正则表达式(Regular Expression)

正则表达式，又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法（英语：Regular Expression，在代码中常简写为regex、regexp或RE）。

正则表达式使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。在很多文本编辑器里，正则表达式通常被用来检索、替换那些符合某个模式的文本。

元字符

量词（用在字符或()之后）

边界匹配

分组语法

预定义字符集（可以写在字符集[...]中）

不可打印字符

优先级

注释

括号的另一种用途是通过语法(?#comment)来包含注释。

例如：2[0-4]\d(?#200-249)|250-5|[01]?\d\d?(?#0-199)。

其他

分组与后向引用

使用小括号指定一个子表达式后，匹配这个子表达式的文本(也就是此分组捕获的内容)可以在表达式或其它程序中作进一步的处理。

默认情况下，每个分组会自动拥有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2，以此类推。

后向引用用于重复搜索前面某个分组匹配的文本。例如，\1代表分组1匹配的文本。(不同语言可能表达不大一样)

• 分组0对应整个正则表达式
• 实际上组号分配过程是要从左向右扫描两遍的：第一遍只给未命名组分配，第二遍只给命名组分配－－因此所有命名组的组号都大于未命名的组号
  
  

例如：

\b(\w+)\b\s+\1\b可以用来匹配重复的单词，像go go,或者kitty kitty。这个表达式首先是一个单词，也就是单词开始处和结束处之间的多于一个的字母或数字(\b(\w+)\b)，这个单词会被捕获到编号为1的分组中，然后是1个或几个空白符(\s+)，最后是分组1中捕获的内容（也就是前面匹配的那个单词）(\1)。

也可以自己指定子表达式的组名。要指定一个子表达式的组名，请使用这样的语法：(?<Word>\w+)(或者把尖括号换成'也行：(?'Word'\w+)),这样就把\w+的组名指定为Word了。要反向引用这个分组捕获的内容，你可以使用\k<Word>,所以上一个例子也可以写成这样：\b(?<Word>\w+)\b\s+\k<Word>\b。

Note:不同语言也许语法上会有些许出入。

\w的范围

在支持ASCII码的语言中，如JavaScript，“\w”等价于[a-zA-Z0-9_];

在支持Unicode的语言中，如.NET，默认情况下，“\w”除可以匹配[a-zA-Z0-9_]外，还可以匹配一些Unicode字符集，如汉字，全角数字等等。

几乎所有常见的语言都遵循这样一个规律，只有Java是个例外。在Java中，“\w”的表现是比较奇怪的，Java是支持Unicode的，但Java的正则中的“\w”却是等价于[a-zA-Z0-9_]的。

先来看一下“\w”在几种语言中匹配的例子

Javascript:

<script language="javascript">
    var str = "abc_123中文_d3=efg汉字%";
    var reg = /\w+/g;
    var arr = str.match(reg);
    if(arr != null)
    {
        for(var i=0;i<arr.length;i++)
        {
            document.write(arr[i] + "<br />");
        }
    }
</script>
/*-------- JavaScript中输出--------
abc_123
_d3
Efg
*/

C#:

string test = "abc_123中文_d3=efg汉字%";
MatchCollection mc = Regex.Matches(test,@"\w+");
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*-------- C#中输出--------
abc_123中文_d3
efg汉字
*/

Java:

String test = "abc_123中文_d3=efg汉字%";
String reg = "\\w+";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
    System.out.println(m.group());
}
/*-------- Java中输出--------
abc_123
_d3
Efg
*/

可以看到，“\w”在Java中的输出和JavaScript中是一样的，都是只支持ASCII字符。


\b的范围

见语言中“\w”的范围确定了，那么是不是可以认为“\b”的匹配范围与“\w”也是一致的呢？再看下下面的例子：

源字符串：abc_123中文_d3=汉字efg

正则表达式：.\b.

JavaScript:

<script language="javascript">
    var str = "abc_123中文_d3=efg汉字%";
    var reg = /.\b./g;
    var arr = str.match(reg);
    if(arr != null)
    {
        for(var i=0;i<arr.length;i++)
        {
            document.write(arr[i] + "<br />");
        }
    }
</script>
/*-------- JavaScript中输出--------
3中
文_
3=
g汉
*/

C#:

string test = "abc_123中文_d3=efg汉字%";
MatchCollection mc = Regex.Matches(test,@".\b.");
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*-------- C#中输出--------
3=
字%
*/

Java:

String test = "abc_123中文_d3=efg汉字%";
String reg = ".\\b.";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
    System.out.println(m.group());
}
/*-------- Java中输出--------
3=
字%
*/

可以看到，Java的输出和.NET是一致的，“\b”在Java中是支持Unicode的。

Note:“\b”用在正则中，通常情况下都是表示单词边界的，只有在字符组中，它表示的是退格键。

如:即[a-z\b]此处的“\b”表示的是退格键，而不是单词边界。

所以总的来说，Java中的“\w”是很奇怪的，而“\b”是与其它语言表现一致的，在使用时需要注意。

转载请注明来自: blog.csdn.net/epluguo

附：

在线正则表达式验证器：

https://www.debuggex.com

https://mengzhuo.org/regex/

参考:

http://en.wikipedia.org/wiki/Regularexpression#citenote-PerlBestPractices-33

http://www.greenend.org.uk/rjk/tech/regexp.html

http://zh.wikipedia.org/wiki/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F

http://msdn.microsoft.com/zh-cn/library/ae5bf541(v=vs.100).aspx

http://deerchao.net/tutorials/regex/regex.htm

http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html