一篇文章入门正则表达式

阅读更多

适合阅读本编博客的读者：正则表达式的初学者、想要入门正则表达式的程序员们

 

    正则表达式描述了一种字符串匹配的模式，可以用来检测字符串是否匹配某种规则。大多数编程语言都集成了正则表达式，虽然流派的不同使得在各个语言中正则表达式的语法略有差异，但使用正则表达式的基本思路、以及正则表达式的常用语法是互通的。

    在日常编程以及维护中，正则表达式的使用还是很广泛的，例如在JavaScript中我们对表单内容做校验、使用Nginx做反向代理时对url做匹配亦或是在Linux系统使用grep命令查找文本内容以及文本替换等，例子太多了。

    初次接触正则表达式时，其实一开始我是拒绝的，他们长成这个样子→^[a-zA-Z]\w{5,17}$，或者这个样子→(^\d{15}$)|(^\d{18}$)|(^\d{17}(\d|X|x)$)。一团糟...毫无逻辑可言...仿佛天书一般...什么鬼...oh 法克……但是你要知道，在你还没有学过英文的时候，看这个也是一团糟→How are you。在你还没有学过java的时候，看这个也是一团糟→System.out.println("Hello World");，所以正则表达式也没什么，看不懂只能说明你还没有掌握它而已。

    本篇博客将带你入门正则表达式，能看懂并且能编写正则表达式，进入正题吧！

 

    首先，先来介绍一下关键字，一个正则表达式是由普通字符和元字符组成，这里我称元字符为“关键字”。下面我将介绍这些关键字:

 

^	开头
$	结尾
[]	字符组
[-]	连接符
*	匹配0次或多次
+	匹配一次或多次
.	任意字符
|	或
()	定界
?	匹配0次或一次
\n	反向引用
{m,n}，{n,}，{n}	区间量词
[^]	字符组排除
\	转义
\d	数字
\s	空白字符
\S	非空白字符
\w	匹配字母数字下划线
\W	匹配非字母数字下划线
\b	匹配单词边界
\B	匹配非单词边界

掌握了这些关键字，你就能看懂并且能编写自己的正则表达式了，不着急我们一个一个来。

1. ^ 匹配文本的开头。它不匹配某一个字符，只匹配一个位置，举个栗子：^a 匹配以a开头的文本，如：ab、abc等，而^ab匹配以a开头，下一字符是b的文本，如：ab、abck。注：正则表达式要以字符为单位去理解，所以^ab要理解成以a字符开头，下个字符是b。而不要理解成以ab开头，这是错误的。
2. $ 匹配文本的结尾。如abc$，和上一个同理，匹配以c字符结尾，倒数第二个字符是b，倒数第三个字符是a的文本，如aabc、asabc。
3. [] 字符组，匹配其中的任意一个字符。举个栗子，^a[abc]a$匹配以字符a开头，下一个字符为a或b或c，下一个字符为a且该字符为结尾字符的文本，如aba、aaa、aca。
4. [-] 连接符，匹配一个范围。举个栗子，[a-z]匹配a、b、c......x、y、z中的任何一个字符，[a-zA-Z]匹配a、b、c......x、y、z、A、B......Y、Z中的任何一个字符，[0-9]匹配0、1、2......9中的任意一个字符。注意：- 只有出现在字符组[]中，且不是首个元素才代表连接符，如[-12]，匹配-、1、2中的任意一个字符在这里-只是一个普通字符。举个全面一点的栗子a-b[-a-z0-9]，匹配字符a，下一个字符是-，下一个字符是b，下一个字符是-、a、b、c......y、z、0、1、2......9中的任意一个字符的文本。
5. * 匹配前一个表达式的0次或多次，举几个栗子，ab*c匹配字符a，下一个字符是n个b(n可能是任何自然数)，下一个字符是c的文本，如ac、abc、abbc、abbbc。a[abc]*c匹配字符a，之后的n个字符是a、b、c中的任意字符(n可能是任何自然数)，下一个字符是c，如ac、abc、abac、abbacac。复杂一点的，(a[abc]*c)*，()中的表达式出现n次，如acabcabacabbacac。
6. + 匹配一次或多次。和*原理一样，只不过*可以匹配0次，而+至少匹配一次。
7. ? 匹配0次或1次。和*和+原理一样。
8. . 匹配任意字符，如a.b，匹配字符a，下一个字符是任意一个字符，下一个字符是b的文本，如ahb，a&b。注意：如果.出现在[]中则不代表任意字符，而只代表普通字符.，只有当.出现在[]之外时才代表任意字符。
9. | 或，匹配|左边的表达式或右边的表达式。举例：grep|grap 匹配grep或grap。注意|作用范围不是左右两个字符，而是左右整个表达式，()可以改变其作用范围。如gr(e|a)p也匹配grep或grap。
10. () 就是括号啦，不多解释。
11. \n (n是自然数)反向引用，匹配前面第n个()所匹配的文本，例如：([a-z]+) \1，可以匹配重复的单词，如you you、ha ha。这个\1匹配([a-z]+)已经匹配到的文本。
12. {m,n}，{n,}，{n}区间量词，和*+?原理相同，{m,n}匹配m次到n次，{n}匹配n次，{n,}至少匹配n次，例如：[a-zA-Z]{1,5}匹配1到5个大小写字母字符组成的文本，如a、aAa。
13. [^] 字符组排除，不匹配任何[]中的字符，如[^0-9]匹配任何一个不是数字的字符。注意：^必须出现在字符组[]中，且必须出现在字符组开头位子才代表字符组排除，[0-9^]中的^不代表排除，只代表一个普通字符，匹配0到9或者^任意一个字符。
14. \d 匹配数字，等价于[0-9]。
15. \D 匹配非数字，等价于[^0-9]。
16. \ 转义字符，\.匹配字符.，\*匹配字符*。
17. \s 匹配任何一个空白字符，如空格、制表符、回车等。
18. \S 匹配任何一个非空白字符。
19. \w 匹配字母数字下划线。等价于[A-Za-z0-9_]。
20. \W 匹配非字母数字下划线。等价于 [^A-Za-z0-9_]。
21. \b 匹配单词边界。例 er\b 可以匹配never中的 er，但不能匹配 verb 中的 er。
22. \B 匹配非单词边界。原理同上。

好了，终于介绍完了，理解了上边介绍的22个关键字，你就已经算是入门了。

下面实践一下，分析几个正则表达式试试，就用开头提到的两个表达式为例好了：

1、 ^[a-zA-Z]\w{5,17}$

    首字符是一个字母，可以大写或小写，后边有5到17个字母数字或下划线。(\w等同于[A-Za-z0-9_])，这是一个校验6-18位密码是否合法的表达式。

 

2、 (^\d{15}$)|(^\d{18}$)|(^\d{17}(\d|X|x)$)

    该表达式由多个‘或’构成，所以先拆开来看，该表达式等价于^\d{15}$或^\d{18}$或^\d{17}(\d|X|x)$，也就是说匹配15位整数构成的文本，或者18为整数构成的文本，或者17位整数加一个整数或加一个x或加一个X构成的文本。说白了该表达式就是匹配身份证号啦。

 

接下来使用一下，试试手感：

1、 先写一个校验qq号的表达式吧：

    首先我们要知道qq号是由10000开始的5到11位整数构成的，首个字符不能为0，所以匹配首字符的表达式这样写：^[1-9]后边的4到10位就是任意自然数了，所以完善一下：^[1-9]\d{4,10}，搞定！

2、再写一个匹配日期的表达式吧，假设我们要匹配yyyy-mm-dd这样格式的日期字符串：

    先来匹配年，理论上年份可以是任意四个数字组成的数，这里我们规定一下，匹配2000年到2999年之间的日期，所以年份的表达式这样写：^2\d{3}。然后是一个连接符号-，之后是月份，月份为1到12，所以第一位可能是0或1，下一位下一位可能是0-9任何一个数字，完善一下：^2\d{3}-[01]\d。接下来是一个连接符-，后边跟日期，日期为1到31，所以第一位可能是0、1、2、3，下一位可能是0-9任何一个数字，完善一下：^2\d{3}-[01]\d-[0123]\d。搞定！(注意：\d等价于[0-9])

 

理解了上面这些，你就已经入门了，接下来就是你的发挥空间了！

注意：由于流派的不同，所以各个语言对正则表达式的支持略有差异，但大体上是不变的，具体差异请在使用时查阅相关文档。

 

下面举一些常用的例子：

一、校验数字的表达式

• 数字：^[0-9]*$
• n位的数字：^\d{n}$
• 至少n位的数字：^\d{n,}$
• m-n位的数字：^\d{m,n}$
• 零和非零开头的数字：^(0|[1-9][0-9]*)$
• 非零开头的最多带两位小数的数字：^([1-9][0-9]*)+(.[0-9]{1,2})?$
• 带1-2位小数的正数或负数：^(\-)?\d+(\.\d{1,2})$
• 正数、负数、和小数：^(\-|\+)?\d+(\.\d+)?$
• 有两位小数的正实数：^[0-9]+(\.[0-9]{2})?$
• 有1~3位小数的正实数：^[0-9]+(\.[0-9]{1,3})?$
• 非零的正整数：^[1-9]\d*$ 或 ^([1-9][0-9]*){1,3}$ 或 ^\+?[1-9][0-9]*$
• 非零的负整数：^\-[1-9][]0-9"*$ 或 ^-[1-9]\d*$
• 非负整数：^\d+$ 或 ^[1-9]\d*|0$
• 非正整数：^-[1-9]\d*|0$ 或 ^((-\d+)|(0+))$
• 非负浮点数：^\d+(\.\d+)?$ 或 ^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$
• 非正浮点数：^((-\d+(\.\d+)?)|(0+(\.0+)?))$ 或 ^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$
• 正浮点数：^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$ 或 ^(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*))$
• 负浮点数：^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$ 或 ^(-(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*)))$
• 浮点数：^(-?\d+)(\.\d+)?$ 或 ^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$

二、校验字符的表达式

• 汉字：^[\u4e00-\u9fa5]{0,}$
• 英文和数字：^[A-Za-z0-9]+$ 或 ^[A-Za-z0-9]{4,40}$
• 长度为3-20的所有字符：^.{3,20}$
• 由26个英文字母组成的字符串：^[A-Za-z]+$
• 由26个大写英文字母组成的字符串：^[A-Z]+$
• 由26个小写英文字母组成的字符串：^[a-z]+$
• 由数字和26个英文字母组成的字符串：^[A-Za-z0-9]+$
• 由数字、26个英文字母或者下划线组成的字符串：^\w+$ 或 ^\w{3,20}$
• 中文、英文、数字包括下划线：^[\u4E00-\u9FA5A-Za-z0-9_]+$
• 中文、英文、数字但不包括下划线等符号：^[\u4E00-\u9FA5A-Za-z0-9]+$ 或 ^[\u4E00-\u9FA5A-Za-z0-9]{2,20}$
• 可以输入含有^%&',;=?$\"等字符：[^%&',;=?$\x22]+
• 禁止输入含有~的字符：[^~\x22]+

 

三、特殊需求表达式

• Email地址：^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$
• 域名：[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(/.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+/.?
• InternetURL：[a-zA-z]+://[^\s]* 或 ^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$
• 手机号码：^(13[0-9]|14[5|7]|15[0|1|2|3|5|6|7|8|9]|18[0|1|2|3|5|6|7|8|9])\d{8}$
• 电话号码("XXX-XXXXXXX"、"XXXX-XXXXXXXX"、"XXX-XXXXXXX"、"XXX-XXXXXXXX"、"XXXXXXX"和"XXXXXXXX)：^(\(\d{3,4}-)|\d{3.4}-)?\d{7,8}$
• 国内电话号码(0511-4405222、021-87888822)：\d{3}-\d{8}|\d{4}-\d{7}
• 电话号码正则表达式（支持手机号码，3-4位区号，7-8位直播号码，1－4位分机号）:((\d{11})|^((\d{7,8})|(\d{4}|\d{3})-(\d{7,8})|(\d{4}|\d{3})-(\d{7,8})-(\d{4}|\d{3}|\d{2}|\d{1})|(\d{7,8})-(\d{4}|\d{3}|\d{2}|\d{1}))$)
• 身份证号(15位、18位数字)，最后一位是校验位，可能为数字或字符X：(^\d{15}$)|(^\d{18}$)|(^\d{17}(\d|X|x)$)
• 帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
• 密码(以字母开头，长度在6~18之间，只能包含字母、数字和下划线)：^[a-zA-Z]\w{5,17}$
• 强密码(必须包含大小写字母和数字的组合，不能使用特殊字符，长度在8-10之间)：^(?=.*\d)(?=.*[a-z])(?=.*[A-Z]).{8,10}$
• 日期格式：^\d{4}-\d{1,2}-\d{1,2}
• 一年的12个月(01～09和1～12)：^(0?[1-9]|1[0-2])$
• 一个月的31天(01～09和1～31)：^((0?[1-9])|((1|2)[0-9])|30|31)$
• 钱的输入格式：
  1. 有四种钱的表示形式我们可以接受:"10000.00" 和 "10,000.00", 和没有 "分" 的 "10000" 和 "10,000"：^[1-9][0-9]*$
  2. 这表示任意一个不以0开头的数字,但是,这也意味着一个字符"0"不通过,所以我们采用下面的形式：^(0|[1-9][0-9]*)$
  3. 一个0或者一个不以0开头的数字.我们还可以允许开头有一个负号：^(0|-?[1-9][0-9]*)$
  4. 这表示一个0或者一个可能为负的开头不为0的数字.让用户以0开头好了.把负号的也去掉,因为钱总不能是负的吧。下面我们要加的是说明可能的小数部分：^[0-9]+(.[0-9]+)?$
  5. 必须说明的是,小数点后面至少应该有1位数,所以"10."是不通过的,但是 "10" 和 "10.2" 是通过的：^[0-9]+(.[0-9]{2})?$
  6. 这样我们规定小数点后面必须有两位,如果你认为太苛刻了,可以这样：^[0-9]+(.[0-9]{1,2})?$
  7. 这样就允许用户只写一位小数.下面我们该考虑数字中的逗号了,我们可以这样：^[0-9]{1,3}(,[0-9]{3})*(.[0-9]{1,2})?$
  8. 1到3个数字,后面跟着任意个 逗号+3个数字,逗号成为可选,而不是必须：^([0-9]+|[0-9]{1,3}(,[0-9]{3})*)(.[0-9]{1,2})?$
  9. 备注：这就是最终结果了,别忘了"+"可以用"*"替代如果你觉得空字符串也可以接受的话(奇怪,为什么?)最后,别忘了在用函数时去掉去掉那个反斜杠,一般的错误都在这里
• xml文件：^([a-zA-Z]+-?)+[a-zA-Z0-9]+\\.[x|X][m|M][l|L]$
• 中文字符的正则表达式：[\u4e00-\u9fa5]
• 双字节字符：[^\x00-\xff] (包括汉字在内，可以用来计算字符串的长度(一个双字节字符长度计2，ASCII字符计1))
• 空白行的正则表达式：\n\s*\r (可以用来删除空白行)
• HTML标记的正则表达式：<(\S*?)[^>]*>.*?|<.*? /> ( 首尾空白字符的正则表达式：^\s*|\s*$或(^\s*)|(\s*$) (可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式)
• 腾讯QQ号：[1-9][0-9]{4,} (腾讯QQ号从10000开始)
• 中国邮政编码：[1-9]\d{5}(?!\d) (中国邮政编码为6位数字)
• IP地址：((?:(?:25[0-5]|2[0-4]\\d|[01]?\\d?\\d)\\.){3}(?:25[0-5]|2[0-4]\\d|[01]?\\d?\\d))