深入浅出正则表达式Word格式文档下载.docx
- 文档编号:21062768
- 上传时间:2023-01-27
- 格式:DOCX
- 页数:30
- 大小:41.48KB
深入浅出正则表达式Word格式文档下载.docx
《深入浅出正则表达式Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《深入浅出正则表达式Word格式文档下载.docx(30页珍藏版)》请在冰豆网上搜索。
基础
(摘自《正则表达式之道》)
正则表达式由一些普通字符和一些元字符(metacharacters)组成。
普通字符包括大小写的字母和数字,而元字符则具有特殊的含义,我们下面会给予解释。
在最简单的情况下,一个正则表达式看上去就是一个普通的查找串。
例如,正则表达式"
testing"
中没有包含任何元字符,它可以匹配"
和"
123testing"
等字符串,但是不能匹配"
Testing"
。
要想真正的用好正则表达式,正确的理解元字符是最重要的事情。
下表列出了所有的元字符和对它们的一个简短的描述。
元字符
描述
.点
匹配任何单个字符。
例如正则表达式r.t匹配这些字符串:
rat、rut、rt,但是不匹配root。
$
匹配行结束符。
例如正则表达式weasel$能够匹配字符串"
He'
saweasel"
的末尾
但是不能匹配字符串"
Theyareabunchofweasels."
^
匹配一行的开始。
例如正则表达式^Whenin能够匹配字符串"
Wheninthecourseofhumanevents"
的开始,但是不能匹配"
WhatandWheninthe"
*
匹配0或多个正好在它之前的那个字符。
例如正则表达式.*意味着能够匹配任意数量的任何字符。
比如<
T>
.*<
/T>
可以匹配<
不管是什么<
\
这是引用符,用来将这里列出的这些元字符当作普通的字符来进行匹配。
例如正则表达式\$被用来匹配美元符号,而不是行尾,类似的,正则表达式\.用来匹配点字符,而不是任何字符的通配符。
[]
[c1-c2]
[^c1-c2]
匹配括号中的任何一个字符。
例如正则表达式r[aou]t匹配rat、rot和rut,但是不匹配ret。
可以在括号中使用连字符-来指定字符的区间,例如正则表达式[0-9]可以匹配任何数字字符;
还可以制定多个区间,例如正则表达式[A-Za-z]可以匹配任何大小写字母。
另一个重要的用法是“排除”,要想匹配除了指定区间之外的字符——也就是所谓的补集——在左边的括号和第一个字符之间使用^字符,例如正则表达式[^269A-Z]将匹配除了2、6、9和所有大写字母之外的任何字符。
\<
\>
匹配词(word)的开始(\<
)和结束(\>
)。
例如正则表达式\<
the\>
能够匹配字符串"
forthewise"
中的"
the"
,但是不能匹配字符串"
otherwise"
注意:
这个元字符不是所有的软件都支持的。
\(\)
将\(和\)之间的表达式定义为“组”(group),并且将匹配这个表达式的字符保存到一个临时区域(一个正则表达式中最多可以保存9个),它们可以用\1到\9的符号来引用。
|
将两个匹配条件进行逻辑“或”(Or)运算。
例如正则表达式(him|her)匹配"
itbelongstohim"
itbelongstoher"
,但是不能匹配"
itbelongstothem."
+
匹配1或多个正好在它之前的那个字符。
例如正则表达式9+匹配9、99、999等。
?
匹配0或1个正好在它之前的那个字符。
{i}
{i,j}
匹配指定数目的字符,这些字符是在它之前的表达式定义的。
例如正则表达式A[0-9]{3}能够匹配字符"
A"
后面跟着正好3个数字字符的串,例如A123、A348等,但是不匹配A1234。
而正则表达式[0-9]{4,6}匹配连续的任意4个、5个或者6个数字字符。
最简单的元字符是点,它能够匹配任何单个字符(注意不包括换行符)。
假定有个文件test.txt包含以下几行内容:
heisarat
heisinarut
thefoodisRotten
Ilikerootbeer
我们可以使用grep命令来测试我们的正则表达式,grep命令使用正则表达式去尝试匹配指定文件的每一行,并将至少有一处匹配表达式的所有行显示出来。
命令
grepr.ttest.txt
在test.txt文件中的每一行中搜索正则表达式r.t,并打印输出匹配的行。
正则表达式r.t匹配一个r接着任何一个字符再接着一个t。
所以它将匹配文件中的rat和rut,而不能匹配Rotten中的Rot,因为正则表达式是大小写敏感的。
要想同时匹配大写和小写字母,应该使用字符区间元字符(方括号)。
正则表达式[Rr]能够同时匹配R和r。
所以,要想匹配一个大写或者小写的r接着任何一个字符再接着一个t就要使用这个表达式:
[Rr].t。
要想匹配行首的字符要使用抑扬字符(^)——有时也被叫做插入符。
例如,想找到text.txt中行首"
he"
打头的行,你可能会先用简单表达式he,但是这会匹配第三行的the,所以要使用正则表达式^he,它只匹配在行首出现的h。
有时候指定“除了×
×
都匹配”会比较容易达到目的,当抑扬字符(^)出现在方括号中是,它表示“排除”,例如要匹配he,但是排除前面是tors的情形(也就是the和she),可以使用:
[^st]he。
可以使用方括号来指定多个字符区间。
例如正则表达式[A-Za-z]匹配任何字母,包括大写和小写的;
正则表达式[A-Za-z][A-Za-z]*匹配一个字母后面接着0或者多个字母(大写或者小写)。
当然我们也可以用元字符+做到同样的事情,也就是:
[A-Za-z]+,和[A-Za-z][A-Za-z]*完全等价。
但是要注意元字符+并不是所有支持正则表达式的程序都支持的。
关于这一点可以参考后面的正则表达式语法支持情况。
要指定特定数量的匹配,要使用大括号(注意必须使用反斜杠来转义)。
想匹配所有10和100的实例而排除1和1000,可以使用:
10\{1,2\},这个正则表达式匹配数字1后面跟着1或者2个0的模式。
在这个元字符的使用中一个有用的变化是忽略第二个数字,例如正则表达式0\{3,\}将匹配至少3个连续的0。
简单的例子
这里有一些有代表性的、比较简单的例子。
vi命令
作用
:
%s/*//g
把一个或者多个空格替换为一个空格
%s/*$//
去掉行尾的所有空格
%s/^//
在每一行头上加入一个空格
%s/^[0-9][0-9]*//
去掉行首的所有数字字符
%s/b[aeio]g/bug/g
将所有的bag、beg、big和bog改为bug。
%s/t\([aou]\)g/h\1t/g
将所有tag、tog和tug分别改为hat、hot和hut(注意用group的用法和使用\1引用前面被匹配的字符)
中级的例子
例1
将所有方法foo(a,b,c)的实例改为foo(b,a,c)。
这里a、b和c可以是任何提供给方法foo()的参数。
也就是说我们要实现这样的转换:
之前之后
foo(10,7,2)foo(7,10,2)
foo(x+13,y-2,10)foo(y-2,x+13,10)
foo(bar(8),x+y+z,5)foo(x+y+z,bar(8),5)
下面这条替换命令能够实现这一魔法:
:
%s/foo(\([^,]*\),\([^,]*\),\([^)]*\))/foo(\2,\1,\3)/g
现在让我们把它打散来加以分析。
写出这个表达式的基本思路是找出foo()和它的括号中的三个参数的位置。
第一个参数是用这个表达式来识别的:
:
\([^,]*\),我们可以从里向外来分析它:
[^,]除了逗号之外的任何字符
[^,]*0或者多个非逗号字符
\([^,]*\)将这些非逗号字符标记为\1,这样可以在之后的替换模式表达式中引用它
\([^,]*\),我们必须找到0或者多个非逗号字符后面跟着一个逗号,并且非逗号字符那部分要标记出来以备后用。
现在正是指出一个使用正则表达式常见错误的最佳时机。
为什么我们要使用[^,]*这样的一个表达式,而不是更加简单直接的写法,例如:
.*,来匹配第一个参数呢?
设想我们使用模式.*来匹配字符串"
10,7,2"
,它应该匹配"
10,"
还是"
10,7,"
?
为了解决这个两义性(ambiguity),正则表达式规定一律按照最长的串来,在上面的例子中就是"
,显然这样就找出了两个参数而不是我们期望的一个。
所以,我们要使用[^,]*来强制取出第一个逗号之前的部分。
这个表达式我们已经分析到了:
foo(\([^,]*\),这一段可以简单的翻译为“当你找到foo(就把其后直到第一个逗号之前的部分标记为\1”。
然后我们使用同样的办法标记第二个参数为\2。
对第三个参数的标记方法也是一样,只是我们要搜索所有的字符直到右括号。
我们并没有必要去搜索第三个参数,因为我们不需要调整它的位置,但是这样的模式能够保证我们只去替换那些有三个参数的foo()方法调用,在foo()是一个重载(overoading)方法时这种明确的模式往往是比较保险的。
然后,在替换部分,我们找到foo()的对应实例,然后利用标记好的部分进行替换,是把第一和第二个参数交换位置。
例2
假设有一个CSV(commaseparatedvalue)文件,里面有一些我们需要的信息,但是格式却有问题,目前数据的列顺序是:
姓名,公司名,州名缩写,邮政编码,现在我们希望讲这些数据重新组织,以便在我们的某个软件中使用,需要的格式为:
姓名,州名缩写-邮政编码,公司名。
也就是说,我们要调整列顺序,还要合并两个列来构成一个新列。
另外,我们的软件不能接受逗号前后面有任何空格(包括空格和制表符)所以我们还必须要去掉逗号前后的所有空格。
这里有几行我们现在的数据:
BillJones,HI-TEKCorporation,CA,95011
SharonLeeSmith,DesignWorksIncorporated,CA,95012
B.Amos,HillStreetCafe,CA,95013
AlexanderWeatherworth,TheCraftsStore,CA,95014
...
我们希望把它变成这个样子:
BillJones,CA95011,HI-TEKCorporation
SharonLeeSmith,CA95012,DesignWorksIncorporated
B.Amos,CA95013,HillStreetCafe
AlexanderWeatherworth,CA95014,TheCraftsStore
我们将用两个正则表达式来解决这个问题。
第一个移动列和合并列,第二个用来去掉空格。
下面就是第一个替换命令:
%s/\([^,]*\),\([^,]*\),\([^,]*\),\(.*\)/\1,\3\4,\2/
这里的方法跟例1基本一样,第一个列(姓名)用这个表达式来匹配:
\([^,]*\),即第一个逗号之前的所有字符,而姓名内容被用\1标记下来。
公司名和州名缩写字段用同样的方法标记为\2和\3,而最后一个字段用\(.*\)来匹配("
匹配所有字符直到行末"
替换部分则引用上面标记的那些内容来进行构造。
下面这个替换命令则用来去除空格:
%s/[\t]*,[\t]*/,/g
我们还是分解来看:
[\t]匹配空格/制表符,[\t]*匹配0或多个空格/制表符,[\t]*,匹配0或多个空格/制表符后面再加一个逗号,最后,[\t]*,[\t]*匹配0或多个空格/制表符接着一个逗号再接着0或多个空格/制表符。
在替换部分,我们简单的我们找到的所有东西替换成一个逗号。
这里我们使用了结尾的可选的g参数,这表示在每行中对所有匹配的串执行替换(而不是缺省的只替换第一个匹配串)。
例3
假设有一个多字符的片断重复出现,例如:
Billytriedreallyhard
Sallytriedreallyreallyhard
Timmytriedreallyreallyreallyhard
Johnnytriedreallyreallyreallyreallyhard
而你想把"
really"
、"
reallyreally"
,以及任意数量连续出现的"
字符串换成一个简单的"
very"
(simpleisgood!
),那么以下命令:
%s/\(really\)\(really\)*/very/
就会把上述的文本变成:
Billytriedveryhard
Sallytriedveryhard
Timmytriedveryhard
Johnnytriedveryhard
表达式\(really\)*匹配0或多个连续的"
really"
(注意结尾有个空格),而\(really\)\(really\)*匹配1个或多个连续的"
实例。
不同工具中的正则表达式
OK,你已经准备使用RE(regularexpressions,正则表达式),但是你并准备使用vi。
所以,在这里我们给出一些在其他工具中使用RE的例子。
另外,我还会总结一下你在不同程序之间使用RE可能发现的区别。
当然,你也可以在VisualC++编辑器中使用RE。
选择Edit->
Replace,然后选择"
Regularexpression"
选择框,FindWhat输入框对应上面介绍的vi命令:
%s/pat1/pat2/g中的pat1部分,而Replace输入框对应pat2部分。
但是,为了得到vi的执行范围和g选项,你要使用ReplaceAll或者适当的手工FindNextandReplace(译者按:
知道为啥有人骂微软弱智了吧,虽然VC中可以选中一个范围的文本,然后在其中执行替换,但是总之不够vi那么灵活和典雅)。
sed
Sed是StreamEDitor的缩写,是Unix下常用的基于文件和管道的编辑工具,可以在手册中得到关于sed的详细信息。
这里是一些有趣的sed脚本,假定我们正在处理一个叫做price.txt的文件。
注意这些编辑并不会改变源文件,sed只是处理源文件的每一行并把结果显示在标准输出中(当然很容易使用重定向来定制):
sed脚本
sed'
s/^$/d'
price.txt
删除所有空行
s/^[\t]*$/d'
删除所有只包含空格或者制表符的行
s/"
//g'
删除所有引号
awk
awk是一种编程语言,可以用来对文本数据进行复杂的分析和处理。
可以在手册中得到关于awk的详细信息。
这个古怪的名字是它作者们的姓的缩写(Aho,Weinberger和Kernighan)。
在Aho,Weinberger和Kernighan的书TheAWKProgrammingLanguage中有很多很好的awk的例子,请不要让下面这些微不足道的脚本例子限制你对awk强大能力的理解。
我们同样假定我们针对price.txt文件进行处理,跟sed一样,awk也只是把结果显示在终端上。
awk脚本
awk'
!
~/^$/'
NF>
0'
awk中一个更好的删除所有行的办法
~/^[JT]/'
打印所有第二个字段是'
J'
或者'
T'
打头的行中的第三个字段
~/[Mm]isc/{print+}'
针对所有第二个字段不包含'
Misc'
misc'
的行,打印第3和第4列的和(假定为数字)
~/^[0-9]+\.[0-9]*$/'
打印所有第三个字段不是数字的行,这里数字是指d.d或者d这样的形式,其中d是0到9的任何数字
~/John|Fred/'
如果第二个字段包含'
John'
Fred'
则打印整行
grep
grep是一个用来在一个或者多个文件或者输入流中使用RE进行查找的程序。
它的name编程语言可以用来针对文件和管道进行处理。
可以在手册中得到关于grep的完整信息。
这个同样古怪的名字来源于vi的一个命令,g/re/p,意思是globalregularexpressionprint。
下面的例子中我们假定在文件phone.txt中包含以下的文本,——其格式是姓加一个逗号,然后是名,然后是一个制表符,然后是电话号码:
Francis,John5-3871
Wong,Fred4-4123
Jones,Thomas1-4122
Salazar,Richard5-2522
grep命令
grep'
\t5-...1'
phone.txt
把所有电话号码以5开头以1结束的行打印出来,注意制表符是用\t表示的
^S[^]*R'
打印所有姓以S打头和名以R打头的行
^[JW]'
打印所有姓开头是J或者W的行
....\t'
打印所有姓是4个字符的行,注意制表符是用\t表示的
grep-v'
打印所有不以J或者W开头的行
^[M-Z]'
打印所有姓的开头是M到Z之间任一字符的行
^[M-Z].*[12]'
打印所有姓的开头是M到Z之间任一字符,并且点号号码结尾是1或者2的行
egrep
egrep是grep的一个扩展版本,它在它的正则表达式中支持更多的元字符。
下面的例子中我们假定在文件phone.txt中包含以下的文本,——其格式是姓加一个逗号,然后是名,然后是一个制
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 深入浅出 正则 表达式