://www. comprg.com.cn。在这个匹配中，仅提到了三个组，还有第四个组表示匹配本身。理论上，每个组都可以选择0次、1次或者多次匹配。单个的匹配就称为捕获。在第一个组"(\S+)"，有一个捕获http。第二个组也有一个捕获www. comprg.com.cn，但第三个组没有捕获，因为在这个URI中没有端口号。注意该字符串在其本身上包含第二个http://。虽然它匹配于第一个组，但不会被搜索出来，因为整个搜索表达式不匹配于这部分文本。
再比如下面这个例子，以下代码示例使用 Match.Result 来从 URL提取协议和端口号。例如，"http://www.yahoo.com.cn:8080/index.html"将返回"http:8080"。

String Extension(String url)
{
　Regex r = new Regex(@"^(?<proto>\w+)://[^/]+?(?<port>:\d+)?/",
　RegexOptions.Compiled);
　return r.Match(url).Result("${proto}${port}");
}

　　5、小结

　　.NET 框架正则表达式类是基类库的一部分，并且可以和面向公共语言运行库的任何语言或工具（包括 ASP.NET 和 Visual Studio .NET）一起使用。本文给出了在C#下利用正则表达式实现字符串搜索功能的方法，通过对.NET框架下的正则表达式的研究及实例分析，总结了正则表达式的规则、选项等，方便以后朋友们的应用。

posted on 2012-02-24 15:55 RJ 阅读(687) 评论(0) 收藏举报

刷新页面返回顶部

Rocho.J