Design&Art

C++博客 首页 新随笔 联系 聚合 管理
  26 Posts :: 0 Stories :: 38 Comments :: 0 Trackbacks

 

【摘要】

正则表达式是用来处理文本和匹配模式最高效、最简单的方法。如果你不熟悉这个术语,那么正则表达式Regular Expression)就是一个字符构成的串,它定义了一个用来搜索匹配字符串的模式。

 

1.       正则表达式基础知识

我们先从简单的开始。假设你要搜索一个包含字符“cat”的字符串,搜索用的正则表达式就是“cat”。如果搜索对大小写不敏感,单词“catalog”“Catherine”“sophisticated”都可以匹配。也就是说:

正则表达式:cat
匹配:cat, catalog, Catherine, sophisticated

1.1.       句点符号

假设你在玩英文拼字游戏,想要找出三个字母的单词,而且这些单词必须以“t”字母开头,以“n”字母结束。另外,假设有一本英文字典,你可以用正则表达式搜索它的全部内容。要构造出这个正则表达式,你可以使用一个通配符句点符号“.”。这样,完整的表达式就是“t.n”,它匹配“tan”“ten”“tin”“ton”,还匹配“t#n”“tpn”甚至“t n”,还有其他许多无意义的组合。这是因为句点符号匹配所有字符,包括空格、Tab字符甚至换行符:

正则表达式:t.n
匹配:tan, Ten, tin, ton, t n, t#n, tpn, 等

1.2.       方括号符号

为了解决句点符号匹配范围过于广泛这一问题,你可以在方括号(“[]”)里面指定看来有意义的字符。此时,只有方括号里面指定的字符才参与匹配。也就是说,正则表达式“t[aeio]n”只匹配“tan”“Ten”“tin”“ton”。但“Toon”不匹配,因为在方括号之内你只能匹配单个字符:

正则表达式:t[aeio]n
匹配:tan, Ten, tin, ton

1.3.       符号

如果除了上面匹配的所有单词之外,你还想要匹配“toon”,那么,你可以使用“|”操作符。“|”操作符的基本意义就是运算。要匹配“toon”,使用“t(a|e|i|o|oo)n”正则表达式。这里不能使用方扩号,因为方括号只允许匹配单个字符;这里必须使用圆括号“()”。圆括号还可以用来分组,具体请参见后面介绍。

正则表达式:t(a|e|i|o|oo)n
匹配:tan, Ten, tin, ton, toon

1.4.       表示匹配次数的符号

表一显示了表示匹配次数的符号,这些符号用来确定紧靠该符号左边的符号出现的次数:

表一:表示次数的符号

符号

次数

* 0次或者多次
+ 1次或者多次
0次或者1次
{n} 恰好n次
{n,m} 从n次到m次

假设我们要在文本文件中搜索美国的社会安全号码。这个号码的格式是999-99-9999。用来匹配它的正则表达式如图一所示。在正则表达式中,连字符(“-”)有着特殊的意义,它表示一个范围,比如从09。因此,匹配社会安全号码中的连字符号时,它的前面要加上一个转义字符“\”

                                         连字符                                       连字符 
[0-9]{3} \- [0-9]{2} \- [0-9]{4}
      前三个数字                                   中间两个数字                               最后四个数字 
图一:匹配所有123-12-1234形式的社会安全号码

 

假设进行搜索的时候,你希望连字符号可以出现,也可以不出现即,999-99-9999999999999都属于正确的格式。这时,你可以在连字符号后面加上数量限定符号,如图二所示:

                                      可选的连字符                                可选的连字符 
[0-9]{3} \-? [0-9]{2} \-? [0-9]{4}
      前三个数字                                  中间两个数字                               最后四个数字 

图二:匹配所有123-12-1234123121234形式的社会安全号码

下面我们再来看另外一个例子。美国汽车牌照的一种格式是四个数字加上二个字母。它的正则表达式前面是数字部分“[0-9]{4}”,再加上字母部分“[A-Z]{2}”。图三显示了完整的正则表达式。

[0-9]{4} [A-Z]{2}
      前四个数字                    后两个字母 

图三:匹配典型的美国汽车牌照号码,如8836KV

1.5.       符号

“^”符号称为符号。如果用在方括号内,“^”表示不想要匹配的字符。例如,图四的正则表达式匹配所有单词,但以“X”字母开头的单词除外。

 [^x]         [a-z]+
第一个字符                              后继字符可以是a到z之
  不能是'X'                                     间的任意字母

图四:匹配所有单词,但“X”开头的除外

1.6.       圆括号和空白符号

假设要从格式为“June 26, 1951”的生日日期中提取出月份部分,用来匹配该日期的正则表达式可以如图五所示:

                             必需的空格                                         必需的逗号                   年份值
[a-z]+ \s+ [0-9]{1,2} , \s* [0-9]{4}
月份值,至少                       月份内的日期,至多              可选的空格
    一个字符                                      两个数字

图五:匹配所有Moth DD,YYYY格式的日期

新出现的“\s”符号是空白符号,匹配所有的空白字符,包括Tab字符。如果字符串正确匹配,接下来如何提取出月份部分呢?只需在月份周围加上一个圆括号创建一个组,然后用ORO API(本文后面详细讨论)提取出它的值。修改后的正则表达式如图六所示:

                             必需的空格                                          必需的逗号                   年份值
([a-z]+) \s+ [0-9]{1,2} , \s* [0-9]{4}
       月份值,                                       月份内的日期,至多              可选的空格
      第一个组                                                 两个数字

图六:匹配所有Month DD,YYYY格式的日期,定义月份值为第一个组

1.7.       其它符号

为简便起见,你可以使用一些为常见正则表达式创建的快捷符号。如表二所示:

表二:常用符号

符号

等价的正则表达式

\d [0-9]
\D [^0-9]
\w [A-Z0-9]
\W [^A-Z0-9]
\s [\t\n\r\f]
\S [^\t\n\r\f]

 

例如,在前面社会安全号码的例子中,所有出现“[0-9]”的地方我们都可以使用“\d”。修改后的正则表达式如图七所示:

                            连字符                           连字符
\d{3} \- \d{2} \- \d{4}
前三个数字                中间两个数字             最后四个数字

图七:匹配所有123-12-1234格式的社会安全号码

posted on 2007-09-13 16:19 安帛伟 阅读(688) 评论(0)  编辑 收藏 引用

只有注册用户登录后才能发表评论。
网站导航: 博客园   IT新闻   BlogJava   知识库   博问   管理