正则表达式-常用构造子列表

摘要: 对正则表达式中常用的构造子列表进行整理。正则表达式的完整构造子列表，请参考JDK文档java.util.regex包中的Pattern类。

字符

表示单个字符。例如a，它将匹配字符串中第一次出现的字符a；它也可以匹配第二个 a，这必须是你告诉正则表达式引擎从第一次匹配的地方开始搜索。

可以使用特殊字符序列代表某些不可显示字符。

构造	匹配
B	字符B
\xhh	十六进制值为oxhh的字符
\uhhhh	十六进制值为oxhhhh的Unicode字符
\t	制表符Tab：(‘\u0009’)
\r	回车符：(‘\u000D’)
\n	换行符：(‘\u000A’)
\f	换页符：(‘\u000C’)
\e	转义符（Escape）：(‘\u001B’)

字符集

字符集是由一对括号[]括起来的字符集合。使用字符集，可以告诉正则表达式引擎仅仅匹配多个字符中的一个。

字符集可以出现在其它字符集中，并且可以包含并集运算符（隐式）和交集运算符 (&&)。

构造	匹配
[abc]	a、b或c（等效于a|b|c）
[^abc]	除了a、b或c的任何字符（否定）
[a-zA-Z]	a到z或A到Z的任何字符（范围）
[abc[hij]]	a、b、c、h、i或j，等效于a|b|c|h|i|j（并集）
[a-z&&[hij]]	h、i或j（交集）

并集和交集的应用示例如下：

[a-c[h-j]]

a到c或h到j的任何字符（并）

[a-z&&[^hij]]

a到z，除了h、i、j（减去），等效于[a-gk-z]

[a-z&&[^h-j]]

a到z，而非h到j（减去），等效于[a-gk-z]

预定义字符集

预定义字符集可以用在方括号之内或之外。

例如\s\d匹配一个空白符后面紧跟一个数字；[\s\d]匹配单个空白符或数字。

构造	匹配
\d	数字：[0-9]
\D	非数字：[^0-9]
\s	空白字符：空格、制表、回车、换行、换页
\S	非空白字符：[^\s]
\w	单词字符：[a-zA-Z_0-9]
\W	非单词字符：[^\w]

边界匹配符

构造	匹配
^	输入序列的开始 当启用多行模式后，还可以匹配行的开始
$	输入序列的结尾 当启用多行模式后，还可以匹配行的结尾
\b	单词边界 \b匹配的是位置，这种匹配是0长度的 \b匹配一个“字母数字下划线”序列的开始和结束位置，在开始位置前面的字符或结束位置后面的字符不能是字母、数字或下划线
\B	非单词边界：[^\b] \B匹配的位置是两个“单词字符”之间或两个“非单词字符”之间的位置
\G	上一个匹配的结尾

逻辑操作符

构造	匹配
XY	X后跟Y
X|Y	X或Y 匹配分支条件时，将会从左到右地测试每个条件，如果满足了某个分支的话，就不会去再管其它的条件了。例如\d{5}|\d{5}-\d{4}，只会匹配5位数字以及9位数字的前5位
(X)	捕获组（capturing group）。可以在表达式中用\i引用第i个捕获组

量词

量词描述了一个模式吸收输入文本的模式。

贪婪型：量词总是贪婪的，除非有其它的选项被设置。贪婪表达式会为所有可能的模式发现尽可能多的匹配。

懒惰型：懒惰型表达式匹配满足模式所需的最少字符数。

占有型：目前，占有型量词只在Java语言中可用。当正则表达式被应用于字符串时，它会产生相当多的状态，以便在匹配失败时可以回溯。而占有型量词并不保存这些中间状态，因此它可以防止回溯。它们常常用来防止正则表达式失控，因此可以使正则表达式执行起来更有效。

贪婪型	懒惰型	占有型	如何匹配
X?	X??	X?+	0次或1次X（等效于X{0,1}） 事实上表示前导字符是可选的
X*	X*?	X*+	0次或多次X（等效于X{0,} ） 事实上表示前导字符可以出现任意次数
X+	X+?	X++	1次或多次X（等效于X{1,} ） 事实上表示前导字符至少重现1次
X{n}	X{n}?	X{n}+	恰好n次X
X{n,}	X{n,}?	X{n,}+	至少n次X
X{n,m}	X{n,m}?	X{n,m}+	X至少n次，且不超过m次

量词的贪婪性

量词?+*会导致正则表达式引擎尽可能的重复前导字符。只有当这种重复会引起整个正则表达式匹配失败的情况下，引擎会进行回溯。也就是说，它会放弃最后一次的“重复”，然后处理正则表达式余下的部分。

例如，用一个正则表达式匹配一个HTML标签。

输入字符串为”This is a <EM>first</EM> test”，正则表达式<.+>返回”<EM>first</EM>”。这是因为+是贪婪性的。

让我们来看看正则引擎的处理过程。

正则表达式的第一个符号是“<”，这是一个字符；第二个符号是“.”，匹配了字符“E”；第三个符号是“+”，它可以一直可以匹配后面的字符，直到一行的结束；然后遇到了换行符，匹配失败(“.”不匹配换行符)。于是引擎开始对下一个正则表达式符号进行匹配，也即试图匹配“>”。到目前为止，正则表达式“<.+”已经匹配了“<EM>first</EM> test”。引擎会试图将“>”与换行符进行匹配，结果失败了。于是引擎进行回溯，“<.+”匹配“<EM>first</EM> tes”，于是引擎将“>”与“t”进行匹配，显然还是会失败。这个过程继续，直到“<.+”匹配“<EM>first</EM”，“>”与“>”匹配。最后引擎找到了一个匹配的部分“<EM>first</EM>”。

因为正则导向的引擎是“急切的”，所以它会急着报告它找到的第一个匹配。而不是继续回溯，即使可能会有更好的匹配，例如“<EM>”。所以由于“+”的贪婪性，使得引擎返回了一个最长的匹配。

可以使用下列方式来解决量词的贪婪性带来的问题。

用懒惰性取代贪婪性。

输入字符串为”This is a <EM>first</EM> test”，正则表达式<.+?>返回”<EM>”。

让我们再来看看正则引擎的处理过程。

正则表达式符号“<”会匹配素如字符串的第一个“<”。下一个正则符号是“.”。这次是一个懒惰的“+?”来重复上一个字符，它会尽可能少的重复上一个字符。因此引擎匹配“.”和字符“E”，然后用“>”匹配“M”，结果失败了。引擎会进行回溯，和上一个例子不同，因为是惰性重复，所以引擎是扩展惰性重复而不是减少；于是“<.+”现在被扩展为“<EM”。引擎继续匹配下一个符号“>”。这次得到了一个成功匹配。引擎于是报告“<EM>”是一个成功的匹配。

惰性扩展的一个替代方案。

输入字符串为”This is a <EM>first</EM> test”，正则表达式<[^>]+>返回”<EM>”。

这是一个更好的替代方案。可以用一个贪婪重复与一个取反字符集<[^>]+>。之所以说这是一个更好的方案在于使用惰性重复时，引擎会在找到一个成功匹配前对每一个字符进行回溯。而使用取反字符集则不需要进行回溯。