正則表達式

 日常工作中，總會遇到正則的時候，索性就把它 搞清楚。后來才發現正則很好用，完全可以替代split和repleace的那種需要循環遍歷時的無賴。

簡單表達式

最簡單的正則表達式大家都已熟悉，即文字字符串。特定的字符串可通過文字本身加以描述；像 foo 這樣的正則表達式模式可精確匹配輸入的字符串 foo。在本例中，也將匹配如下輸入：The foo d was quite tasty，如果希望精確匹配，這可能不是預期結果。

當然，使用正則表達式匹配等於它自身的精確字符串是沒有價值的實現，不能體現正則表達式的真正作用。假如不查找 foo，而是查找以字母 f 開頭的所有單詞，或所有 3 個字母的單詞，那該怎么辦？目前，這超出了文字字符串的合理范圍。我們需要更加深入地研究正則表達式。下面是一個文字表達式示例及一些匹配的輸入。

 

模式	輸入（匹配）
foo	foo、food、foot、“There's evil afoot.”

 

限定符

限定符提供了一種簡單方法，用於指定在模式中允許特定字符或字符集自身重復出現的次數。有 3 個非顯式限定符：

1. *，描述“出現 0 或多次”。

2. +，描述“出現 1 或多次”。

3. ?，描述“出現 0 或 1 次”。

限定符始終引用限定符前（左邊）的模式，通常是單個字符，除非使用括號創建模式組。下面是一些模式示例及匹配的輸入。

 

模式	輸入（匹配）
fo*	foo、foe、food、fooot、“forget it”、funny、 puffy
fo+	foo、foe、food、foot、“forget it”
fo?	foo、foe、food、foot、“forget it”、funny、puffy

除了指定給定模式准確出現 0 或 1 次之外，? 字符還可強制模式或子模式匹配數目最少的字符（如果匹配輸入字符串中的多個字符）。

除了非顯式限定符（一般叫做限定符，但為區別於下一組，故稱非顯式限定符）之外，還有顯式限定符。在模式出現次數方面，限定符的概念非常模糊。使用 顯式限定符則可准確指定數字、范圍或數字集。顯式限定符位於所應用的模式的后邊，這一點與正則限定符一樣。顯式限定符使用花括號 {} 及其中的數字值表示模式出現次數的上下限【下圖，第一項，代表至少有兩個字母aa，第三項代表至少有二個bb，之多3個】。例如，x{5} 將准確匹配 5 個 x 字符 (xxxxx)。如果僅指定一個數字，則表示次數上限；如果數字后跟一個逗號，如 x{5,}，表示匹配任何出現次數大於 4 的 x 字符。下面是一些模式示例及匹配的輸入。

 

模式	輸入（匹配）
ab{2}c	abbc、aaabbccc
ab{,2}c	ac、abc、abbc、aabbcc
ab{2,3}c	abbc、abbbc、aabbcc、aabbbcc

 

 第二個a{,2}驗證未通過，應該改為ab{0,2}c 

 

模式	輸入（匹配）
fo*	foo、foe、food、fooot、“forget it”、funny、 puffy
fo+	foo、foe、food、foot、“forget it”
fo?	foo、foe、food、foot、“forget it”、funny、puffy

 

 

正則表達式選項RegexOptions有如下一下選項，詳細說明請參考聯機幫助

 

 

RegexOptions枚舉值	內聯標志	簡單說明
ExplicitCapture	n	只有定義了命名或編號的組才捕獲
IgnoreCase	i	不區分大小寫
IgnorePatternWhitespace	x	消除模式中的非轉義空白並啟用由 # 標記的注釋。
MultiLine	m	多行模式，其原理是修改了^和$的含義
SingleLine	s	單行模式，和MultiLine相對應

 

這里我提到內聯標志，是因為相對於用RegexOptions在new Regex時定義Regex表達式的全局選項來說，內聯標志可以更小粒度（以組為單位）的定義匹配選項，從而更方便表達我們的思想

語法是這樣的：(?i:expression)為定義一個選項，(?-i:expression)為刪除一個選項，(?i-s:expression)則定義i，刪除s,是的，我們可以一次定義很多個選項。這樣，通過內聯選項，你就可以在一個Regex中定義一個組為匹分大小寫的，一個組不匹分大小寫的。

 

 

元字符

在正則表達式中，有一種意義特殊的構造，即元字符。目前已知的元字符有很多，如 *、?、+ 和 {} 字符。其他字符在正則表達式語言中都有特殊的含義。這些字符包括：$ ^ . [ ( | ) ] 和 /。

.（句點或點）元字符是最簡單但最常用的一個字符。它可匹配任何單字符。如果要指定某些模式可包含任意組合的字 符，使用句點非常有用，但一定要在特定長度范圍內。此外，我們知道表達式將對包含在較長字符串中的所有模式進行匹配，假如只需要精確匹配模式，又該怎么 辦？這在驗證方案中經常出現，例如，要確保用戶輸入的郵政編碼或電話號碼的格式正確。使用 ^ 元字符可指定字符串（或行）的開始，使用 $ 元字符可指定字符串（或行）的結束。通過將這些字符添加到模式的開始和結束處，可強制模式僅匹配精確匹配的輸入字符串。如果 ^ 元字符用在方括號 [ ] 指定的字符類的開頭，也有特殊的含義。具體內容見下。

/ （反斜杠）元字符既可根據特殊含義“轉義”字符，也可指定預定義集合元字符的實例。同樣，具體內容見下。為了在正則表達式中包括文字樣式的元字符，必須使用反斜杠進行“轉義”。例如，如果要匹配以“c:/”開始的字符串，可使用：^c://。注意，要使用 ^ 元字符指出字符串必須以此模式作為開始，然后用反斜杠元字符轉義文字反斜杠。

|（管道）元字符用於交替指定，特別用於在模式中指定“此或彼”。例如，a|b 將匹配包含“a”或“b”的任何輸入內容，這與字符類 [ab] 非常類似。

最后，括號 ( ) 用於給模式分組【如下圖，可通過match.groups獲取各個組的值】。它允許使用限定符讓一個完整模式出現多次。為了便於閱讀，或分開匹配特定的輸入部分，可能允許分析

 

或重新設置格式。

下面列出元字符的一些使用示例。

 

模式	輸入（匹配）
.	a、b、c、1、2、3
.*	Abc, 123, 任意字符串, 無字符時也匹配
^c://	c:/windows、c://///、c:/foo.txt、c:/ 后跟任何其他內容
abc$	abc、123abc、以 abc 結束的任意字符串
(abc){2,3}	abcabc、abcabcabc

 

字符類

字符類是正則表達式中的“迷你”語言，在方括號 [ ] 中定義。最簡單的字符類只不過是括號中的一個字符表，如 [aeiou]。在表達式中使用字符類時，可在模式的此位置使用其中任何一個字符（但只能使用一個字符，除非使用了限定符）。請注意，不能使用字符類定義單詞或模式，只能定義單個字符。

要指定任何數值數字，可以使用字符類 [0123456789]。但是，由於這樣使用字符不大方便，所以要通過在括號中使用連字符 - 來定義字符的范圍。連字符在字符類中有特殊的含義（不是在正則表達式中，因此，准確地說它不能叫正則表達式元字符），且僅在連字符不是第一個字符時，連字符才在字符類中有特殊含義。要使用連字符指定任何數值數字，可以使用 [0-9]。小寫字母也一樣，可以使用 [a-z]，大寫字母可以使用 [A-Z]。連字符定義的范圍取決於使用的字符集。因此，字符在（例如）ASCII 或 Unicode 表中出現的順序確定了在范圍中包括的字符。如果需要在范圍中包括連字符，將它指定為第一個字符。例如：[-.?] 將匹配 4 個字符中任何一個字符（注意，最后的字符是個空格）。另請注意，正則表達式元字符在字符類中不做特殊處理，所以這些元字符不需要轉義。考慮到字符類是與其他正則表達式語言分開的一種語言，因此字符類有自己的規則和語法。

如果使用字符 ^ 作為字符類[]的第一個字符來否定此類，也可以匹配字符類成員以外的任何字符。因此，要匹配任何非元音字符，可以使用字符類 [^aAeEiIoOuU]。注意，如果要否定連字符，應將連字符作為字符類的第二個字符，如 [^-]。記住，^ 在字符類中的作用與它在正則表達式模式中的作用完全不同。

下面列出操作中使用的一些字符類。

 

模式	輸入（匹配）
^b[aeiou]t$	Bat、bet、bit、bot、but
^[0-9]{5}$	11111, 12345, 99999
^c://	c:/windows、c://///、c:/foo.txt、c:/ 后跟任何其他內容
abc$	abc、123abc、以 abc 結束的任意字符串
(abc){2,3}	abcabc、abcabcabc
^[^-][0-9]$	0、1、2、... （不匹配 -0、-1、 -2 等）

在 .NET Framework 的下一版中，代碼名“Whidbey”作為一種新功能被添加到字符類中，稱作字符類差 (character class subtraction)。它的主要作用是，允許從一個字符類中減去另一個字符類，可提供更可讀的方式描述某些模式。該規范可通過以下地址訪問：http://www.gotdotnet.com/team/clr/bcl/TechArticles/techarticles/Specs/Regex/CharacterClassSubtraction.doc。它的語法類似 [a-z-[aeiou]]，匹配所有的小寫輔音字母。

 

預定義的集合元字符

使用目前提供的工具可以完成很多工作。但是，要使用 [0-9] 表示模式中的每個數值數字，或（更糟）使用 [0 -9a -zA-Z]表示任何字母數字字符，還有一段相當漫長的過程。為了減輕處理這些常用但冗長模式的痛苦，事先定義了預定義元字符集合。正則表達式的不同實現定義了不同的預定義元字符集合，下面描述的預定義元字符集合在 .NET Framework 中得到 System.Text.RegularExpressions API 的支持。這些預定義元字符的標准語法是，在反斜杠 / 后跟一個或多個字符。多數預定義元字符只有一個字符，它們的使用很容易，是冗長字符類的理想替代字符。以下是兩個示例：/d 匹配所有數值數字，/w 匹配所有單詞字符（字母數字加下划線）。例外情況是一些特定字符代碼匹配，此時必須指定所匹配字符的地址，如 /u000D 將匹配 Unicode 回車符。下面列出一些最常用的字符類及其等效的元字符。

 

元字符	等效字符類
/a	匹配鈴聲（警報）；/u0007
/b	匹配字符類外的字邊界，它匹配退格字符，/u0008
/t	匹配制表符，/u0009
/r	匹配回車符，/u000D
/w	匹配垂直制表符，/u000B
/f	匹配換頁符，/u000C
/n	匹配新行，/u000A
/e	匹配轉義符，/u001B
/040	匹配 3 位 8 進制 ASCII 字符。/040 表示空格（十進制數 32）。
/x20	使用 2 位 16 進制數匹配 ASCII 字符。此例中，/x2- 表示空格。
/cC	匹配 ASCII 控制字符，此例中是 ctrl-C。
/u0020	使用 4 位 16 進制數匹配 Unicode 字符。此例中 /u0020 是空格。
/*	不代表預定義字符類的任意字符都只作為該字符本身對待。因此，/* 等同於 /x 2A（是文字 *，不是 * 元字符）。
/p{name}	匹配已命名字符類“name”中的任意字符。支持名稱是 Unicode 組和塊范圍。例如，Ll、Nd、Z、IsGreek、IsBoxDrawing 和 Sc（貨幣）。
/p{name}	匹配已命名字符類“name”中不包括的文本。
/w	匹配任意單詞字符。對於非 Unicode 和 ECMAScript 實現，這等同於 [a-zA-Z_0-9]。在 Unicode 類別中，這等同於 [/p{Ll}/p{Lu}/p{Lt}/p{Lo}/p{Nd}/p{Pc}]。
/W	/w 的否定，等效於 ECMAScript 兼容集合 [^a-zA-Z_0-9] 或 Unicode 字符類別 [^/p{Ll}/p{Lu}/p{Lt}/p{Lo}/p{Nd}/p{Pc}]。
/s	匹配任意空白區域字符。等效於 Unicode 字符類 [/f/n/r/t/v/x85/p{Z}]。如果使用 ECMAScript 選項指定 ECMAScript 兼容方式，/s 等效於 [ /f/n/r/t/v] （請注意前導空格）。
/S	匹配任意非空白區域字符。等效於 Unicode 字符類別 [^/f/n/r/t/v/x85/p{Z}]。如果使用 ECMAScript 選項指定 ECMAScript 兼容方式，/S 等效於 [^ /f/n/r/t/v] （請注意 ^ 后的空格）。
/d	匹配任意十進制數字。在 ECMAScript 方式下，等效於 Unicode 的 [/p{Nd}]、非 Unicode 的 [0-9]。
/D	匹配任意非十進制數字。在 ECMAScript 方式下，等效於 Unicode 的 [/p{Nd}]、非 Unicode 的 [^0-9]。

 

表達式示例

很多人都喜歡通過示例學習，下面即提供一些表達式示例。要獲取更多示例，請訪問以下地址中的正則表達式聯機數據庫：http://www.regexlib.com/。

 

模式	說明
^/d{5}$	5 個數值數字，如美國郵政編碼。
^(/d{5})|(/d{5})-/d{4}$	5 個數值數字或 5 個數字-短划線-4 個數字。匹配 5 位數字格式的美國郵政編碼，或 5 位數字 + 4 位數字格式的美國郵政編碼。
^(/d{5}(-/d{4})?$	與前一個相同，但更有效。使用 ? 可使模式中的 4 位數字成為可選部分，而不是要求分別比較不同的兩個模式（通過另一種方式）。
^[+-]?/d+(/./d+)?$	匹配任意有可選符號的實數。
^[+-]?/d*/.?/d*$	與上一個相同，但也匹配空字符串。
^(20|21|22|23|[01]/d)[0-5]/d$	匹配 24 小時制時間值。
//*.*/*/	匹配 C 語言風格的注釋 /* ... */

 

ASP.NET 中的驗證

ASP.NET 提供了一套驗證控件，與使用舊的（或願意的話使用傳統的） ASP 處理任務相比，驗證控件使在 Web 窗體上驗證輸入變得非常容易。其中一個非常有效的驗證器是 RegularExpressionValidator，如您所料，它允許您提供必須匹配輸入的正則表達式來驗證輸入。設置控件的 ValidationExpression 屬性可指定正則表達式的模式。下面顯示了驗證郵政代碼字段的驗證程序：

<asp:RegularExpressionValidator runat="server" id="ZipCodeValidator" 
ControlToValidate="ZipCodeTextBox" ErrorMessage="Invalid ZIP code 
format; format should be either 12345 or 12345-6789."  
ValidationExpression="(/d{5}(-/d{4})?" />

使用 RegularExpressionValidator 要注意幾個問題：

• 決不要使用驗證程序要驗證的控件中的空字符串來激活驗證器。只有 RequiredFieldValidator 才可以捕獲空字符串。

• 您無需指定匹配字符的開始與結尾（^ 和$）- 它們是事先假設的。如果添加了開始與結尾，也沒有任何影響，不需要這樣做。

• 對於所有驗證控件來說，必須在客戶端以及服務器端進行驗證。如果正則表達式不是 ECMAScript 兼容方式，客戶端驗證將失敗。為了避免這種情況，確保表達式是 ECMAScript 兼容方式，否則只在服務器端進行控件驗證。

 

正則表達式 API

除了 ASP.NET 驗證控件，在.NET 中使用正則表達式的大多數情況都要使用 System.Text.RegularExpressions 命名空間中發現的類。特別是那些您希望熟悉的主類 Regex、Match 和 MatchCollection。

順便說一下，正則表達式縮寫樣式 regex 的發音究竟是 /reg-eks/ 還是 /rej-eks/，還有一些爭議。本人傾向於后者，但兩種發音都有專家贊同，所以選擇哪個發音由您自己決定。

Regex 類有大量的方法和屬性，如果您以前沒有用過它，可能會感到無所適從。下面匯總了一些最常用的方法：

 

方法	說明
Escape / Unescape	字符串中的轉義元字符，用作表達式中的文字。
IsMatch	如果正則表達式在輸入字符串中發現匹配，返回“Ture”。
Match	如果在輸入字符串中發現匹配，則返回匹配對象。
Matches	如果在輸入字符串中發現包含任何或全部匹配，則返回匹配集合對象。
Replace	用給定的替換字符串替換輸入字符串中的匹配。
Split	將輸入字符串拆分成用正則表達式匹配分開的數組元素時，返回數組字符串。

除了指定很多方法外，還有一些選項可以指定，通常在 Regex 對象構造函數中。由於這些選項是位屏蔽的一部分，或許可以同時指定這些選項（如，可以同時指定 Multiline 和 Singleline）。

 

方法	說明
Compiled	當在循環中執行許多匹配操作時使用此選項。這可以節省每一循環的分析表達式步驟。
Multiline	它與輸入字符串中的行數沒有關系。確切地說，它只修改 ^ 和 $ 的方式，以便匹配行開始 (BOL) 和行結尾 (EOL)，而不是匹配整個輸入字符串的開始和結尾。
IgnoreCase	使模式在匹配搜索字符串時忽略大小寫。
IgnorePatternWhitespace	允許根據需要在模式中包括任意數量的空白區域，也支持使用 (?# 注釋 #) 語法在模式中加入注釋。
SingleLine	它與輸入字符串中的行數沒有關系。更確切地說，它將導致 .（句點）元字符匹配任意字符，而不是除 /n 之外的任意字符（默認情況）。

使用正則表達式常執行的操作包括：驗證、匹配和替換。大多數情況下，可以使用 Regex 類的靜態方法完成這些操作，不需要實例化 Regex 類本身。要執行驗證，全部要做的就是必建或找到正確的表達式，然后使用 Regex 類的 IsMatch() 方法將表達式應用到輸入字符串中。例如，下面的函數演示了如何使用正則表達式驗證郵政編碼：

 

private void ValidateZipButton_Click(object sender, System.EventArgs e)
{
   String ZipRegex = @"^/d{5}$";
   if(Regex.IsMatch(ZipTextBox.Text, ZipRegex))
   {
      ResultLabel.Text = "ZIP is valid!";
   }
   else
   {
      ResultLabel.Text = "ZIP is invalid!";
   }
}

 

類似的，可以使用靜態 Replace() 方法將匹配替換為特定字符串，如下所示：

String newText = Regex.Replace(inputString, pattern, replacementText);

最后，可以使用如下代碼遍歷輸入字符串的匹配集合：

 

private void MatchButton_Click(object sender, System.EventArgs e)
{
   MatchCollection matches = Regex.Matches(SearchStringTextBox.Text, 
MatchExpressionTextBox.Text);
   MatchCountLabel.Text = matches.Count.ToString();
   MatchesLabel.Text = "";
   foreach(Match match in matches)
   {
      MatchesLabel.Text += "Found" + match.ToString() + " at 
position " + match.Index + ".<br>";
   }
}

 

通常，在您需要指定默認方式以外的方式時，需要實例化 Regex 類的實例。特別是在設置選項時。例如，要創建忽略大小寫和模式空白區域的 Regex 實例，然后檢索與該表達式匹配的集合，則應使用如下代碼：

Regex re = new Regex(pattern, 
   RegexOptions.IgnoreCase | RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = re.Matches(inputString);

下面是簡單實例，更直觀的了解groups。

using System;  
using System.Text.RegularExpressions;  
  
public class Example  
{  
   public static void Main()  
   {  
      string pattern = @"(/d{3})-(/d{3}-/d{4})";  
      string input = "212-555-6666 906-932-1111 415-222-3333 425-888-9999";  
      MatchCollection matches = Regex.Matches(input, pattern);  
  
      foreach (Match match in matches)  
      {  
         Console.WriteLine("Area Code:        {0}", match.Groups[1].Value);  
         Console.WriteLine("Telephone number: {0}", match.Groups[2].Value);  
         Console.WriteLine();  
      }  
      Console.WriteLine();  
   }  
}  
// The example displays the following output:  
//       Area Code:        212  
//       Telephone number: 555-6666  
//         
//       Area Code:        906  
//       Telephone number: 932-1111  
//         
//       Area Code:        415  
//       Telephone number: 222-3333  
//         
//       Area Code:        425  
//       Telephone number: 888-9999