正则表达式及测试工具

1. 正则表达式

　　正则表达式：一种匹配文本中的字符序列的字符模式。在很多文本编辑器或其他工具里，正则表达式通常被用来检索或替换那些符合某种模式的文本内容。许多程序设计语言都支持利用正则表达式进行字符串操作。

　　一个正则表达式就是由普通字符（例如字符 ‘a’ 到 ‘z’）以及特殊字符（称为元字符）组成的文字模式。该模式描述在查找文字主体时待匹配的一个或多个字符串。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。

1.1 元字符

字符	描述	实例
\d	匹配任意的数字	\d\d可以匹配12，但不匹配a1或1a等
\D	匹配任意的非数字字符	\D\D匹配a@，不匹配12
\w	匹配单词字符(包括字母、数字、下划线和汉字)
\W	匹配任意的非单词字符(包括字母、数字、下划线和汉字)	\W匹配@等，不匹配a
\s	匹配任何空白字符，包括空格、制表符、换行符等
\S	匹配任意非空白字符
.	匹配除换行符之外的任意字符

^	匹配行的开始位置	"^The"：表示所有以"The"开始的字符串（"There"，"The cat"等）
$	匹配行的结束位置	"of despair$"：表示以"of despair"结尾的字符串
\b	匹配单词的开始或结束位置	"\bcat"将匹配 "cat cat cat"首尾的"cat"，中间的"cat"不会被匹配上
\B	\b的补集	"\bcat"将匹配 "cat cat cat"中间的"cat"

2. 字符类

　　  在正则表达式中，元字符通常一次只能匹配一个位置或字符集合中的一个字符，但是如果要匹配的字符集合没有与之相对应的元字符时，则需要自定义匹配的字符集合。此时可以使用字符类解决这个问题。字符类是一个字符集合，如果该字符集合中的任何一个字符被匹配，则它就会找到该匹配项。

  　　字符类是正则表达式中的“迷你”语言，可以在方括号" []"中定义。例如： [012345]匹配数字0,1,2,3,4,5中的任何一个。[Jj]ack匹配字符串“Jack”或者“jack”。

  　　然而，正则表达式[0123456789]的书写非常不方便。因此，正则表达式引入连接符“-”定义字符的范围。例如：正则表达式[0-9]等价于正则表达式[0123456789]。

3. 限定符

　　正则表达式的元字符一次只能匹配一个位置或一个字符，如果要匹配零个、一个或多个字符时，则需要使用限定符。限定符用于指定允许特定字符或字符集自身重复出现的次数。常用限定符的说明如表2.11所示。

字符	描述	实例
{n}	重复n次	'o{2}' 不能匹配 "Bob" 中的 'o'，但是能匹配 "food" 中的两个 。
{n，}	至少重复n次	'o{2，}' 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood" 中的所有 o。'o{1，}' 等价于 'o+'。'o{0，}' 则等价于 'o*'。
{n，m}	重复至少n次，最多m次	"o{1，3}" 将匹配 "fooooood" 中的前三个 o。'o{0，1}' 等价于 'o?'。
+	重复至少1次，等同{1,}	'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等价于 {1，}。
*	重复至少0次，等同{0,}	zo* 能匹配 "z" 以及 "zoo"。 * 等价于{0，}。
?	当该字符紧跟在任何一个其他限定符 (*， +， ?， {n}， {n，}， {n，m}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。	对于字符串"oooo"，'o+?' 将匹配单个 "o"，而 'o+' 将匹配所有 'o'。

4. 转义字符

正则表达式定义了一些特殊的元字符，如^、$、.等。由于这些字符在正则表达式中被解释成其他的特定的意义，如果需要匹配这些字符，则需要使用转义字符来解决这一问题。转义字符为“\”(反斜杠)，它可以取消这些字符(如^、$、.等)在表达式中具有的特殊意义，转义字符说明及实例如表2.12。

字符	描述	实例
\	有些字符被用来表示特殊的含义，但是要匹配其本身时就需要用转义字符。	"\\"匹配"\" "\."匹配"." "\*"匹配"*" "\+"匹配"+" "\unnnn"匹配一个4位16进制数指定的Unicode

5. 分组、“或”、以及反向引用

  　　前面讲到怎么重复单个字符（直接在字符后面加上限定符就行了）；但如果想要重复一个字符串就应该使用分组。

  　　分组又称为子表达式，即把一个正则表达式的全部或部分分成一个或多个组。其中，分组使用括号“()”表示。分组之后，可以将括号“()”之中的表达式看成一个整体来处理，然后再指定这个子表达式的重复次数。例如：“(\d{1,3}\.){3}\d{1,3}”是一个简单的IP地址匹配表达式。 “(\d{1,3}\.){3}”匹配三位数字加上一个英文句号重复3次，“\d{1,3}”匹配1到3位的数字。

 　　  “或”使用字符“|”来表示。如果某一个字符串匹配了正则表达式中的字符“|”的左边或者右边的规则，那么该字符串也匹配了该正则表达式。例如：“0\d{2}-\d{8}|0\d{3}-\d{7}|0\d{3}-\d{8}”匹配当前国内部分地区的3种固定电话号码：一种是号码的前3位为区号，后8位为本地号码；另一种是号码的前四位为区号，后7位为本地号码；最后一种是号码的前4位为区号，后8位为本地号码。其中，区号和本地号码都使用连接符号“-”进行连接。

  　　反向引用：当一个正则表达式被分组之后，每一个组将自动被赋予一个组号，该组号可以代表该组的表达式。其中，组号的编制规则为：从左到右，以分组的左括号“(”为标志，第一个分组组号为1，第二个分组的组号为2，以此类推。反向引用提供了查找重复字符组的方便方法。它可被认为是再次匹配同一个字符串的快捷指令。反向引用可以使用数字命名的组号，语法为：\number，也可以使用指定命名的组号，语法为：\k＜name＞。例如：表达式“('|")(.*?)(\1)”在匹配“'Hello',"World"”时，首先匹配到的内容是：“'Hello'”。再次匹配下一个时，可以匹配到“"World"”。

2. RegEX Tester用来测试正则表达式

regEX Tester是一个简单的用来测试正则表达式的工具，是开源的。