正则表达式高级

正则表达式高级 ——《精通正则表达式》 +Java/Go/Python官方文档 +多年经验 +实验结果 知识整理

[TOC]

第3章 正则表达式的特性和流派概览

常用的元字符和特性 102

基本语法 https://www.runoob.com/regexp/regexp-metachar.html

量词

• {n} {n,} {n,m}
• *同{0,}
• +同{1,}
• ?同{0,1}
• 量词默认匹配优先(贪婪，越多越好)
• 后面加?则忽略优先(非贪婪，越少越好)
• 后面加+则占有优先(类似固化分组, golang不支持)， 匹配了就不会还回去，例如 用.*+c匹配abc， .*会匹配优先地匹配到abc三个字符， 如果没有+时发现匹配失败就会回溯到.*匹配两个的情况，这时匹配成功； 而有+就占有不还回去了，匹配失败。

分组与捕获

"abc".replaceAll("a(.*)c", "s$1"); // sb
"b2b".replaceAll("(.*)2\\1", "s$1"); // sb

"b2b".replaceAll("(?<a>.*)2\\k<a>", "s${a}"); // sb

Pattern p = Pattern.compile("a(?<a>.*)c");
Matcher m = p.matcher("abc");
while (m.find()) {
    System.out.println(m.group(1)); // b
    System.out.println(m.group("a")); // b
}

反向引用组编号n为0代表全部，同m.group()

• 分组并捕获(...)
• 正则反向引用(Java Python)\n(golang貌似未提供)
• 字符反向引用(Java golang)$n
• 字符反向引用(Python)\n \g<n>
• 命名捕获(Java)(?<name>...)
• 正则反向引用(Java)\k<name>
• 字符反向引用(Java golang)${name}
• 字符反向引用(golang)$name
• 命名捕获(Python golang)(?P<name>...)
• 正则反向引用(Python)(?P=name)
• 字符反向引用(Python)\g<name>
• 多选结构...|...
• 仅分组不捕获(?:...)
• 固化分组(golang不支持)(?>...)
• 注释(宽松排列时 golang不支持)# ...

Java不支持：

• 条件(Python)(?(n/name)...|...)
• 代码条件(?... ...|...)
• 嵌入式注释(?#...)
• 嵌入式代码(?{...})
• 动态表达式(??{...})

边界

锚点：

• 行始^
• 文始\A \G
• 行末$
• 文末\Z \z
• 单词边界\b
• 非单词边界\B

环视结构(零长度断言，golang不支持)：

• 顺序环视
  • 左边是A:(?<=A)
  • 左边不是A:(?<!A)
• 逆序环视
  • 右边是A:(?=A)
  • 右边不是A:(?!A)

"abc".replaceAll("(?<=a)b(?=c)", ""); // ac

查找时用捕获比环视更容易阅读

注释与模式

通用常用

• (?i)不区分大小写CASE_INSENSITIVE(Java 轻微影响性能)
• (?m)多行模式(^和$匹配整个字符串的头尾)MULTILINE
• (?s)点号通配模式(.匹配任意字符)DOTALL

Java

• (?idmsuxU-idmsuxU)
• (?idmsux-idmsux:X)
• (?u)Unicode不区分大小写UNICODE_CASE(影响性能)
• (?x)宽松排列和注释(忽略空白和#后的内容)COMMENTS
• (?d)Unix行模式(只有\n)UNIX_LINES
• Unicode按规则等价CANON_EQ(影响性能)
• \Q...\E不使用元字符和转义序列LITERAL(1.5+)
• (?U)启用预定义和POSIX字符类UNICODE_CHARACTER_CLASS(1.7+，影响性能)

Python

• (?aiLmsux-imsx:…)
• (?a)仅ASCII
• (?L)语言依赖

其他

• (?o)编译一次(提升性能，Perl)
• (?U)忽略优先模式交换x*和x*?...的含义(golang)

也可以这样用：(?-i) (?i:...) (?-i:...)

Pattern p = Pattern.compile("a(?i)b(?-i)c(?i:d)");
Matcher m = p.matcher("aBcD");

Pattern p = Pattern.compile("a", Pattern.CASE_INSENSITIVE);

字符组

• . 换行符外任意字符
• [...]字符组(元字符不需转义) 如[a-z]匹配小写字母
• [^...]不包含

Perl字符族：

• \d同[0-9]
• \D同[^0-9]
• \w同[A-Za-z0-9_]
• \W同[^A-Za-z0-9_]
• \s同[ \t\n\v\f\r]
• \S同[^ \t\n\v\f\r]
• \C字节
• \XUnicode

ASCII字符族(来自golang): [[:alnum:]]字母数字同[0-9A-Za-z] [[:alpha:]]字母同[A-Za-z] [[:ascii:]]ASCII同[\x00-\x7F] [[:blank:]]空白[\t ] [[:cntrl:]]控制[\x00-\x1F\x7F] [[:digit:]]数字[0-9] [[:graph:]]图形[!-~] == [A-Za-z0-9!"#$%&'()*+,\-./:;<=>?@[\\\]^_{|}~][[:lower:]]小写[a-z][[:print:]]可打印[ -~] == [ [:graph:]][[:punct:]]标点[!-/:-@[-{-~] [[:space:]]空字符[\t\n\v\f\r ] [[:upper:]]大写[A-Z] [[:word:]]字符[0-9A-Za-z_] [[:xdigit:]]十六进制[0-9A-Fa-f]

Unicode组：

• \p{}Unicode 区块/属性/分类，如

java汉字

"Hi,你好!".replaceAll("[^\\p{JavaIdeographic}]", ""); // 你好
Character.isIdeographic​(int codePoint) // CJKV（中文，日文，韩文和越南文）表意文字

https://docs.oracle.com/en/Java/Javase/12/docs/api/Java.base/Java/util/regex/Pattern.html

golang汉字

package main_test

import (
    "fmt"
    "regexp"
)

func ExampleFindAllString() {
    r := regexp.MustCompile(`[\p{Han}]+`) // 汉字
    split := r.FindAllString("你好，中国！", -1)
    for _, s := range split {
        println(s) // 不计入output
        fmt.Println(s)
    }

    // Output:
    // 你好
    // 中国
}

https://studygolang.com/static/pkgdoc/pkg/regexp.htm

https://godoc.org/regexp/syntax

https://godoc.org/regexp

python汉字

# coding=utf-8
import re
if __name__ == "__main__":
    print(re.findall(r'[\u4e00-\u9fa5]+', '你好，中国！'))

https://docs.Python.org/zh-cn/3/library/re.html#contents-of-module-re

字符

• \a警报同\x09 \cI
• \b退格同\x09 \cI
• \e退出同\x09 \cI
• \t制表同\x09 \cI
• \n换行同\x0a \cJ
• \v直表同\x0b \cK
• \f分页同\x0c \cL
• \r回车同\x0d \cM
• \*
• \07 \77 0377八进制(带0是Java特殊)
• \xFF \uFFFF 十六进制
• \x{10FFFF} 十六进制(golang)
• \u00A9Unicode 版权符号
• \Q...\E不使用元字符和转义序列