概念相关笔记

这是俺学习正则时的一些正则学习笔记
可能理解会有些不对，谁看到谁提哈，嘿嘿

1、容易混淆的单行模式和多行模式：
单行模式只影响.(小数点)的匹配，关闭单行模式，.匹配换行以外的任意字符；开启单行模式，.匹配任意字符
多行模式只影响^和$的匹配，关闭多行模式，^只能匹配字符串开头，$只能匹配字符串结尾；
开启多行模式，^匹配字符串开头或行的开头，$匹配字符串结尾或行的结尾
因为正则发展的历史原因，造成这2个概念好像是相反的概念，实际这2个概念是没有任何关系的2个概念

2、全局模式（C#没有，js有）：关闭时，只匹配一次；开启时，匹配全部字符串，
在js中，关闭全局模式，等效于C#中的Match方法；开启全局模式，等效于C#中的Matches方法

3、贪婪模式与懒惰模式：举例说明：有字符串：0<div>a1</div>b1<div>c1</div><div>d1</div>9
贪婪模式的正则：<div>.*</div>，只有一个匹配结果：<div>a1</div>b1<div>c1</div><div>d1</div>
懒惰模式的正则：<div>.*?</div>，有3个匹配结果，分别是：<div>a1</div> <div>c1</div> <div>d1</div>
注：贪婪模式的原理是匹配优先，而懒惰模式的原理是忽略优先，比如：
字符串 abd
贪婪模式正则：ab?c 在匹配时，会先尝试进行ab匹配，再比对c，不匹配了，进行回溯，进行ac的匹配
懒惰模式正则：ab??c 在匹配时，会先尝试进行ac匹配，不匹配了，进行回溯，进行abc的匹配

4、非回溯匹配（也叫固化分组）：(?>)：举例说明：字符串：张三是中国人，李四是中国人，王五是韩国人
正则：(.*)中国人，因为正则引擎的贪婪特性，.*第一次扫描时会匹配全部字符串，发现后面没有字符了，不能匹配正则里的“中国人”，于是把.*的匹配往前递推一个，发现“国”也不能匹配正则里的“中国人”，于是再把.*的匹配往前递推，一直推到“张三是中国人，李四是”，此时匹配到了“中国人”，于是.*匹配的结果就是：张三是中国人，李四是这里说的往前递推就是回溯
把正则改为：(?>.*)中国人 匹配就会失败，因为正则式里指定了.*不允许回溯，所以.*第一次扫描时会匹配全部字符串，再往后扫描时匹配不到，就直接返回了，而不会往前递推。注意：非回溯组也是非捕获组，就是这个括号里的值不会被捕获
之所以有这个非回溯，是因为在正则表达式引擎时，回溯是很耗资源和时间的，要尽量避免回溯，比如：
字符串：<a href="http://www.beinet.cn">这是我的网站</a>，要用正则匹配里面的url和文本，可以用下面2个正则，都可以实现：
<a href="(.+?)">(.+?)</a>
<a href="([^"]+)">([^<]+)</a>
但是第一个正则，在匹配时会有回溯，比如href是懒惰匹配，这个.+?会先匹配h，然后看后面是不是"，不是，再递推下一个字符t，一直递推19次
而第二个正则，直接就匹配到"前面，不存在回溯，所以在写正则时，要尽量使用没有回溯，或者回溯少的正则

其它笔记

1、\b：表示单词的起始或结束
\B：表示非单词边界（不在单词的开始或结束）
^：表示字符串的起始位置，指定多行模式时，表示行的起始位置
$：表示字符串的结束位置，指定多行模式时，表示行的结束位置

2、反向引用：\1这样的转义数字，代表前面捕获的内容，如果我们想匹配重复的单词，就可以用这种转义数字
举例：this isa a this this a a file list file filea，我们要找出其中重复的单词，可以用正则：
\b([a-z]+)\b \1\b 来匹配，\1表示第一个括号里的内容，\2表示第2个，如此类推

3、捕获的顺序是按左括号的出现顺序，从1开始顺序递增
注：捕获就是把括号里的内容压入堆栈
例如：([+-])?(\d+(\.\d+)?)(.*)
([+-])为捕获的第一个内容，通常为$1，
C#中可以用Match.Groups[0].Value来得到捕获的值（在正则中可以用\1反向引用，以下类推）
也可以用Match.Result("$1")来得到捕获的值
(\d+(\.\d+)?)为捕获的第二个内容，通常为$2
而$2中的(\.\d+)为捕获的第三个内容，通常为$3
最后的(.*)为捕获的第四个内容，通常为$4
注意：如果补获组进行了命名，则未命名的第1个左括号为$1,未命名的第2个左括号为$2,以此类推，直到没有未命名的补获为止，再开始按顺序推算有命名的补获组

4、如果对某个括号里的内容不想进行捕获，可以使用?:
例如：例3修改为：([+-])?(\d+(?:\.\d+)?)(.*)
例3里的$3就变成了(.*)，而$4就不存在了
技巧：如果不想加?:，可以在匹配时增加选项：RegexOptions.ExplicitCapture，这个选项只会捕获用(?<name>...)的组，但是如果指定了反射引用时，必须对引用的的捕获显式命名，比如正则：<([^\s]+)></\1>，如果指定RegexOptions.ExplicitCapture时会报错

5、替换时保留匹配内容，例如字符串：http://beinet.cn/
要替换成超链接形式<a href=‘http://beinet.cn/’>beinet.cn</a>，可以用C#语句：
Regex.Replace(@"http://beinet.cn/",@"(http://(.*)/)",@"<a href='$1'>$2</a>");
或
Regex.Replace(@"http://beinet.cn/",@"(?<url>http://(?<host>.*)/)",@"<a href='${url}'>${host}</a>");

6、\s匹配空白字符，包括：空格、Tab、换行、回车,等价于 [\t\r\n ]
\S匹配上述4个字符以外的其它所有字符
所以：[\s\S] 就可以匹配任意字符了

7、\w :匹配包括下划线的任何单词字符,等价于 [A-Za-z0-9_]
\W :匹配任何非单词字符,等价于 [^A-Z a-z 0-9_]
所以：[\w\W] 也可以匹配任意字符了

8、\d :匹配所有数字,一般等价于 [0-9] 注：在C#里，默认情况下也匹配全角的０-９
\D :匹配任何非数字
所以：[\d\D] 也可以匹配任意字符了

9、.（句点字符。）: 匹配除 \n 以外的任何字符。
注意1：[.\n]并不能匹配任意字符，因为在[ ]里，.只是代表自己，不匹配其它字符
所以要匹配任意字符，请参考：5，6，7
注意2：如果指定正则选项为Singleline，则此时.匹配任意字符了

10、\nnn：匹配一个3位的8进制Ascii字符，如\103匹配大写C字符
\xnn：匹配一个2位的16进制Ascii字符，如\x43匹配大写C字符
\unnnn：匹配一个4位的16进制Unicode字符
\cV：匹配一个控制字符，如\cV匹配Ctrl-V
注意1：为了跟反向引用区分开，表示8进制字符时，比如\43，请写成\043

11、零宽度断言：有的地方称之为环视，或者预搜索，或声明，就是根据表达式匹配一个位置，而不是匹配字符，举例：
有字符串为：abcdefghijklmnopqrstuvwxyz
正声明?=
(?=opq)：匹配n与o中间的位置，此时：mn(?=opq)，就可以匹配到mn，而m(?=opq)匹配不到东西
(?=opq)op，就可以匹配到op，而(?=opq)p匹配不到东西
举例：Languages have: Java C#.Net C++ Javascript VB.Net JScript.Net Pascal
正则：\S+(?=\.Net) 将得到结果：C# VB JScript
逆向正声明?<=
(?<=opq)：匹配q与r中间的位置，此时：pq(?<=opq)，就可以匹配到pq，而p(?<=opq)匹配不到东西
(?<=opq)rst，就可以匹配到rst，而(?<=opq)st匹配不到东西
注：Javascript不支持逆向正声明
举例：名单：张三 李四 张建四 王五
正则：(?<=张)\S+ 将得到结果：三 建四
负声明?|
(?!opq)：匹配所有位置，除了n与o中间的位置，此时：[a-z](?!opq)，就可以匹配到除n以外的所有字符，而n(?!opq)匹配不到东西
(?!opq)[a-z]，就可以匹配到除o以外的所有字符，而(?!opq)o匹配不到东西
举例：123A 456c 789 111C
正则：\d{3}(?![A-Z]) 将得到结果：456 789
逆向负声明?<!
(?<!opq)：匹配所有位置，除了q与r中间的位置，此时：[a-z](?<!opq)，就可以匹配到除q以外的所有字符，而q(?<!opq)匹配不到东西
(?<!opq)[a-z]，就可以匹配到除r以外的所有字符，而(?<!opq)r匹配不到东西
注：Javascript不支持逆向负声明
举例：123A 456C 789 111C
正则：(?<!1)\d{2}[A-Z] 将得到结果：56C
综合应用举例：
\b\w+(?=o)o\b：匹配所有以o结尾的单词
Regex.Replace("I have 1234567Yuan",@"(?<=\d)(?=(?:\d{3})+(?!\d))",",")：替换字符串里的数字为科学计数法（即3位数字一个逗号）
上面的是C#，Javascript因为不支持逆向环视，所以要用：'123456'.replace(/(\d)(?=(?:\d{3})+(?!\d))/g,"$1,")

12、决策（也叫平衡组）是正则里的3目运算表达式，形如：(?(exp)yes|no)，如果exp成立，就匹配yes，否则匹配no
(?!)表示返回匹配失败，如：(\d)(?(1).|(?!))可以匹配以数字开头的任意2个字符
举例1：
字符串：1a cb 3a 5c 3b　正则：(?(\d)\da|b) 可以匹配到结果：1a b 3a b
需要注意的是yes表达式是\da，如果是正则：(?(\d)a|b) 将只会匹配到：b b，
因为expression成立时，是匹配到这个expression的位置，后面的yes也必须要包含这个expression
当然：(?(\d)\wa|b)的匹配结果也是可以的，因为\w包含了\d
对于字符串a1234，正则(?(?<!a)\d\d|\d)可以匹配到1 和 23
举例2：引用前面的条件
字符串：10-12 z0-az 11-sd 正则：(\d)?(0)-(?(1)\d\d|[a-z][a-z]) 后面的?(1)，表示前面的第1 个捕获如果匹配时，用yes匹配，否则用no匹配
这个正则可以匹配到：10-12 0-az
参考：http://www.jb51.cc/article/p-swvxogiu-ry.html
http://www.cnblogs.com/luckcs/articles/2212996.html

13、正则表达式选项，(?i:)指定括号内的匹配忽略大小写，比如正则：(?i:a) 表示匹配a或A，而不管是否指定了RegexOptions.IgnoreCase选项
(?n:)：指定只有显式命名或编号的组才进行捕获，类似于RegexOptions.ExplicitCapture
(?x:)：消除模式中的非转义空白并启用由 # 标记的注释，类似于RegexOptions.IgnorePatternWhitespace
(?m:)：指定使用多行模式，类似于RegexOptions.Multiline
(?s:)：指定使用单行模式，类似于RegexOptions.Singleline
注：选项可以叠加，比如：(?is:) 表示单行模式，忽略大小写

14、应用 | 时要注意，正则引擎总是选择第一个选项进行匹配，无法匹配时才考虑第2个选项，然后第3个，比如：
字符串：abcd 正则：a|ab 只匹配到 a 而正则：ab|a 则匹配到 ab

15、Javascript提取匹配中的内容举例，下面是在Html里循环提取超链接的Href和链接文本：
var a = /<a\s+[^>]*href="([^"\s]*)"[^>]*>([\s\S]*?)<\/a>/ig;
while(a.test(html)){// 第二个test会从第一个test的lastIndex+1处开始匹配
alert(RegExp.$1);
alert(RegExp.$2);
}

正则举例

1、需求：如果小数在2位以内，就保持不变，如果有第3位小数，且第3位小数不是0，那也保留，如果是0就不保留，第3位以后的数字全部替换掉
比如：string str = 1.23＝》1.23、1.234＝1.234、1.230＝》1.23、1.2345678＝》1.234
此时，Regex.Replace(str,@"(\.\d\d[1-9]?)\d*","$1")就可以实现，但是对于1.23和1.234,替换操作浪费了一点时间，因为结果相当于用23替换成23
有效率一点的做法是把正则改成：(\.\d\d(?>[1-9]?))\d+
注意里面的固化分组，如果不使用固化分组的正则：(\.\d\d[1-9]?)\d+ 在匹配1.625时，因为\d+至少要匹配一个数字，而[1-9]?可以不匹配，所以导致回溯，\d+匹配了5,导致替换结果成了1.62，与需求不符，所以这里要用固化分组，避免回溯

2、需求：匹配出字符串里的日期，比如：string str = January 31 我们要得到后面的日期31
一般我们会用正则：(0?[1-9]|[12]\d|3[01]) 这个多选组合，0?[1-9]匹配01-09或1-9；[12]\d匹配10-29；3[01]匹配30-31，应该是没错的但是匹配的第一个
结果是3,而不是31 这是因为正则引擎按顺序测试组合，0?[1-9]可以匹配3，所以错误结果出现了
正确的正则应该是把能匹配最短数字的0?[1-9]放到最后，变成：([12]\d|3[01]|0?[1-9]) 就OK了
或者使用下列正则之一：
(31|[123]0|[012]?[1-9]) (0[1-9]|[12]\d?|3[01]?|[4-9])

3、需求：匹配双引号和里面的内容，内容里允许出现\" 和\\这样的转义
如果内容不包含引号，那正则就是："[^"]*"
如果加上允许转义的双引号时，我们先用逆序环视，正则变成："([^"]|(?<=\\)")*"，这个表示式可以匹配 "aa\"bb" 这样的文本，但是对于"aa\\" and "bb"，它的匹配结果是错误的，因为它把转义的\\后面的这个斜杠去环视了，所以这个正则不能用
再改用："(\\.|[^"])*"，就是匹配\和一个字符，或非双引号，对于上面的这回可以匹配了，不过，对于没有结束双引号的字符串："aa\"bb，它又匹配到了"aa\"，因为正则引擎的回溯到\"时，[^"]能匹配前面的\，于是就返回了匹配成功
所以最终的正则应该是："([^"\\]|\\.)*" 或者使用固化分组："(?>([^"]|\\.)*)"
注：这个正则顺序交换一下，变成："(\\.|[^"\\])*" 也是可以的，但是这个正则回溯比不交换前多，参见下图

4、需求：替换字符串前后的空白（C#的Trim方法已经可以实现，但是js没有这个功能）
在网上最常见的作法是用正则： (^\s*)|(\s*$) 可以搜索 Javascript trim，得到一大堆的类似结果如下：
String.prototype.trim= function(){return this.replace(/(^\s*)|(\s*$)/g,"");}
这个当然没有问题，但是这个正则是可以改进的，首先，用\s*，这样也可以匹配空，没有空白的字符串也会进行2次替换，
而且正则里有2个捕获，而实际上捕获没有使用到，
所以比较好的作法是把*改成+，并去掉括号，用：String.prototype.trim= function(){return this.replace(/^\s+|\s+$/g,"");}
注：虽然这点改进很小，但是如果不是替换成""，那结果就出错了，并且在做任何工作时，都想到这么一点点，那总的提升效率还是很多的

5、需求：匹配HTML标签，允许标签中的属性值包含<或>，例如：<input value="a>bc" type="text">
如果没有后面那个要求，那么匹配HTML标签，就是简单的：<[^>]+>
根据要求，我们可以知道，属性值是包含在单引号或双引号里的，所以可以得到下面正则：
<("[^"]*"|'[^']*'|[^'">])*>

6、需求：匹配嵌套div标签的最内层，例如：<div><div>2<div>3</div></div>1<div>2<div>3<a>3</a>3</div></div></div>，取出3的div
首先自然是两端的正则：<div[^>]*>.*?</div>，这个得到结果：<div><div>2<div>3</div>
那么要求在中间不能出现<div字样，用(?:(?!<div).)匹配前面不等于<div的任意一个字符，得到最终正则如下：
<div[^>]*>(?:(?!<div).)*?</div>

7、需求：匹配嵌套div标签的最外层
　div>1<div>2<div>3<div>4</div>5 匹配到<div>4</div>
div>1<div>2<div>3<div>4</div>5</div> 匹配到<div>3<div>4</div>5</div>
div>1<div>2<div>3<div>4</div>5</div>6</div>7</div>8</div> 匹配到<div>2<div>3<div>4</div>5</div>6</div>
首先自然是两端的正则：<div> 和 </div>，
然后(?<o><div>)|(?<-o></div>)表示匹配div和相应的结束div，<o>表示把捕获压入堆栈，<-o>表示取出堆栈，堆栈没有数据就表示匹配失败，第三部分(?:(?!</?div)[\s\S])表示不包含div的任意字符，最后还有一块(?(o)(?!))表示如果堆栈中还有div，匹配失败
最终正则如下：
<div>((?<o><div>)|(?<-o></div>)|(?:(?!</?div)[\s\S]))*(?(o)(?!))</div>

8、需求：匹配有效的物理路径，如 c:\ d:/abc/ddd.txt e:\\\\abc////\\kk.exe(注：连续的\或/都被Windows认为是一个\,所以有效)
物理路径自然要以盘符开头，所以正则开始是：^[a-zA-Z]:[\\/]+
接着是后面的子目录，目录或文件名按Windows规定，不允许出现<>/\|:"*? 以及 回车换行共11个字符，所以匹配子目录的正则是：[^\<\>\/\\\|\:""\*\?\r\n]+[\\/]+，因为可能有多级子目录，也可能没有子目录，所以匹配全部子目录的正则就是：(?:[^\<\>\/\\\|\:""\*\?\r\n]+[\\/]+)*，最后完整的正则就是：
^[a-zA-Z]:[\\/]+(?:[^\<\>\/\\\|\:""\*\?\r\n]+[\\/]+)*[^\<\>\/\\\|\:""\*\?\r\n]*$

9、需求：输入6~20位的密码，要求必须是大写字母、小写字母和数字的组合
完整的正则是：
^(?=.*[A-Z])(?=.*[a-z])(?=.*[0-9])[a-zA-Z0-9]{6,20}$
另外一个使用平衡组的正则：
^(?:([0-9])|([a-z])|([A-Z])){6,20}(?(1)|(?!))(?(2)|(?!))(?(3)|(?!))$

10、需求：匹配HTML的a标签里的href，要求支持单引号、双引号或无引号的可能 可能的数据有：<a href='xxx' target='_self'> <a href=xxx target='_self'> <a href="xxx" target='_self'><a href="javascript:alert('1')"><a href='javascript:alert("1")'> 首先自然是匹配到href的正则：<a\s[^>]*href=，接着匹配引号，因为可能没引号，因此是：(['"])?，后面要判断出现了引号没有，用一个三目运算符：(?(1)yes|no) 如果前面出现了引号，用正则：(?:(?!\1).)*\1，表示不等于前面引号的多个字符+前面的引号（\1表示引用） 完整的正则是（当然这个正则没有考虑更复杂的情况，比如<a href="javascript:alert(\"1\")">，这个等你来扩展吧）： <a\s[^>]*href=(['"])?(?(1)((?:(?!\1).)*)\1|([^\s>]*))