摘要：文章同步于正則表達式是一種處理字符串匹配的語言。如果同時使用其它元字符，我們就能構造出功能更強大的正則表達式。

文章同步于 Github blog

正則表達式（Regular Expression）是一種處理字符串匹配的語言。

很可能你使用過 Windows/Dos 下用于文件查找的通配符(wildcard)，也就是 * 和 ? 。如果你想查找某個目錄下的所有的Word文檔的話，你會搜索 *.doc。在這里，* 會被解釋成任意的字符串。和通配符類似，正則表達式也是用來進行文本匹配的工具，只不過比起通配符，它能更精確地描述你的需求 —— 當然，代價就是更復雜——比如你可以編寫一個正則表達式，用來查找所有以0開頭，后面跟著2-3個數字，然后是一個連字號 “-”，最后是7或8位數字的字符串(像010-12345678或0376-7654321)。

JavaScript 同樣也對正則表達式有很好的支持，RegExp 是 JavaScript 中的內置“類”，通過使用RegExp，用戶可以自己定義模式來對字符串進行匹配。而 JavaScrip t中的 String 對象的 replace 方法也支持使用正則表達式對串進行匹配，一旦匹配，還可以通過調用預設的回調函數來進行替換。

學習正則表達式的最好方法是從例子開始，理解例子之后再自己對例子進行修改，實驗。下面給出了不少簡單的例子，并對它們作了詳細的說明。

假設你在一篇英文小說里查找hi，你可以使用正則表達式hi。

這幾乎是最簡單的正則表達式了，它可以精確匹配這樣的字符串：由兩個字符組成，前一個字符是 h ,后一個是i。

通常，處理正則表達式的工具會提供一個忽略大小寫的選項，如果選中了這個選項，它可以匹配 hi,HI,Hi,hI 這四種情況中的任意一種。

不幸的是，很多單詞里包含hi這兩個連續的字符，比如 him,history,high 等等。用hi來查找的話，這里邊的hi也會被找出來。如果要精確地查找hi這個單詞的話，我們應該使用 hi。

 是正則表達式規定的一個特殊代碼（好吧，某些人叫它元字符，metacharacter），代表著單詞的開頭或結尾，也就是單詞的分界處。雖然通常英文的單詞是由空格，標點符號或者換行來分隔的，但是b并不匹配這些單詞分隔字符中的任何一個，它只匹配一個位置。

如果需要更精確的說法， 匹配這樣的位置：它的前一個字符和后一個字符不全是(一個是,一個不是或不存在)w。
假如你要找的是hi后面不遠處跟著一個 Lucy，你應該用 hi.*Lucy。

這里，.是另一個元字符，匹配除了換行符以外的任意字符。*同樣是元字符，不過它代表的不是字符，也不是位置，而是數量——它指定*前邊的內容可以連續重復使用任意次以使整個表達式得到匹配。

因此，.*連在一起就意味著任意數量的不包含換行的字符。現在 hi.*Lucy 的意思就很明顯了：先是一個單詞hi,然后是任意個任意字符(但不能是換行)，最后是Lucy這個單詞。

換行符就是 ,ASCII編碼為10(十六進制0x0A)的字符。

如果同時使用其它元字符，我們就能構造出功能更強大的正則表達式。比如下面這個例子：

0dd-ffffdffffddd 匹配這樣的字符串：以0開頭，然后是兩個數字，然后是一個連字號“-”，最后是8個數字(也就是中國的電話號碼。當然，這個例子只能匹配區號為3位的情形)。

這里的d是個新的元字符，匹配一位數字(0，或1，或2，或……)。- 不是元字符，只匹配它本身——連字符(或者減號，或者中橫線，或者隨你怎么稱呼它)。

為了避免那么多煩人的重復，我們也可以這樣寫這個表達式：0d{2}-d{8}。這里d后面的 {2}({8}) 的意思是前面 d 必須連續重復匹配2次(8次)。

元字符，是一些數學符號，在正則表達式中有特定的含義，而不僅僅表示其“字面”上的含義。比如星號(*)，表示一個集合的零到多次重復，而問號(?)表示零次或一次。如果你需要使用元字符的字面意義，則需要轉義。

aw* 匹配以字母a開頭的單詞——先是某個單詞開始處(b)，然后是字母a,然后是任意數量的字母或數字(w*)，最后是單詞結束處(b)。

d+ 匹配1個或更多連續的數字。這里的 + 是和 * 類似的元字符，不同的是 *匹配重復任意次(可能是0次)，而+ 則匹配重復1次或更多次。

w{6} 匹配剛好6個字符的單詞

和忽略大小寫的選項類似，有些正則表達式處理工具還有一個處理多行的選項。如果選中了這個選項，^和$的意義就變成了匹配行的開始處和結束處。

你已經看過了前面的 *,+,{2},{5,12} 這幾個匹配重復的方式了。下面是正則表達式中所有的限定符(指定數量的代碼，例如 *,{5,12} 等)

Windowsd+ 匹配Windows后面跟1個或更多數字

^w+ 匹配一行的第一個單詞(或整個字符串的第一個單詞，具體匹配哪個意思得看選項設置)

特殊字符，主要是指注入空格，制表符，其他進制(十進制之外的編碼方式)等，它們的特點是以轉義字符()為前導。如果需要引用這些特殊字符的字面意義，同樣需要轉義。

要想查找數字，字母或數字，空白是很簡單的，因為已經有了對應這些字符集合的元字符，但是如果你想匹配沒有預定義元字符的字符集合(比如元音字母 a,e,i,o,u),應該怎么辦？

很簡單，你只需要在方括號里列出它們就行了，像 [aeiou] 就匹配任何一個英文元音字母，[.?!] 匹配標點符號(.或?或!)。
我們也可以輕松地指定一個字符范圍，像 [0-9] 代表的含意與d就是完全一致的：一位數字；同理 [a-z0-9A-Z_] 也完全等同于 w（如果只考慮英文的話）。

下面是一個更復雜的表達式：(?0d{2}[) -]?d{8}。

這個表達式可以匹配幾種格式的電話號碼，像(010)88886666，或 022-22334455，或 02912345678等。我們對它進行一些分析吧：首先是一個轉義字符 ( , 它能出現 0 次或 1 次 (?),然后是一個 0，后面跟著2個數字 (d{2})，然后是)或 - 或 空格 中的一個，它出現 1 次或不出現 (?)，最后是 8 個數字 (d{8})。

使用工具可視化顯示如下：

“(”和“)” 也是元字符，后面的分組節里會提到，所以在這里需要使用 轉義。

不幸的是，剛才那個表達式也能匹配 010)12345678 或 (022-87654321 這樣的 “不正確” 的格式。要解決這個問題，我們需要用到分枝條件。正則表達式里的分枝條件指的是有幾種規則，如果滿足其中任意一種規則都應該當成匹配，具體方法是用 | 把不同的規則分隔開。 聽不明白？沒關系，看例子：

0d{2}-d{8}|0d{3}-d{7} 這個表達式能匹配兩種以連字號分隔的電話號碼：一種是三位區號，8位本地號(如010-12345678)，一種是4位區號，7位本地號(0376-2233445)。

(0d{2})[- ]?d{8}|0d{2}[- ]?d{8} 這個表達式匹配3位區號的電話號碼，其中區號可以用小括號括起來，也可以不用，區號與本地號間可以用連字號或空格間隔，也可以沒有間隔。你可以試試用分枝條件把這個表達式擴展成也支持4位區號的。

d{5}-d{4}|d{5} 這個表達式用于匹配美國的郵政編碼。美國郵編的規則是5位數字，或者用連字號間隔的9位數字。之所以要給出這個例子是因為它能說明一個問題：使用分枝條件時，要注意各個條件的順序。 如果你把它改成 d{5}|d{5}-d{4} 的話，那么就只會匹配5位的郵編(以及9位郵編的前5位)。原因是匹配分枝條件時，將會從左到右地測試每個條件，如果滿足了某個分枝的話，就不會去再管其它的條件了。

我們已經提到了怎么重復單個字符（直接在字符后面加上限定符就行了）；但如果想要重復多個字符又該怎么辦？你可以用小括號來指定子表達式(也叫做分組)，然后你就可以指定這個子表達式的重復次數了， 你也可以對子表達式進行其它一些操作(后面會有介紹)。

(d{1,3}.){3}d{1,3} 是一個簡單的IP地址匹配表達式。要理解這個表達式，請按下列順序分析它：d{1,3} 匹配1到3位的數字，(d{1,3}.){3} 匹配三位數字加上一個英文句號(這個整體也就是這個分組)重復3次，最后再加上一個一到三位的數字(d{1,3})。

不幸的是，它也將匹配 256.300.888.999 這種不可能存在的IP地址。如果能使用算術比較的話，或許能簡單地解決這個問題，但是正則表達式中并不提供關于數學的任何功能，所以只能使用冗長的分組，選擇，字符類來描述一個正確的IP地址：((2[0-4]d|25[0-5]|[01]?dd?).){3}(2[0-4]d|25[0-5]|[01]?dd?)。

理解這個表達式的關鍵是理解 2[0-4]d|25[0-5]|[01]?dd?，這里我就不細說了，你自己應該能分析得出來它的意義。

IP地址中每個數字都不能大于255. 經常有人問我, 01.02.03.04 這樣前面帶有0的數字, 是不是正確的IP地址呢? 答案是: 是的, IP 地址里的數字可以包含有前導 0 (leading zeroes).

有時需要查找不屬于某個能簡單定義的字符類的字符。比如想查找除了數字以外，其它任意字符都行的情況，這時需要用到反義：

S+ 匹配不包含空白符的字符串。

]+> 匹配用尖括號括起來的以a開頭的字符串。

使用小括號指定一個子表達式后，匹配這個子表達式的文本(也就是此分組捕獲的內容)可以在表達式或其它程序中作進一步的處理。默認情況下，每個分組會自動擁有一個組號，規則是：從左向右，以分組的左括號為標志，第一個出現的分組的組號為1，第二個為2，以此類推。

后向引用 用于重復搜索前面某個分組匹配的文本。例如，1 代表分組1匹配的文本。難以理解？請看示例：

(w+)s+1 可以用來匹配重復的單詞，像 go go, 或者 kitty kitty。這個表達式首先是一個單詞，也就是單詞開始處和結束處之間的多于一個的字母或數字 ((w+)) ，這個單詞會被捕獲到編號為1的分組中，然后是1個或幾個空白符 (s+)，最后是分組1中捕獲的內容（也就是前面匹配的那個單詞）(1)。

你也可以自己指定子表達式的組名。要指定一個子表達式的組名，請使用這樣的語法：(?w+) (或者把尖括號換成"也行：(?"Word"w+)) ,這樣就把 w+ 的組名指定為Word了。要反向引用這個分組捕獲的內容，你可以使用k ,所以上一個例子也可以寫成這樣：(?w+)s+k。

使用小括號的時候，還有很多特定用途的語法。下面列出了最常用的一些：

分組0對應整個正則表達式

實際上組號分配過程是要從左向右掃描兩遍的：

第一遍只給未命名組分配，

第二遍只給命名組分配－－因此所有命名組的組號- 都大于未命名的組號

你可以使用 (?:exp) 這樣的語法來剝奪一個分組對組號分配的參與權．

接下來的四個用于查找在某些內容(但并不包括這些內容)之前或之后的東西，也就是說它們像 ,^,$那樣用于指定一個位置，這個位置應該滿足一定的條件(即斷言)，因此它們也被稱為零寬斷言。最好還是拿例子來說明吧：

斷言用來聲明一個應該為真的事實。正則表達式中只有當斷言為真時才會繼續進行匹配。

(?=exp) 也叫零寬度正預測先行斷言，它斷言自身出現的位置的后面能匹配表達式 exp。比如 w+(?=ing)，匹配以ing結尾的單詞的前面部分(除了ing以外的部分)，如查找I"m singing while you"re dancing.時，它會匹配sing和danc。

(?<=exp) 也叫零寬度正回顧后發斷言，它斷言自身出現的位置的前面能匹配表達式 exp。比如 (?<=re)w+會匹配以re開頭的單詞的后半部分(除了re以外的部分)，例如在查找 reading a book時，它匹配 ading。

假如你想要給一個很長的數字中每三位間加一個逗號(當然是從右邊加起了)，你可以這樣查找需要在前面和里面添加逗號的部分：((?<=d)d{3})+ ，用它對 1234567890 進行查找時結果是 234567890。

前面我們提到過怎么查找不是某個字符或不在某個字符類里的字符的方法(反義)。但是如果我們只是想要確保某個字符沒有出現，但并不想去匹配它時怎么辦？例如，如果我們想查找這樣的單詞--它里面出現了字母q,但是q后面跟的不是字母u,我們可以嘗試這樣：

w*q[^u]w* 匹配包含后面不是字母u的字母q的單詞。但是如果多做測試(或者你思維足夠敏銳，直接就觀察出來了)，你會發現，如果q出現在單詞的結尾的話，像 Iraq,Benq，這個表達式就會出錯。這是因為 [^u] 總要匹配一個字符，所以如果q是單詞的最后一個字符的話，后面的³將會匹配q后面的單詞分隔符(可能是空格，或者是句號或其它的什么)，后面的 w* 將會匹配下一個單詞，于是 w*q[^u]w* 就能匹配整個 Iraq fighting。

負向零寬斷言能解決這樣的問題，因為它只匹配一個位置，并不消費任何字符。 現在，我們可以這樣來解決這個問題：w*q(?!u)w*。

零寬度負預測先行斷言(?!exp)，斷言此位置的后面不能匹配表達式exp。例如：d{3}(?!d) 匹配三位數字，而且這三位數字的后面不能是數字；((?!abc)w)+ 匹配不包含連續字符串abc的單詞。

同理，我們可以用 (?,零寬度負回顧后發斷言 來斷言此位置的前面不能匹配表達式exp：(? 匹配前面不是小寫字母的七位數字。

(?<=    # 斷言要匹配的文本的前綴
<(w+)> # 查找尖括號括起來的字母或數字(即HTML/XML標簽)
)       # 前綴結束
.*      # 匹配任意文本
(?=     # 斷言要匹配的文本的后綴
  # 查找尖括號括起來的內容：前面是一個"/"，后面是先前捕獲的標簽
)       # 后綴結束

<                         #最外層的左括號
    [^<>]*                #最外層的左括號后面的不是括號的內容
    (
        (
            (?"Open"<)    #碰到了左括號，在黑板上寫一個"Open"
            [^<>]*       #匹配左括號后面的不是括號的內容
        )+
        (
            (?"-Open">)   #碰到了右括號，擦掉一個"Open"
            [^<>]*        #匹配右括號后面不是括號的內容
        )+
    )*
    (?(Open)(?!))         #在遇到最外層的右括號前面，判斷黑板上還有沒有沒擦掉的"Open"；如果還有，則匹配失敗

>                         #最外層的右括號