Regex

regular expressions

先理解什么是正则表达式, 有什么用途

理解: 是表达一类串的抽象模式的串, 来匹配字符串中符合模式的子串

人话: 举例, 例如abc9, abcd9, a&*&%*()9, 这三个字符串有相同的模式(人话来说就是他们有共同点): 都以a开头, 9结尾. 正则表达式就能用来表示这种以a开头, 9结尾的模式(共同点), 来匹配这一类字符串.

a开头, 9结尾的模式用正则表达式表示就是: a.*9

一个正则表达式在线练习网站 https://regex101.com

字面模式

理解: 用一种模式表达的一个字符

1. 字面值字符

比如字母, 数字, 空格, 或者特殊符号, 匹配的是确定的字符串, 比如正则表达式abc, 会在12312124abcefgabc中匹配连续的abc三个字符, 这没有什么模式可言, 就是固定的搜索

一般和下面的搭配才能表示模式

下面提到的特殊符号, 如果要直接匹配, 要加一个转义

比如要匹配(/123-456)

正则表达式要写\(\/123\-456\)

2. [ ]

用于自定义一个字符集合, 字符集合中任选一个字符都可以用来用来匹配

比如[abc]123,字符集合中有a, b, c, 这三个字符的任意一个都可以用来匹配, 所以可以匹配a123, b123, c123, 但d123不行

接下来就介绍各种各样的字符集合表示方式

(1) 直接枚举

[abcdefg]:字符集合中的任意一个字符都可以用来用来匹配

(2) 范围:

中括号中加-代表范围, [a-g] 就等同于[abcdefg]

(3) 排除:

中括号中加^代表, 除了你定义的集合以外的字符都可以匹配,

比如[^1-3]相当于除了123都可以匹配上

3. \d, \w, \s, \n等

就是已经定义过的一些认为是一类字符的字符

最常用的就是\d, \w, \s, \n

• \d 匹配一个数字字符。等价于 [0-9]。
• \w 匹配字母、数字、下划线。等价于’[A-Za-z0-9_]’
• \s 匹配任何空白字符, 等价于 [ \f\n\r\t\v]。
• \n 匹配换行符

\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	匹配字母、数字、下划线。等价于’[A-Za-z0-9_]'。
\W	匹配非字母、数字、下划线。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 (?)。

4. .

匹配任何除了换行的字符

等价于[^\n\r]

限定符: 表示数量的模式

理解: 指定限定符前面的一个普通字符的匹配个数

比如abc+, +是一个限定符, 只限定左边的一个模式也就是c, +的意思是限定c出现的次数为1次到任意多次, 也就是abc, abcccccccccc, abccc都会匹配上

1. *: 0次或多次

2. +: 1次或多次

3. ?: 0次或1次

4. {n}: 指定匹配确定的n次,

5. {n, }: 指定至少n次(n次或多次),

6. {n, m}: 指定最少n次最多m次

7. 贪婪/非贪婪匹配: *?, +?

贪婪/非贪婪理解:一个带*和+的regex可能匹配到多个不同长短的字符串, 贪婪和非贪婪分别就是指定 取这些不同长短字符串中 最长的还是最短的, +, *都是贪婪的(会尽可能多的匹配),后面加上?就能指定匹配最短的

看个例子就能理解

string: <h1>hello</h1>

regex1: <.*> :

<h1>hello</h1>和<h1>都是符合匹配模式的, 但*会匹配尽可能多的字符, 所以最后的匹配结果是 <h1>hello</h1>

regex2: <.*?>:

<h1>hello</h1>和<h1>都是符合匹配模式的, 相反*?会匹配尽可能少的字符, 所以最后的匹配结果是 <h1>

定位符

1. 理解:

定位符也是一个模式, 但是不匹配具体的字符匹配的是一个位置, 比如^就是匹配待匹配字符串的最开头的那个位置, 整个字符串的最开头就只有一个,

2. 用法速看

^: 匹配字符串开始的位置

$: 匹配字符串结尾的位置

\b: 匹配字与空格间的那个位置

\B: 坚决不匹配字与空格间的那个位置

\B举例:

string: aptitude chapter

regex: \Bapt就不会匹配到aptitude的apt, 因为apt是字与空格间的那个位置

选择: ()

1. 分组

理解: 用()括起来的模式串会匹配多个弄成一个可以访问的数组

2. 限定前后内容:

1. 简单介绍用途, 不想看直接看下面的表

想要在字符串 123@qq.com, 123@foxmail.com, 13312312312中匹配qq邮箱的qq号

不正确的正则1号: \d+, 字符串中所有的数字都被匹配到了, 包括最后的电话号码

不正确的正则2号: \d+@qq.com, 这下只会匹配到123@qq.com, 但是我们要求只要前面的qq号, 不要多余的@qq.com

正确的正则3号: \d+(?=@qq.com), 要求后面有@qq.com, 但不把@qq.com匹配进去

2.用法速看

	匹配括号前面	匹配括号后面
满足括号里模式的前提下匹配(但是不匹配括号里的内容)	?=	?<=
满足括号里模式时不匹配	?!	?<!

比如

(?<=\d+)abc(?!\d)

要求abc前面必须有至少一个数字, 后面不能有数字

或: |

比较简单, 直接举例

待匹配字符串abcdefg

正则表达式:abc | efg

就是匹配abc或者efg, 二者其一匹配上都行

就会得到 abcdefg

练习:

简单模式

匹配所有qq邮箱的用户名

1123-12312@qq.com hello-world123@hust.edu.cn
123-1h@ @qq.com hello123@qq.com

答案

[\-\w]+(?=@qq.com)

困难模式:

匹配C, C++中的单行注释和多行注释

#include "lib/mylib.hpp"
#include <string>

int main() {
  std::string s = "no ! // this is not a comment";
  int a = 5; // this is a inline comment
  // another inline comment // don't split it
  ///another comment //
  //
  // this ";" punctuation is called semicolon
  /* a multiline comment is surrounded by
  a pair of /* 
  and */
  std::string warning = "don't combine these two multiline comment"
  /* a multiline comment is surrounded by
  a pair of /* 
  and */
}