SOGO論壇

標題: 正規表達式 (Regular Expression) [列印本頁]

作者: mm117777 時間: 2012-7-15 10:29:25 標題: 正規表達式 (Regular Expression)

正規語法 (Regular Grammar) 是一種相當簡單的語法，這種語法被 Perl 語言成功的用於字串比對，接著成為重要的程式設計工具。此種標準的正規語法後來被稱為正則表達式 (Regular Expression)。目前，大部分的語言都已納入正則表達式的函式庫，正則表達是可以說是程式設計師必定要瞭解的工具，也就是常識的一部分。系統程式設計師更應該要瞭解正則表達式，因為正規語法是程式語言當中，用來描述基本詞彙 (Vocabulary)，並據以建構詞彙掃描器 (Lexer) 的基礎語法，Lexer 是編譯器的基本元件之一。

假如我們要用正則表達式描述整數數字，那麼，可以用 [0123456789]+ 這個表達式，其中的中括號 [ 與 ] 會框住一群字元，用來代表字元群，加號 + 所代表的是重複 1 次或以上，因此，該表達式就可以描述像 3702451 這樣的數字。然而，在正則表達式中，為了更方便撰寫，於是允許用 [0-9]+ 這樣的式子表達同樣的概念，其中的 0-9 其實就代表了 0123456789 等字元，這是一種簡便的縮寫法。甚至，可以再度縮短後以 [\d]+ 代表，其中的 \d 就代表數字所成的字元集合。

利用範例學習是理解正則表達式的有效方法，表格 1 就顯示了一些具有代表性的正則表達式範例。

表格 1. 正則表達式的範例
語法正則表達式範例
整數 [0-9]+ 3704
有小數點的實數 [0-9]+\.[0-9]+ 7.93
英文詞彙 [A-Za-z]+ Code
變數名稱 [A-Za-z_][A-Za-z0-9_]* _counter
Email [a-zA-Z0-9_]+@[a-zA-Z0-9\._]+ ccc@kmit.edu.tw
URL http://[a-zA-Z0-9\./_]+ http://ccc.kmit.edu.tw/mybook/

為了協助讀者理解這些範例，我們有必要對範例中的一些正則表達式符號進行說明。

在實數的範例中，使用 \. 代表小數點符號 .，不熟悉正則表達式的讀者一定覺得奇怪，為何要加上斜線符號 \ 呢？這是因為在正則表達式當中，有許多符號具有特殊意義，例如點符號 . 是用來表示任意字元的，星號 * 是代表 0 次或以上，加號 + 代表一次或以上，在正則表達式當中，有許多這類的特殊字元，因此用斜線 \ 代表跳出字元，就像 C 語言當中 printf 函數內的用途一樣。因此，當我們看到 \ 符號時，必須繼續向後看，才能知道其所代表的意義。表格 2 列出了正則表達式當中大部份的重要符號之意義，以供讀者參考。

表格 2. 正則表達式當中的符號之意義
字元描述
\ 將下一個字元標記為一個特殊字元、或一個原義字元、或一個向後引用、或一個八進制轉義符。例如，“n”匹配字元“n”。“\n”匹配一個分行符號。序列“\\”匹配“\”而“\(”則匹配“(”。
^ 匹配輸入字串的開始位置。如果設置了RegExp物件的Multiline屬性，^也匹配“\n”或“\r”之後的位置。
$ 匹配輸入字串的結束位置。如果設置了RegExp物件的Multiline屬性，$也匹配“\n”或“\r”之前的位置。
* 匹配前面的子運算式零次或多次。例如，zo*能匹配“z”以及“zoo”。*等價於{0,}。
+ 匹配前面的子運算式一次或多次。例如，“zo+”能匹配“zo”以及“zoo”，但不能匹配“z”。+等價於{1,}。
? 匹配前面的子運算式零次或一次。例如，“do(es)?”可以匹配“do”或“does”中的“do”。?等價於{0,1}。
{n} n是一個非負整數。匹配確定的n次。例如，“o{2}”不能匹配“Bob”中的“o”，但是能匹配“food”中的兩個o。
{n,} n是一個非負整數。至少匹配n次。例如，“o{2,}”不能匹配“Bob”中的“o”，但能匹配“foooood”中的所有o。“o{1,}”等價於“o+”。“o{0,}”則等價於“o*”。
{n,m} m和n均為非負整數，其中n<=m。最少匹配n次且最多匹配m次。例如，“o{1,3}”將匹配“fooooood”中的前三個o。“o{0,1}”等價於“o?”。請注意在逗號和兩個數之間不能有空格。
? 當該字元緊跟在任何一個其他限制符(*,+,?,{n},{n,},{n,m})後面時，匹配模式是非貪婪的。非貪婪模式盡可能少的匹配所搜索的字串，而預設的貪婪模式則盡可能多的匹配所搜索的字串。例如，對於字串“oooo”，“o+?”將匹配單個“o”，而“o+”將匹配所有“o”。
. 匹配除“\n”之外的任何單個字元。要匹配包括“\n”在內的任何字元，請使用像“[.\n]”的模式。
(pattern) 匹配pattern並獲取這一匹配。所獲取的匹配可以從產生的Matches集合得到，在VBScript中使用SubMatches集合，在JScript中則使用$0…$9屬性。要匹配圓括號字元，請使用“$”或“$”。
(?:pattern) 匹配pattern但不獲取匹配結果，也就是說這是一個非獲取匹配，不進行存儲供以後使用。這在使用“或”字元(|)來組合一個模式的各個部分是很有用。例如，“industr(?:y|ies)就是一個比”industry|industries'更簡略的運算式。
(?=pattern) 正向預查，在任何匹配pattern的字串開始處匹配查找字串。這是一個非獲取匹配，也就是說，該匹配不需要獲取供以後使用。例如，“Windows(?=95

NT|2000)”能匹配“Windows2000”中的“Windows”，但不能匹配 “Windows3.1”中的“Windows”。預查不消耗字元，也就是說，在一個匹配發生後，在最後一次匹配之後立即開始下一次匹配的搜索，而不是從包含預查的字元之後開始。
(?!pattern) 負向預查，在任何不匹配pattern的字串開始處匹配查找字串。這是一個非獲取匹配，也就是說，該匹配不需要獲取供以後使用。例如 “Windows(?!95

NT|2000)”能匹配“Windows3.1”中的“Windows”，但不能匹配“Windows2000”中的“Windows”。預查不消耗字元，也就是說，在一個匹配發生後，在最後一次匹配之後立即開始下一次匹配的搜索，而不是從包含預查的字元之後開始
x|y 匹配x或y。例如，“z|food”能匹配“z”或“food”。“(z|f)ood”則匹配“zood”或“food”。
[xyz] 字元集合。匹配所包含的任意一個字元。例如，“[abc]”可以匹配“plain”中的“a”。
[^xyz] 負值字元集合。匹配未包含的任意字元。例如，“[^abc]”可以匹配“plain”中的“p”。
[a-z] 字元範圍。匹配指定範圍內的任意字元。例如，“[a-z]”可以匹配“a”到“z”範圍內的任意小寫字母字元。
[^a-z] 負值字元範圍。匹配任何不在指定範圍內的任意字元。例如，“[^a-z]”可以匹配任何不在“a”到“z”範圍內的任意字元。
\b
\B 匹配非單詞邊界。“er\B”能匹配“verb”中的“er”，但不能匹配“never”中的“er”。
\cx 匹配由x指明的控制字元。例如，\cM匹配一個Control-M或回車符。x的值必須為A-Z或a-z之一。否則，將c視為一個原義的“c”字元。
\d 匹配一個數位字元。等價於[0-9]。
\D 匹配一個非數位字元。等價於[^0-9]。
\f 匹配一個換頁符。等價於\x0c和\cL。
\n 匹配一個分行符號。等價於\x0a和\cJ。
\r 匹配一個回車符。等價於\x0d和\cM。
\s 匹配任何空白字元，包括空格、定位字元、換頁符等等。等價於[\f\n\r\t\v]。
\S 匹配任何非空白字元。等價於[^\f\n\r\t\v]。
\t 匹配一個定位字元。等價於\x09和\cI。
\v 匹配一個垂直定位字元。等價於\x0b和\cK。
\w 匹配包括底線的任何單詞字元。等價於“[A-Za-z0-9_]”。
\W 匹配任何非單詞字元。等價於“[^A-Za-z0-9_]”。
\xn 匹配n，其中n為十六進位轉義值。十六進位轉義值必須為確定的兩個數位長。例如，“\x41”匹配“A”。“\x041”則等價於“\x04”&“1”。規則運算式中可以使用ASCII編碼。
\num 匹配num，其中num是一個正整數。對所獲取的匹配的引用。例如，“(.)\1”匹配兩個連續的相同字元。
\n 標識一個八進制轉義值或一個向後引用。如果\n之前至少n個獲取的子運算式，則n為向後引用。否則，如果n為八進位數字(0-7)，則n為一個八進制轉義值。
\nm 標識一個八進制轉義值或一個向後引用。如果\nm之前至少有nm個獲得子運算式，則nm為向後引用。如果\nm之前至少有n個獲取，則n為一個後跟文字m的向後引用。如果前面的條件都不滿足，若n和m均為八進位數字(0-7)，則\nm將匹配八進制轉義值nm。
\nml 如果n為八進位數字(0-3)，且m和l均為八進位數字(0-7)，則匹配八進制轉義值nml。
\un 匹配n，其中n是一個用四個十六進位數位表示的Unicode字元。例如，\u00A9匹配版權符號（©）。

正則表達式在許多語言當中 (像是 Java, C#, Ruby, Python 等) 都已經有支援良好的函式庫，然而，在標準 C 語言的函式庫當中卻沒有這方面的函數，因此，我們使用 C# 這個語言說明正則表達式的用法。

範例 1. 在 C# 語言當中使用正則表達式進行樣式抽取的程式範例

using System;
using System.Collections.Generic;
using System.Text.RegularExpressions;

public class Regexp
{
// 測試主程式
static void Main(string[] args)
{
      List<String> list = Regexp.matches(@" 32.4 + 56.7 is 89.1 ", @"[0-9]+\.[0-9]+", 0);
      foreach (String token in list)
         Console.WriteLine(token);
}

// 傳回text 中符合正規表示式pattern 的所有段落。
public static List<String> matches(String text, String pattern, int groupId)
{
      List<String> rzList = new List<String>();
      Match match = Regex.Match(text, pattern);
      for (int i = 0; match.Success; i++)
      {
         rzList.Add(match.Groups[groupId].Value);
         match = match.NextMatch();
      }
      return rzList;
}
}

執行結果

D:\ExampleCode>csc Regexp.cs
Microsoft (R) Visual C# 2008 Compiler version 3.5.21022.8
for Microsoft (R) .NET Framework version 3.5
Copyright (C) Microsoft Corporation. All rights reserved.

D:\ExampleCode>Regexp
32.4
56.7
89.1

參考文獻

資料來源：張智星的網站 - 正規表示式

正規表示式說明及範例比對不成立之字串
/a/ 含字母 “a” 的字串，例如 “ab”, “bac”, “cba” “xyz”
/a./ 含字母 “a” 以及其後任一個字元的字串，例如 “ab”, “bac”（若要比對.，請使用 \.） “a”, “ba”
/^xy/ 以 “xy” 開始的字串，例如 “xyz”, “xyab”（若要比對 ^，請使用 \^） “axy”, “bxy”
/xy$/ 以 “xy” 結尾的字串，例如 “axy”, “abxy”以 “xy” 結尾的字串，例如 “axy”, “abxy” （若要比對 $，請使用 \$） “xya”, “xyb”
[13579] 包含 “1〃或 “3〃或 “5〃或 “7〃或 “9〃的字串，例如：”a3b”, “1xy” “y2k”
[0-9] 含數字之字串不含數字之字串
[a-z0-9] 含數字或小寫字母之字串不含數字及小寫字母之字串
[a-zA-Z0-9] 含數字或字母之字串不含數字及字母之字串
b[aeiou]t “bat”, “bet”, “bit”, “bot”, “but” “bxt”, “bzt”
[^0-9] 不含數字之字串（若要比對 ^，請使用 \^）含數字之字串
[^aeiouAEIOU] 不含母音之字串（若要比對 ^，請使用 \^）含母音之字串
[^\^] 不含 “^” 之字串，例如 “xyz”, “abc” “xy^”, “a^bc”

.
正規表示式的特定字元說明等效的正規表示式
\d 數字 [0-9]
\D 非數字 [^0-9]
\w 數字、字母、底線 [a-zA-Z0-9_]
\W 非 \w [^a-zA-Z0-9_]
\s 空白字元 [ \r\t\n\f]
\S 非空白字元 [^ \r\t\n\f]

.
正規表示式說明
/a?/ 零或一個 a（若要比對? 字元，請使用 \?）
/a+/ 一或多個 a（若要比對+ 字元，請使用 \+）
/a*/ 零或多個 a（若要比對* 字元，請使用 \*）
/a{4}/ 四個 a
/a{5,10}/ 五至十個 a
/a{5,}/ 至少五個 a
/a{,3}/ 至多三個 a
/a.{5}b/ a 和 b中間夾五個（非換行）字元

.
字元說明簡單範例
\ 避開特殊字元 /A\*/ 可用於比對 “A*”，其中 * 是一個特殊字元，為避開其特殊意義，所以必須加上 “\”
^ 比對輸入列的啟始位置 /^A/ 可比對 “Abcd” 中的 “A”，但不可比對 “aAb”
$ 比對輸入列的結束位置 /A$/ 可比對 “bcdA” 中的 “A”，但不可比對 “aAb”
* 比對前一個字元零次或更多次 /bo*/ 可比對 “Good boook” 中的 “booo”，亦可比對 “Good bk” 中的 “b”
+ 比對前一個字元一次或更多次，等效於 {1,} /a+/ 可比對 “caaandy” 中的 “aaa”，但不可比對 “cndy”
? 比對前一個字元零次或一次 /e?l/ 可比對 “angel” 中的 “el”，也可以比對 “angle” 中的 “l”
. 比對任何一個字元（但換行符號不算） /.n/ 可比對 “nay, an apple is on the tree” 中的 “an” 和 “on”，但不可比對 “nay”
(x) 比對 x 並將符合的部分存入一個變數 /(a*) and (b*)/ 可比對 “aaa and bb” 中的 “aaa” 和 “bb”，並將這兩個比對得到的字串設定至變數 RegExp.$1 和 RegExp.$2。
xy 比對 x 或 y /a*b*/g 可比對 “aaa and bb” 中的 “aaa” 和 “bb”
{n} 比對前一個字元 n 次，n 為一個正整數 /a{3}/ 可比對 “lllaaalaa” 其中的 “aaa”，但不可比對 “aa”
{n,} 比對前一個字元至少 n 次，n 為一個正整數 /a{3,}/ 可比對 “aa aaa aaaa” 其中的 “aaa” 及 “aaaa”，但不可比對 “aa”
{n,m} 比對前一個字元至少 n 次，至多 m 次，m、n 均為正整數 /a{3,4}/ 可比對 “aa aaa aaaa aaaaa” 其中的 “aaa” 及 “aaaa”，但不可比對 “aa” 及 “aaaaa”
[xyz] 比對中括弧內的任一個字元 /[ecm]/ 可比對 “welcome” 中的 “e” 或 “c” 或 “m”
[^xyz] 比對不在中括弧內出現的任一個字元 /[^ecm]/ 可比對 “welcome” 中的 “w”、”l”、”o”，可見出其與 [xyz] 功能相反。（同時請注意 /^/ 與 [^] 之間功能的不同。）
[\b] 比對退位字元（Backspace character）可以比對一個 backspace ，也請注意 [\b] 與 \b 之間的差別
\b 比對英文字的邊界，例如空格例如 /\bn\w/ 可以比對 “noonday” 中的 ‘no’ ;
/\wy\b/ 可比對 “possibly yesterday.” 中的 ‘ly’
\B 比對非「英文字的邊界」例如, /\w\Bn/ 可以比對 “noonday” 中的 ‘on’ ,
另外 /y\B\w/ 可以比對 “possibly yesterday.” 中的 ‘ye’
\cX 比對控制字元（Control character），其中 X 是一個控制字元 /\cM/ 可以比對一個字串中的 control-M
\d 比對任一個數字，等效於 [0-9] /[\d]/ 可比對由 “0〃至 “9〃的任一數字但其餘如字母等就不可比對
\D 比對任一個非數字，等效於 [^0-9] /[\D]/ 可比對 “w” “a”⋯ 但不可比對如 “7〃 “1〃等數字
\f 比對 form-feed 若是在文字中有發生 “換頁” 的行為則可以比對成功
\n 比對換行符號若是在文字中有發生 “換行” 的行為則可以比對成功
\r 比對 carriage return
\s 比對任一個空白字元（White space character），等效於 [ \f\n\r\t\v] /\s\w*/ 可比對 “A b” 中的 “b”
\S 比對任一個非空白字元，等效於 [^ \f\n\r\t\v] /\S/\w* 可比對 “A b” 中的 “A”
\t 比對定位字元（Tab）
\v 比對垂直定位字元（Vertical tab）
\w 比對數字字母字元（Alphanumerical characters）或底線字母（”_”），等效於 [A-Za-z0-9_] /\w/ 可比對 “.A _!9〃中的 “A”、”_”、”9〃。
\W 比對非「數字字母字元或底線字母」，等效於 [^A-Za-z0-9_] /\W/ 可比對 “.A _!9〃中的 “.”、” “、”!”，可見其功能與 /\w/ 恰好相反。
\ooctal 比對八進位，其中octal是八進位數目 /\oocetal123/ 可比對與八進位的ASCII中 “123〃所相對應的字元值。
\xhex 比對十六進位，其中hex是十六進位數目 /\xhex38/ 可比對與 16進位的ASCII中 “38〃所相對應的字元。

歡迎光臨 SOGO論壇 (https://oursogo.com/)