正则表达式精华(包涵常用经典方法)
2015-06-27 01:41
183 查看
(?<=\('Anchors', ')(?<asdf>\w+)(?=', 'TOP'\))
(?<=\>)(.*?)(?=\<)
(?<content>[\s\S]*?)
(?<desc>[^']+)
(.*?)
---------------------------------------------------------------------------
\n\r
\r\n
(\r\n)*
(\n\r)*
正则表达式 查询空白行。
先查询回车符,在查询换行符,相反,先查询换行符,在查询回车符,*你直接理解为遍历文件内所有信息吧。
-----------------------------------------------------------------------------
基于正则表达式DEELX 正则表达式引擎
//提取网址
([a-zA-z]+://|www.)[^\u4e00-\u9fa5\s"<>]+
//高级提取网址
[a-zA-z]+://[^\s\u4e00-\u9fa5<>"]*|[^\s\u4e00-\u9fa5<>"]*(\.cn|\.net|\.org|\.cc|\.info|\.name|\.top|\.ren|\.xyz|\.wang|\.pw|\.tw|\.hk|\.com)
//空行及行的首尾空
<[\s\S]+?><#sm#>^[ \t]*$(\r\n|\r|\n)|^[ \t]+|[ \t]+$
//空
^[ \t]*$(\r\n|\r|\n)
//表标准换行
\r(?!\n)|(?<!\r)\n
//行的首尾空
|^[ \t]+|[ \t]+$
//只7位数字
(?<!\d)\d{7}(?!\d)
//HTML标签
<[\s\S]+?>
//HTML注释
<!--[^\r\n]*?-->|/\*[\s\S]*?\*/
//HTML杂标签范围
<input[^<]*>|<head[\s\S]*?>[\s\S]*?/head>|<button[\s\S]*?>[\s\S]*?/button>|<select[\s\S]*?>[\s\S]*?/select>|<script[\s\S]*?>[\s\S]*?/script>|<style[\s\S]*?>[\s\S]*?/style>|<object[\s\S]*?>[\s\S]*?/object>
//锚文本代码
<a[\s\S]+?>[\s\S]+?/a>
//锚文本的连接代码
<a[\s\S]+?>|</a>
//空字符注意后面后空格符号在|后面
\s|
//非数字字母
[^\w\-\,\.]
//非中文数字字母
[^\u4e00-\u9fa5a-zA-Z]
【常规表达式】
//匹配HTML标记
<(\S*?)[^>]*>.*?</\1>|<.*? />
//匹配连接地址
href *= *['"]*(\S+)["']
//匹配连接地址以及标题
\<a href *= *['"]*(\S+)["'].*\>(.[^\<]*)?\</a>
//匹配网址URL
[a-zA-z]+://[^\s"<>]*
//简单的IP匹配方式
\d+\.\d+\.\d+\.\d+
//匹配EMAIL
\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
//匹配图片引用地址
\<img.*src *= *['"]*(\S+)["'].*\>
//匹配帐号是否合法
^[a-zA-Z][a-zA-Z0-9_]{4,15}$
//国内电话号码
\d{3}-\d{8}|\d{4}-\d{7}
//匹配腾讯QQ
[1-9][0-9]{4,}
//匹配中国邮政
[1-9]\d{5}(?!\d)
//匹配身份证
\d{15}|\d{18}
//匹配中文字符
[\u4e00-\u9fa5]
//匹配双字节字符
[^\x00-\xff]
//匹配空白行
\n\s*\r
//匹配首尾行
^\s*|\s*$
//匹配多行文本
开头([\s\S]*?)结尾
//匹配26字符英文单词
^[A-Za-z]+$
//匹配26字母大写英文单词
^[A-Z]+$
//匹配26字母小写英文单词
^[a-z]+$
//匹配包涵数字的26字母
^[A-Za-z0-9]+$
//匹配英文单词(包涵数字)
^\w+$
【数字】
//匹配正整数
^[1-9]\d*$
//匹配负整数
^-[1-9]\d*$
//匹配整数
^-?[1-9]\d*$
//匹配非负整数(正整数)
^-?[1-9]\d*$
//匹配非正整数(负整数)
^-[1-9]\d*|0$
//匹配正浮点数
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$
//匹配负浮点数
^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$
//匹配浮点数
^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$
//匹配非负浮点数(正浮点数)
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$
//匹配非正浮点数(负浮点数)
^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$
为行文方便,先定义两个概念。
误匹配:指正则表达式所匹配的内容范围超出了所需要范围,有些文本明明不符合要求,但是被所写的正则式“击中了”。例如,如果使用\d{11}来匹配11位的手机号,\d{11}不单能匹配正确的手机号,它还会匹配98765432100这样的明显不是手机号的字符串。我们把这样的匹配称之为误匹配。
漏匹配:指正则表达式所匹配的内容所规定的范围太狭窄,有些文本确实是所需要的,但是所写的正则没有将这种情况囊括在内。例如,使用\d{18}来匹配18位的身份证号码,就会漏掉结尾是字母X的情况。
写出一条正则表达式,既可能只出现误匹配(条件写得极宽松,其范围大于目标文本),也可能只出现漏匹配(只描述了目标文本中多种情况种的一种),还可能既有误匹配又有漏匹配。例如,使用\w+\.com来匹配.com结尾的域名,既会误匹配abc_.com这样的字串(合法的域名中不含下划线,\w包含了下划线这种情况),又会漏掉ab-c.com这样的域名(合法域名中可以含中划线,但是\w不匹配中划线)。
精准的正则表达式意味着既无误匹配且无漏匹配。当然,现实中存在这样的情况:只能看到有限数量的文本,根据这些文本写规则,但是这些规则将会用到海量的文本中。这种情况下,尽可能地(如果不是完全地)消除误匹配以及漏匹配,并提升运行效率,就是我们的目标。本文所提出的经验,主要是针对这种情况。
掌握语法细节。正则表达式在各种语言中,其语法大致相同,细节各有千秋。明确所使用语言的正则的语法的细节,是写出正确、高效正则表达式的基础。例如,perl中与\w等效的匹配范围是[a-zA-Z0-9_];perl正则式不支持肯定逆序环视中使用可变的重复(variable repetition inside lookbehind,例如(?<=.*)abc),但是.Net语法是支持这一特性的;又如,JavaScript连逆序环视(Lookbehind,如(?<=ab)c)都不支持,而perl和python是支持的。《精通正则表达式》第3章《正则表达式的特性和流派概览》明确地列出了各大派系正则的异同,这篇文章也简要地列出了几种常用语言、工具中正则的比较。对于具体使用者而言,至少应该详细了解正在使用的那种工作语言里正则的语法细节。
先粗后精,先加后减。使用正则表达式语法对于目标文本进行描述和界定,可以像画素描一样,先大致勾勒出框架,再逐步在局步实现细节。仍举刚才的手机号的例子,先界定\d{11},总不会错;再细化为1[358]\d{9},就向前迈了一大步(至于第二位是不是3、5、8,这里无意深究,只举这样一个例子,说明逐步细化的过程)。这样做的目的是先消除漏匹配(刚开始先尽可能多地匹配,做加法),然后再一点一点地消除误匹配(做减法)。这样有先有后,在考虑时才不易出错,从而向“不误不漏”这个目标迈进。
留有余地。所能看到的文本sample是有限的,而待匹配检验的文本是海量的,暂时不可见的。对于这样的情况,在写正则表达式时要跳出所能见到的文本的圈子,开拓思路,作出“战略性前瞻”。例如,经常收到这样的垃圾短信:“发*票”、“发#漂”。如果要写规则屏蔽这样烦人的垃圾短信,不但要能写出可以匹配当前文本的正则表达式 发[*#](?:票|漂),还要能够想到 发.(?:票|漂|飘)之类可能出现的“变种”。这在具体的领域或许会有针对性的规则,不多言。这样做的目的是消除漏匹配,延长正则表达式的生命周期。
明确。具体说来,就是谨慎用点号这样的元字符,尽可能不用星号和加号这样的任意量词。只要能确定范围的,例如\w,就不要用点号;只要能够预测重复次数的,就不要用任意量词。例如,写析取twitter消息的脚本,假设一条消息的xml正文部分结构是<span class=”msg”>…</span>且正文中无尖括号,那么<span class=”msg”>[^<]{1,480}</span>这种写法的思路要好于<span class=”msg”>.*</span>,原因有二:一是使用[^<],它保证了文本的范围不会超出下一个小于号所在的位置;二是明确长度范围,{1,480},其依据是一条twitter消息大致能的字符长度范围。当然,480这个长度是否正确还可推敲,但是这种思路是值得借鉴的。说得狠一点,“滥用点号、星号和加号是不环保、不负责任的做法”。
不要让稻草压死骆驼。每使用一个普通括号()而不是非捕获型括号(?:…),就会保留一部分内存等着你再次访问。这样的正则表达式、无限次地运行次数,无异于一根根稻草的堆加,终于能将骆驼压死。养成合理使用(?:…)括号的习惯。
宁简勿繁。将一条复杂的正则表达式拆分为两条或多条简单的正则表达式,编程难度会降低,运行效率会提升。例如用来消除行首和行尾空白字符的正则表达式s/^\s+|\s+$//g;,其运行效率理论上要低于s/^\s+//g; s/\s+$//g; 。这个例子出自《精通正则表达式》第五章,书中对它的评论是“它几乎总是最快的,而且显然最容易理解”。既快又容易理解,何乐而不为?工作中我们还有其它的理由要将C==(A|B)这样的正则表达式拆为A和B两条表达式分别执行。例如,虽然A和B这两种情况只要有一种能够击中所需要的文本模式就会成功匹配,但是如果只要有一条子表达式(例如A)会产生误匹配,那么不论其它的子表达式(例如B)效率如何之高,范围如何精准,C的总体精准度也会因A而受到影响。
巧妙定位。有时候,我们需要匹配的the,是作为单词的the(两边有空格),而不是作为单词一部分的t-h-e的有序排列(例如together中的the)。在适当的时候用上^,$,\b等等定位锚点,能有效提升找到成功匹配、淘汰不成功匹配的效率。
(?<=\>)(.*?)(?=\<)
(?<content>[\s\S]*?)
(?<desc>[^']+)
(.*?)
---------------------------------------------------------------------------
\n\r
\r\n
(\r\n)*
(\n\r)*
正则表达式 查询空白行。
先查询回车符,在查询换行符,相反,先查询换行符,在查询回车符,*你直接理解为遍历文件内所有信息吧。
-----------------------------------------------------------------------------
基于正则表达式DEELX 正则表达式引擎
//提取网址
([a-zA-z]+://|www.)[^\u4e00-\u9fa5\s"<>]+
//高级提取网址
[a-zA-z]+://[^\s\u4e00-\u9fa5<>"]*|[^\s\u4e00-\u9fa5<>"]*(\.cn|\.net|\.org|\.cc|\.info|\.name|\.top|\.ren|\.xyz|\.wang|\.pw|\.tw|\.hk|\.com)
//空行及行的首尾空
<[\s\S]+?><#sm#>^[ \t]*$(\r\n|\r|\n)|^[ \t]+|[ \t]+$
//空
^[ \t]*$(\r\n|\r|\n)
//表标准换行
\r(?!\n)|(?<!\r)\n
//行的首尾空
|^[ \t]+|[ \t]+$
//只7位数字
(?<!\d)\d{7}(?!\d)
//HTML标签
<[\s\S]+?>
//HTML注释
<!--[^\r\n]*?-->|/\*[\s\S]*?\*/
//HTML杂标签范围
<input[^<]*>|<head[\s\S]*?>[\s\S]*?/head>|<button[\s\S]*?>[\s\S]*?/button>|<select[\s\S]*?>[\s\S]*?/select>|<script[\s\S]*?>[\s\S]*?/script>|<style[\s\S]*?>[\s\S]*?/style>|<object[\s\S]*?>[\s\S]*?/object>
//锚文本代码
<a[\s\S]+?>[\s\S]+?/a>
//锚文本的连接代码
<a[\s\S]+?>|</a>
//空字符注意后面后空格符号在|后面
\s|
//非数字字母
[^\w\-\,\.]
//非中文数字字母
[^\u4e00-\u9fa5a-zA-Z]
【常规表达式】
//匹配HTML标记
<(\S*?)[^>]*>.*?</\1>|<.*? />
//匹配连接地址
href *= *['"]*(\S+)["']
//匹配连接地址以及标题
\<a href *= *['"]*(\S+)["'].*\>(.[^\<]*)?\</a>
//匹配网址URL
[a-zA-z]+://[^\s"<>]*
//简单的IP匹配方式
\d+\.\d+\.\d+\.\d+
//匹配EMAIL
\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
//匹配图片引用地址
\<img.*src *= *['"]*(\S+)["'].*\>
//匹配帐号是否合法
^[a-zA-Z][a-zA-Z0-9_]{4,15}$
//国内电话号码
\d{3}-\d{8}|\d{4}-\d{7}
//匹配腾讯QQ
[1-9][0-9]{4,}
//匹配中国邮政
[1-9]\d{5}(?!\d)
//匹配身份证
\d{15}|\d{18}
//匹配中文字符
[\u4e00-\u9fa5]
//匹配双字节字符
[^\x00-\xff]
//匹配空白行
\n\s*\r
//匹配首尾行
^\s*|\s*$
//匹配多行文本
开头([\s\S]*?)结尾
//匹配26字符英文单词
^[A-Za-z]+$
//匹配26字母大写英文单词
^[A-Z]+$
//匹配26字母小写英文单词
^[a-z]+$
//匹配包涵数字的26字母
^[A-Za-z0-9]+$
//匹配英文单词(包涵数字)
^\w+$
【数字】
//匹配正整数
^[1-9]\d*$
//匹配负整数
^-[1-9]\d*$
//匹配整数
^-?[1-9]\d*$
//匹配非负整数(正整数)
^-?[1-9]\d*$
//匹配非正整数(负整数)
^-[1-9]\d*|0$
//匹配正浮点数
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$
//匹配负浮点数
^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$
//匹配浮点数
^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$
//匹配非负浮点数(正浮点数)
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$
//匹配非正浮点数(负浮点数)
^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$
字符 | 描述 |
---|---|
\ | 将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。例如,“n"匹配字符" n"。" \n"匹配一个换行符。串行" \\"匹配" \"而" \("则匹配" ("。 |
^ | 匹配输入字符串的开始位置。如果设置了RegExp对象的Multiline属性,^也匹配“\n"或" \r"之后的位置。 |
$ | 匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性,$也匹配“\n"或" \r"之前的位置。 |
* | 匹配前面的子表达式零次或多次。例如,zo*能匹配“z"以及" zoo"。*等价于{0,}。 |
+ | 匹配前面的子表达式一次或多次。例如,“zo+"能匹配" zo"以及" zoo",但不能匹配" z"。+等价于{1,}。 |
? | 匹配前面的子表达式零次或一次。例如,“do(es)?"可以匹配" does"或" does"中的" do"。?等价于{0,1}。 |
{n} | n是一个非负整数。匹配确定的n次。例如,“o{2}"不能匹配" Bob"中的" o",但是能匹配" food"中的两个o。 |
{n,} | n是一个非负整数。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,}"等价于" o+"。" o{0,}"则等价于" o*"。 |
{n,m} | m和n均为非负整数,其中n<=m。最少匹配n次且最多匹配m次。例如,“o{1,3}"将匹配" fooooood"中的前三个o。" o{0,1}"等价于" o?"。请注意在逗号和两个数之间不能有空格。 |
? | 当该字符紧跟在任何一个其他限制符(*,+,?,{n},{n,},{n,m})后面时,匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串,而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如,对于字符串“oooo"," o+?"将匹配单个" o",而" o+"将匹配所有" o"。 |
. | 匹配除“\ n"之外的任何单个字符。要匹配包括" \ n"在内的任何字符,请使用像" (.|\n)"的模式。 |
(pattern) | 匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到,在VBScript中使用SubMatches集合,在JScript中则使用$0…$9属性。要匹配圆括号字符,请使用“\("或" \)"。 |
(?:pattern) | 匹配pattern但不获取匹配结果,也就是说这是一个非获取匹配,不进行存储供以后使用。这在使用或字符“(|)"来组合一个模式的各个部分是很有用。例如" industr(?:y|ies)"就是一个比" industry|industries"更简略的表达式。 |
(?=pattern) | 正向肯定预查,在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如,“Windows(?=95|98|NT|2000)"能匹配" Windows2000"中的" Windows",但不能匹配" Windows3.1"中的" Windows"。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始。 |
(?!pattern) | 正向否定预查,在任何不匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如“Windows(?!95|98|NT|2000)"能匹配" Windows3.1"中的" Windows",但不能匹配" Windows2000"中的" Windows"。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始 |
(?<=pattern) | 反向肯定预查,与正向肯定预查类拟,只是方向相反。例如,“(?<=95|98|NT|2000)Windows"能匹配" 2000Windows"中的" Windows",但不能匹配" 3.1Windows"中的" Windows"。 |
(?<!pattern) | 反向否定预查,与正向否定预查类拟,只是方向相反。例如“(?<!95|98|NT|2000)Windows"能匹配" 3.1Windows"中的" Windows",但不能匹配" 2000Windows"中的" Windows"。 |
x|y | 匹配x或y。例如,“z|food"能匹配" z"或" food"。" (z|f)ood"则匹配" zood"或" food"。 |
[xyz] | 字符集合。匹配所包含的任意一个字符。例如,“[abc]"可以匹配" plain"中的" a"。 |
[^xyz] | 负值字符集合。匹配未包含的任意字符。例如,“[^abc]"可以匹配" plain"中的" p"。 |
[a-z] | 字符范围。匹配指定范围内的任意字符。例如,“[a-z]"可以匹配" a"到" z"范围内的任意小写字母字符。 |
[^a-z] | 负值字符范围。匹配任何不在指定范围内的任意字符。例如,“[^a-z]"可以匹配任何不在" a"到" z"范围内的任意字符。 |
\b | 匹配一个单词边界,也就是指单词和空格间的位置。例如,“er\b"可以匹配" never"中的" er",但不能匹配" verb"中的" er"。 |
\B | 匹配非单词边界。“er\B"能匹配" verb"中的" er",但不能匹配" never"中的" er"。 |
\cx | 匹配由x指明的控制字符。例如,\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则,将c视为一个原义的“c"字符。 |
\d | 匹配一个数字字符。等价于[0-9]。 |
\D | 匹配一个非数字字符。等价于[^0-9]。 |
\f | 匹配一个换页符。等价于\x0c和\cL。 |
\n | 匹配一个换行符。等价于\x0a和\cJ。 |
\r | 匹配一个回车符。等价于\x0d和\cM。 |
\s | 匹配任何空白字符,包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。 |
\S | 匹配任何非空白字符。等价于[^ \f\n\r\t\v]。 |
\t | 匹配一个制表符。等价于\x09和\cI。 |
\v | 匹配一个垂直制表符。等价于\x0b和\cK。 |
\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-Za-z0-9_]"。 |
\xn | 匹配n,其中n为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如,“\x41"匹配" A"。" \x041"则等价于" \x04&1"。正则表达式中可以使用ASCII编码。. |
\num | 匹配num,其中num是一个正整数。对所获取的匹配的引用。例如,“(.)\1"匹配两个连续的相同字符。 |
\n | 标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式,则n为向后引用。否则,如果n为八进制数字(0-7),则n为一个八进制转义值。 |
\nm | 标识一个八进制转义值或一个向后引用。如果\nm之前至少有nm个获得子表达式,则nm为向后引用。如果\nm之前至少有n个获取,则n为一个后跟文字m的向后引用。如果前面的条件都不满足,若n和m均为八进制数字(0-7),则\nm将匹配八进制转义值nm。 |
\nml | 如果n为八进制数字(0-3),且m和l均为八进制数字(0-7),则匹配八进制转义值nml。 |
\un | 匹配n,其中n是一个用四个十六进制数字表示的Unicode字符。例如,\u00A9匹配版权符号(©)。 |
常用正则表达式
用户名 | /^[a-z0-9_-]{3,16}$/ |
---|---|
密码 | /^[a-z0-9_-]{6,18}$/ |
密码2 | (?=^.{8,}$)(?=.*\d)(?=.*\W+)(?=.*[A-Z])(?=.*[a-z])(?!.*\n).*$ (由数字/大写字母/小写字母/标点符号组成,四种都必有,8位以上) |
十六进制值 | /^#?([a-f0-9]{6}|[a-f0-9]{3})$/ |
电子邮箱 | /^([a-z0-9_\.-]+)@([\da-z\.-]+)\.([a-z\.]{2,6})$/ /^[a-z\d]+(\.[a-z\d]+)*@([\da-z](-[\da-z])?)+(\.{1,2}[a-z]+)+$/或\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)* |
URL | /^(https?:\/\/)?([\da-z\.-]+)\.([a-z\.]{2,6})([\/\w \.-]*)*\/?$/ 或 [a-zA-z]+://[^\s]* |
IP 地址 | /((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)/ /^(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)$/ 或 ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?) |
HTML 标签 | /^<([a-z]+)([^<]+)*(?:>(.*)<\/\1>|\s+\/>)$/或<(.*)(.*)>.*<\/\1>|<(.*) \/> |
删除代码\\注释 | (?<!http:|\S)//.*$ |
匹配双字节字符(包括汉字在内) | [^\x00-\xff] |
汉字(字符) | [\u4e00-\u9fa5] |
Unicode编码中的汉字范围 | /^[\u2E80-\u9FFF]+$/ |
中文及全角标点符号(字符) | [\u3000-\u301e\ufe10-\ufe19\ufe30-\ufe44\ufe50-\ufe6b\uff01-\uffee] |
日期(年-月-日) | (\d{4}|\d{2})-((0?([1-9]))|(1[1|2]))-((0?[1-9])|([12]([1-9]))|(3[0|1])) |
日期(月/日/年) | ((0?[1-9]{1})|(1[1|2]))/(0?[1-9]|([12][1-9])|(3[0|1]))/(\d{4}|\d{2}) |
时间(小时:分钟, 24小时制) | ((1|0?)[0-9]|2[0-3]):([0-5][0-9]) |
中国大陆固定电话号码 | (\d{4}-|\d{3}-)?(\d{8}|\d{7}) |
中国大陆手机号码 | 1\d{10} |
中国大陆邮政编码 | [1-9]\d{5} |
中国大陆身份证号(15位或18位) | \d{15}(\d\d[0-9xX])? |
非负整数(正整数或零) | \d+ |
正整数 | [0-9]*[1-9][0-9]* |
负整数 | -[0-9]*[1-9][0-9]* |
整数 | -?\d+ |
小数 | (-?\d+)(\.\d+)? |
空白行 | \n\s*\r 或者 \n\n(editplus) 或者 ^[\s\S ]*\n |
QQ号码 | [1-9]\d{4,} |
不包含abc的单词 | \b((?!abc)\w)+\b |
匹配首尾空白字符 | ^\s*|\s*$ |
编辑常用 | 以下是针对特殊中文的一些替换(editplus) ^[0-9].*\n ^[^第].*\n ^[习题].*\n ^[\s\S ]*\n ^[0-9]*\. ^[\s\S ]*\n <p[^<>*]> href="javascript:if\(confirm\('(.*?)'\)\)window\.location='(.*?)'" <span style=".[^"]*rgb\(255,255,255\)">.[^<>]*</span> <DIV class="xs0">[\s\S]*?</DIV> |
如何写出高效率的正则表达式
如果纯粹是为了挑战自己的正则水平,用来实现一些特效(例如使用正则表达式计算质数、解线性方程),效率不是问题;如果所写的正则表达式只是为了满足一两次、几十次的运行,优化与否区别也不太大。但是,如果所写的正则表达式会百万次、千万次地运行,效率就是很大的问题了。我这里总结了几条提升正则表达式运行效率的经验(工作中学到的,看书学来的,自己的体会),贴在这里。如果您有其它的经验而这里没有提及,欢迎赐教。为行文方便,先定义两个概念。
误匹配:指正则表达式所匹配的内容范围超出了所需要范围,有些文本明明不符合要求,但是被所写的正则式“击中了”。例如,如果使用\d{11}来匹配11位的手机号,\d{11}不单能匹配正确的手机号,它还会匹配98765432100这样的明显不是手机号的字符串。我们把这样的匹配称之为误匹配。
漏匹配:指正则表达式所匹配的内容所规定的范围太狭窄,有些文本确实是所需要的,但是所写的正则没有将这种情况囊括在内。例如,使用\d{18}来匹配18位的身份证号码,就会漏掉结尾是字母X的情况。
写出一条正则表达式,既可能只出现误匹配(条件写得极宽松,其范围大于目标文本),也可能只出现漏匹配(只描述了目标文本中多种情况种的一种),还可能既有误匹配又有漏匹配。例如,使用\w+\.com来匹配.com结尾的域名,既会误匹配abc_.com这样的字串(合法的域名中不含下划线,\w包含了下划线这种情况),又会漏掉ab-c.com这样的域名(合法域名中可以含中划线,但是\w不匹配中划线)。
精准的正则表达式意味着既无误匹配且无漏匹配。当然,现实中存在这样的情况:只能看到有限数量的文本,根据这些文本写规则,但是这些规则将会用到海量的文本中。这种情况下,尽可能地(如果不是完全地)消除误匹配以及漏匹配,并提升运行效率,就是我们的目标。本文所提出的经验,主要是针对这种情况。
掌握语法细节。正则表达式在各种语言中,其语法大致相同,细节各有千秋。明确所使用语言的正则的语法的细节,是写出正确、高效正则表达式的基础。例如,perl中与\w等效的匹配范围是[a-zA-Z0-9_];perl正则式不支持肯定逆序环视中使用可变的重复(variable repetition inside lookbehind,例如(?<=.*)abc),但是.Net语法是支持这一特性的;又如,JavaScript连逆序环视(Lookbehind,如(?<=ab)c)都不支持,而perl和python是支持的。《精通正则表达式》第3章《正则表达式的特性和流派概览》明确地列出了各大派系正则的异同,这篇文章也简要地列出了几种常用语言、工具中正则的比较。对于具体使用者而言,至少应该详细了解正在使用的那种工作语言里正则的语法细节。
先粗后精,先加后减。使用正则表达式语法对于目标文本进行描述和界定,可以像画素描一样,先大致勾勒出框架,再逐步在局步实现细节。仍举刚才的手机号的例子,先界定\d{11},总不会错;再细化为1[358]\d{9},就向前迈了一大步(至于第二位是不是3、5、8,这里无意深究,只举这样一个例子,说明逐步细化的过程)。这样做的目的是先消除漏匹配(刚开始先尽可能多地匹配,做加法),然后再一点一点地消除误匹配(做减法)。这样有先有后,在考虑时才不易出错,从而向“不误不漏”这个目标迈进。
留有余地。所能看到的文本sample是有限的,而待匹配检验的文本是海量的,暂时不可见的。对于这样的情况,在写正则表达式时要跳出所能见到的文本的圈子,开拓思路,作出“战略性前瞻”。例如,经常收到这样的垃圾短信:“发*票”、“发#漂”。如果要写规则屏蔽这样烦人的垃圾短信,不但要能写出可以匹配当前文本的正则表达式 发[*#](?:票|漂),还要能够想到 发.(?:票|漂|飘)之类可能出现的“变种”。这在具体的领域或许会有针对性的规则,不多言。这样做的目的是消除漏匹配,延长正则表达式的生命周期。
明确。具体说来,就是谨慎用点号这样的元字符,尽可能不用星号和加号这样的任意量词。只要能确定范围的,例如\w,就不要用点号;只要能够预测重复次数的,就不要用任意量词。例如,写析取twitter消息的脚本,假设一条消息的xml正文部分结构是<span class=”msg”>…</span>且正文中无尖括号,那么<span class=”msg”>[^<]{1,480}</span>这种写法的思路要好于<span class=”msg”>.*</span>,原因有二:一是使用[^<],它保证了文本的范围不会超出下一个小于号所在的位置;二是明确长度范围,{1,480},其依据是一条twitter消息大致能的字符长度范围。当然,480这个长度是否正确还可推敲,但是这种思路是值得借鉴的。说得狠一点,“滥用点号、星号和加号是不环保、不负责任的做法”。
不要让稻草压死骆驼。每使用一个普通括号()而不是非捕获型括号(?:…),就会保留一部分内存等着你再次访问。这样的正则表达式、无限次地运行次数,无异于一根根稻草的堆加,终于能将骆驼压死。养成合理使用(?:…)括号的习惯。
宁简勿繁。将一条复杂的正则表达式拆分为两条或多条简单的正则表达式,编程难度会降低,运行效率会提升。例如用来消除行首和行尾空白字符的正则表达式s/^\s+|\s+$//g;,其运行效率理论上要低于s/^\s+//g; s/\s+$//g; 。这个例子出自《精通正则表达式》第五章,书中对它的评论是“它几乎总是最快的,而且显然最容易理解”。既快又容易理解,何乐而不为?工作中我们还有其它的理由要将C==(A|B)这样的正则表达式拆为A和B两条表达式分别执行。例如,虽然A和B这两种情况只要有一种能够击中所需要的文本模式就会成功匹配,但是如果只要有一条子表达式(例如A)会产生误匹配,那么不论其它的子表达式(例如B)效率如何之高,范围如何精准,C的总体精准度也会因A而受到影响。
巧妙定位。有时候,我们需要匹配的the,是作为单词的the(两边有空格),而不是作为单词一部分的t-h-e的有序排列(例如together中的the)。在适当的时候用上^,$,\b等等定位锚点,能有效提升找到成功匹配、淘汰不成功匹配的效率。
相关文章推荐
- Android中ListView的几种常见的优化方法
- 使用Volley解析json
- drupal drupal drupal 你家养的猪娃跑了
- Django用自定义cookies 实现登录,注册,退出
- Android的EditText字数检测和限制
- CentOS 6.x 内核升级(2.6.32 -> 3.10.58)过程记录
- 上门洗车APP --- Android客户端开发 之 网络框架封装介绍(二)
- Composer PHP依赖管理的新时代
- Struts2 Hibernate Integration Example Tutorial
- #leetcode#Distinct Subsequences
- 【POJ 1125】Stockbroker Grapevine
- 一个有趣的swap函数
- Android中dp和px之间进行转换
- onkeyup,onkeydown和onkeypress
- C#编写Windows服务程序图文教程
- Best MVC Practices(最优的MVC布局)
- POJ 3268 Silver Cow Party 最短路 基础题
- eclipse黑底背景的设置
- 树莓派+XBMC=电视盒子(by quqi99)
- Java 基础入门随笔(5) JavaSE版——函数重载