正则表达式：修订间差异

来自汉语教学技术研究与应用
（创建页面，内容为“ == 在线正则表达式测试工具 == http://tool.oschina.net/regex/ https://tool.lu/regex/”）
 
 
（未显示同一用户的3个中间版本）
第6行： 第6行：


https://tool.lu/regex/
https://tool.lu/regex/
== 教程 ==
正则表达式30分钟入门教程 http://deerchao.net/tutorials/regex/regex.htm
正则表达式中中括号的三种用途 [] - baidu_24545901的博客 - CSDN博客 https://blog.csdn.net/baidu_24545901/article/details/78836784
正则表达式 AABB_百度搜索
https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&tn=87048150_dg&wd=%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F%20%20AABB&oq=%25E6%25AD%25A3%25E5%2588%2599%25E8%25A1%25A8%25E8%25BE%25BE%25E5%25BC%258F%2520AABB%2520(%255B%255Cu4e00-%255Cu9fa5%255D)%255C1&rsv_pq=9fa753e000004272&rsv_t=77e91FkZzH%2FjWPIFMZoiSQqKaVZhAVe%2BJVs0mwwcwdsWqOk%2FBwTFyTx51sC%2BeyWNCBQ&rqlang=cn&rsv_enter=1&inputT=255&rsv_sug3=24&rsv_sug2=0&rsv_sug4=1159
== MySQL 正则 ==
MySQL 仅支持很有限的一部分正则表达式
mysql regexp用法 - George_sz - 博客园 https://www.cnblogs.com/qiaoyihang/p/6166163.html
== 正则表达式基本语法 ==
=== 字符组 ===
'''列出全部元素'''
  [0123456789]
'''列出元素范围'''
>码值小的字符在前
  [0-9]：数字
  [a-f]：英文字母表前6个
**并列多个元素范围**
  [A-Za-z]：大小写英文字母
  [0-9a-zA-Z]：数字及大写英文字母
  [0-9a-fA-F]：十六进制字符
注意，用[A-z]表示英文字母是错误的，会包括几个其它字符。((参考 http://blog.csdn.net/paiooo/article/details/7037403))
**整体匹配**
  # 在开头加^，结尾加$
  ^[0-9]$：仅能匹配单个数字（2 => True， 12 => False）
  # 比较：
  [0-9]：只要包含数字就能匹配（2 => True， 12 => True，A1 => True， 2A => True）
 
**排除型字符组**
  [^0-9]：匹配一个非数字
  # 注意，是匹配表达式以外的其它字符，不是不匹配。
  # 对应位置上要有匹配的字符，整个表达式才成立。
  [^0-9][0-9]：匹配一个非数字紧跟一个数字
  例：8 => False，18 => False， A8 => True
排除型字符组只能排除一个字符，不能排除组合。((余晟《正则指引》P27 L9))
  # [^ab]：排除的是a或b，不是排除ab
**字符组简记法（缩写）**
  \d：等价于[0-9]，匹配数字（Digit）
  \w：相当于[0-9a-zA-Z]，匹配单词（Word）及数字
  # \w 也匹配数字和下划线_
  # 只需要匹配数字和英文字母时，应使用[0-9a-zA-Z]
  \s：表示空白字符（Space）
  # 可以匹配空格、制表符、回车符、换行符等各类打印时空白的字符
 
对应的排除型字符组为大写字母形式：
  \D：匹配非数字
  \W：匹配非英文字母、非数字、非下划线 
  \S：匹配任何打印时不为空白的字符
以上两类的组合可以匹配任何字符：
  [\d\D]、[\w\W]、[\s\S]
注意，点号.并不能同样匹配任意字符，在默认情况下点号是不匹配换行符的。((余晟《正则指引》P84))
 
**字符组集合运算**
  # 取差集（C#写法）
  [a-z-[aeiou]]：非元音字母
  # 第一个- 是元字符，表示范围，第二个- 是减号。
=== 量词 ===
量词是用于确定匹配次数的表达式。
=== 数字形式 ===
**具体次数**
  {n}：匹配n次
 
**次数范围**
  {m,n}：匹配m到n次，m可以为0。
  {m,}：匹配m到无限次。
 
=== 字符形式 ===
<code>
*：等价于{0,}，匹配任意次数。 
+：等价于{1,}，至少匹配1次。 
?：等价于{0,1}，最多匹配1次。 
</code>
=== 点号 ===
点号. 是一个特殊的元字符，可以匹配除换行符\n 以外的任意字符。
如果要匹配换行符，可以使用单行匹配模式或“自制”通配字符组（[\s\S]等）。
== 正则表达式实例 ==
**匹配HTML标签**
  <[^>]+>
  # 开头的“<”对应标签开头，结尾的“>”对应标签结尾
  # 中间的[^>]+表示“<”之后，不是“>”的（至少1个）任意字符，即标签<>内的全部字符。
提醒：开始标签、结束标签，与标签开头、标签结尾是不同的概念。
**匹配双引号**
  "[^"]*"
  # 开头、结尾的"，对应成对的双引号。
  # 中间的[^"]*表示双引号之间，不是双引号的（可以为空的）任意字符，即双引号所引的内容。 
**分类各类标签（Tag）** 
  所有Tag： <[^>]+>
  open tag：<[^/>][^>]*[^/]>，例如<html>
  # 第1个[^/>]表示，在标签内部，排除结束标签才有的“/”，[^>]表示“>”以外的其它字符。
  # 因为排除型字符组必须匹配一个字符，如果标签内只有一个字符，
  # 与[^/>]匹配后，就没有其它字符可与[^>]匹配了（即匹配0次）
  # 所以[^>]后面需要加上*
  # 后面的[^/>]保证不会以“/”结尾。
  close tag：</[^>]+>，例如</html>
  # 上述open tag、close tag 都是不带属性值的。
  self-closing tag：<[^>]+/>，例如<img /><br />
  # [^>]表示排除“>”，并不需要写成[^>/]来同时排除“/”，
  # 因为这里匹配的已经是“/>”之前的内容了，不会混淆；
  # 而且，标签内部可以包含“/”（例如作为属性值的网址等）。
 
 
=== 阿拉伯数字 ===
<code>
[0-9]
</code>
=== 电话号码 ===
**7-8位电话号码（不包括区号）**
<code>
[1-9][0-9]{6,7}
</code>
说明:[1-9]表示第1位是0以外的数字。[0-9]{6,7}表示任意数字，长度为6-7位。合计7-8位。
**文本中所有的固定电话号码（不包括区号）**
<code>
(?<![0-9])[1-9][0-9]{6,7}(?<[0-9])
</code>
说明:(?<![0-9])表示之前不是数字，(?![0-9])表示之后不是数字，即仅匹配文本中符合规则的数字串。
**最新手机号码**
[[http://www.jianshu.com/p/e8477fdccbe9 | 最新手机号码正则表达式]]
=== 忽略优先量词（懒惰量词、多次最小匹配） ===
也称为非贪婪表达式。((参考 http://www.runoob.com/regexp/regexp-syntax.html))
**应用示例**
需要匹配<script>标签及其中间的内容，可以使用
  <script type="text/javascript">[\s\S]*</script>
  # 使用[\s\S]，是考虑到如果标签中间的内容存在换行符，也可以匹配
 
但如果文本中同时存在2个或多个<script>标签时，以上表达式会匹配所有的<script>标签，
甚至包含不同<script>标签之间的非Js代码。
这时可以在[\s\S]*后添加?，改为忽略优先量词，做多次最小匹配。
  <script type="text/javascript">[\s\S]*?</script>
  # [\s\S]*?，在匹配过程时，遇到可匹配的字符时，
  # 先尝试跳过（忽略）本部分字符组（即[\s\S]）的匹配，
  # 检查表达式中后续的部分（本例为</script>），能不能匹配，
  # 如果不能，再与本部分字符组匹配。
  # 这样[\s\S]*? 之后的部分（</script>）就会先被匹配，
  # 最后可以得到整个表达式的一个最小匹配。
 
最小匹配可以有多个。在本例中可以准确匹配出多个<script>标签。
=== 常见问题的解决思路  ===
^ 分类      ^ 说明      ^
| 必须出现    | 某些元素必须出现    |
| 可能出现    | 某些元素不出现、出现（长度不固定，或者限定为某几个元素中的一个）|
| 不能出现    | 某些元素不能出现    |
== 起源 ==
>最后,为了尊重传统教科书的习惯,附上正则表达式的“科班史”((余晟《正则指引》“引子”P5))：
>正则表达式发源于与计算机密切相关的两个领域：计算理论和形式语言。20世纪40年代，两位神经生理学家Warren McCulloch和 Walter Pitts研究出一种数学方式来描述神经网络的办法，它们把神经系统中的神经元描述成小而简单的自动控制单元。1956年，数学家Stephen Cole Kleene在他们研究的基础上，发表了一篇名为“神经网事件的表示法”的论文，在其中，他采用了一些称之为“正则集合（regular set）”的数学符号来描述神经网络模型。
>之后，UNIX的主要发明人Ken Thompson将这个符号系统引入了文本编辑器QED（意思是“在文本中搜索某种模式”），正则表达式由此也进入了计算机世界。随后Ken Thompson又将正则表达式引入了UNX下的文本编辑器ed，ed最终演化为大家熟悉的grep(grep得名自ed编辑器中的正则表达式搜索命令g/re/p，其中的re表示“正则表达式”)。
== 参考资料 ==
《正则指引》，余晟，2012，电子工业出版社

2019年1月24日 (四) 09:28的最新版本


在线正则表达式测试工具

http://tool.oschina.net/regex/

https://tool.lu/regex/

教程

正则表达式30分钟入门教程 http://deerchao.net/tutorials/regex/regex.htm

正则表达式中中括号的三种用途 [] - baidu_24545901的博客 - CSDN博客 https://blog.csdn.net/baidu_24545901/article/details/78836784

正则表达式 AABB_百度搜索

https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&tn=87048150_dg&wd=%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F%20%20AABB&oq=%25E6%25AD%25A3%25E5%2588%2599%25E8%25A1%25A8%25E8%25BE%25BE%25E5%25BC%258F%2520AABB%2520(%255B%255Cu4e00-%255Cu9fa5%255D)%255C1&rsv_pq=9fa753e000004272&rsv_t=77e91FkZzH%2FjWPIFMZoiSQqKaVZhAVe%2BJVs0mwwcwdsWqOk%2FBwTFyTx51sC%2BeyWNCBQ&rqlang=cn&rsv_enter=1&inputT=255&rsv_sug3=24&rsv_sug2=0&rsv_sug4=1159


MySQL 正则

MySQL 仅支持很有限的一部分正则表达式

mysql regexp用法 - George_sz - 博客园 https://www.cnblogs.com/qiaoyihang/p/6166163.html

正则表达式基本语法

字符组

列出全部元素 

 [0123456789]

列出元素范围 >码值小的字符在前 

 [0-9]：数字
 [a-f]：英文字母表前6个
    • 并列多个元素范围**
 [A-Za-z]：大小写英文字母
 [0-9a-zA-Z]：数字及大写英文字母
 [0-9a-fA-F]：十六进制字符

注意，用[A-z]表示英文字母是错误的，会包括几个其它字符。((参考 http://blog.csdn.net/paiooo/article/details/7037403))

    • 整体匹配**
 # 在开头加^，结尾加$
 ^[0-9]$：仅能匹配单个数字（2 => True， 12 => False）
 # 比较：
 [0-9]：只要包含数字就能匹配（2 => True， 12 => True，A1 => True， 2A => True）
    • 排除型字符组**
 [^0-9]：匹配一个非数字
 # 注意，是匹配表达式以外的其它字符，不是不匹配。
 # 对应位置上要有匹配的字符，整个表达式才成立。
 [^0-9][0-9]：匹配一个非数字紧跟一个数字
 例：8 => False，18 => False， A8 => True

排除型字符组只能排除一个字符，不能排除组合。((余晟《正则指引》P27 L9)) 

 # [^ab]：排除的是a或b，不是排除ab
    • 字符组简记法（缩写）**
 \d：等价于[0-9]，匹配数字（Digit）
 \w：相当于[0-9a-zA-Z]，匹配单词（Word）及数字
 # \w 也匹配数字和下划线_
 # 只需要匹配数字和英文字母时，应使用[0-9a-zA-Z]
 \s：表示空白字符（Space）
 # 可以匹配空格、制表符、回车符、换行符等各类打印时空白的字符

对应的排除型字符组为大写字母形式： 

 \D：匹配非数字
 \W：匹配非英文字母、非数字、非下划线  
 \S：匹配任何打印时不为空白的字符

以上两类的组合可以匹配任何字符： 

 [\d\D]、[\w\W]、[\s\S]

注意，点号.并不能同样匹配任意字符，在默认情况下点号是不匹配换行符的。((余晟《正则指引》P84))

    • 字符组集合运算**
 # 取差集（C#写法）
 [a-z-[aeiou]]：非元音字母
 # 第一个- 是元字符，表示范围，第二个- 是减号。

量词

量词是用于确定匹配次数的表达式。

数字形式

    • 具体次数**
 {n}：匹配n次
    • 次数范围**
 {m,n}：匹配m到n次，m可以为0。
 {m,}：匹配m到无限次。

字符形式

  • ：等价于{0,}，匹配任意次数。

+：等价于{1,}，至少匹配1次。 ?：等价于{0,1}，最多匹配1次。


点号

点号. 是一个特殊的元字符，可以匹配除换行符\n 以外的任意字符。 如果要匹配换行符，可以使用单行匹配模式或“自制”通配字符组（[\s\S]等）。

正则表达式实例

    • 匹配HTML标签**
 <[^>]+>
 # 开头的“<”对应标签开头，结尾的“>”对应标签结尾
 # 中间的[^>]+表示“<”之后，不是“>”的（至少1个）任意字符，即标签<>内的全部字符。

提醒：开始标签、结束标签，与标签开头、标签结尾是不同的概念。

    • 匹配双引号**
 "[^"]*"
 # 开头、结尾的"，对应成对的双引号。
 # 中间的[^"]*表示双引号之间，不是双引号的（可以为空的）任意字符，即双引号所引的内容。
    • 分类各类标签（Tag）**
 所有Tag： <[^>]+>
 open tag：<[^/>][^>]*[^/]>，例如
  # 第1个[^/>]表示，在标签内部，排除结束标签才有的“/”，[^>]表示“>”以外的其它字符。
  # 因为排除型字符组必须匹配一个字符，如果标签内只有一个字符，
  # 与[^/>]匹配后，就没有其它字符可与[^>]匹配了（即匹配0次）
  # 所以[^>]后面需要加上* 
  # 后面的[^/>]保证不会以“/”结尾。
  close tag：]+>，例如
 # 上述open tag、close tag 都是不带属性值的。
 self-closing tag：<[^>]+/>，例如<img />

 # [^>]表示排除“>”，并不需要写成[^>/]来同时排除“/”，
 # 因为这里匹配的已经是“/>”之前的内容了，不会混淆；
 # 而且，标签内部可以包含“/”（例如作为属性值的网址等）。

阿拉伯数字

[0-9]

电话号码

    • 7-8位电话号码（不包括区号）**

[1-9][0-9]{6,7} 说明:[1-9]表示第1位是0以外的数字。[0-9]{6,7}表示任意数字，长度为6-7位。合计7-8位。

    • 文本中所有的固定电话号码（不包括区号）**

(?<![0-9])[1-9][0-9]{6,7}(?<[0-9]) 说明:(?<![0-9])表示之前不是数字，(?![0-9])表示之后不是数字，即仅匹配文本中符合规则的数字串。

    • 最新手机号码**

[| 最新手机号码正则表达式]

忽略优先量词（懒惰量词、多次最小匹配）

也称为非贪婪表达式。((参考 http://www.runoob.com/regexp/regexp-syntax.html))

    • 应用示例**

需要匹配<script>标签及其中间的内容，可以使用 

 <script type="text/javascript">[\s\S]*</script>
 # 使用[\s\S]，是考虑到如果标签中间的内容存在换行符，也可以匹配

但如果文本中同时存在2个或多个<script>标签时，以上表达式会匹配所有的<script>标签， 甚至包含不同<script>标签之间的非Js代码。

这时可以在[\s\S]*后添加?，改为忽略优先量词，做多次最小匹配。 

 <script type="text/javascript">[\s\S]*?</script>
 # [\s\S]*?，在匹配过程时，遇到可匹配的字符时，
 # 先尝试跳过（忽略）本部分字符组（即[\s\S]）的匹配，
 # 检查表达式中后续的部分（本例为</script>），能不能匹配，
 # 如果不能，再与本部分字符组匹配。
 # 这样[\s\S]*? 之后的部分（</script>）就会先被匹配，
 # 最后可以得到整个表达式的一个最小匹配。

最小匹配可以有多个。在本例中可以准确匹配出多个<script>标签。

常见问题的解决思路

^ 分类 ^ 说明 ^ | 必须出现 | 某些元素必须出现 | | 可能出现 | 某些元素不出现、出现（长度不固定，或者限定为某几个元素中的一个）| | 不能出现 | 某些元素不能出现 |


起源

>最后,为了尊重传统教科书的习惯,附上正则表达式的“科班史”((余晟《正则指引》“引子”P5))：

>正则表达式发源于与计算机密切相关的两个领域：计算理论和形式语言。20世纪40年代，两位神经生理学家Warren McCulloch和 Walter Pitts研究出一种数学方式来描述神经网络的办法，它们把神经系统中的神经元描述成小而简单的自动控制单元。1956年，数学家Stephen Cole Kleene在他们研究的基础上，发表了一篇名为“神经网事件的表示法”的论文，在其中，他采用了一些称之为“正则集合（regular set）”的数学符号来描述神经网络模型。

>之后，UNIX的主要发明人Ken Thompson将这个符号系统引入了文本编辑器QED（意思是“在文本中搜索某种模式”），正则表达式由此也进入了计算机世界。随后Ken Thompson又将正则表达式引入了UNX下的文本编辑器ed，ed最终演化为大家熟悉的grep(grep得名自ed编辑器中的正则表达式搜索命令g/re/p，其中的re表示“正则表达式”)。

参考资料

《正则指引》，余晟，2012，电子工业出版社

取自“http://wiki.hanyu123.cn/index.php?title=正则表达式&oldid=8242”