1.正則表達式到底是什麼東西？ 在編寫處理字元串的程式或網頁時，經常會有查找符合某些複雜規則的字元串的需要。正則表達式就是用於描述這些規則的工具。換句話說，正則表達式就是記錄文本規則的代碼。 很可能你使用過Windows/Dos下用於文件查找的通配符(wildcard)，也就是*和?。如果你想查找某 ...
1.正則表達式到底是什麼東西？
在編寫處理字元串的程式或網頁時，經常會有查找符合某些複雜規則的字元串的需要。正則表達式就是用於描述這些規則的工具。換句話說，正則表達式就是記錄文本規則的代碼。
很可能你使用過Windows/Dos下用於文件查找的通配符(wildcard)，也就是*和?。如果你想查找某個目錄下的所有的Word文檔的話，你會搜索*.doc。在這裡，*會被解釋成任意的字元串。和通配符類似，正則表達式也是用來進行文本匹配的工具，只不過比起通配符，它能更精確地描述你的需求——當然，代價就是更複雜——比如你可以編寫一個正則表達式，用來查找所有以0開頭，後面跟著2-3個數字，然後是一個連字型大小“-”，最後是7或8位數字的字元串(像010-12345678或0376-7654321)。
2.入門
學習正則表達式的最好方法是從例子開始，理解例子之後再自己對例子進行修改，實驗。下麵給出了不少簡單的例子，並對它們作了詳細的說明。
假設你在一篇英文小說里查找hi，你可以使用正則表達式hi。
這幾乎是最簡單的正則表達式了，它可以精確匹配這樣的字元串：由兩個字元組成，前一個字元是h,後一個是i。通常，處理正則表達式的工具會提供一個忽略大小寫的選項，如果選中了這個選項，它可以匹配hi,HI,Hi,hI這四種情況中的任意一種。
不幸的是，很多單詞里包含hi這兩個連續的字元，比如him,history,high等等。用hi來查找的話，這裡邊的hi也會被找出來。如果要精確地查找hi這個單詞的話，我們應該使用\bhi\b。
\b是正則表達式規定的一個特殊代碼（好吧，某些人叫它元字元，metacharacter），代表著單詞的開頭或結尾，也就是單詞的分界處。雖然通常英文的單詞是由空格，標點符號或者換行來分隔的，但是\b並不匹配這些單詞分隔字元中的任何一個，它只匹配一個位置。
如果需要更精確的說法，\b匹配這樣的位置：它的前一個字元和後一個字元不全是(一個是,一個不是或不存在)\w。
假如你要找的是hi後面不遠處跟著一個Lucy，你應該用\bhi\b.*\bLucy\b。
這裡，.是另一個元字元，匹配除了換行符以外的任意字元。*同樣是元字元，不過它代表的不是字元，也不是位置，而是數量——它指定*前邊的內容可以連續重覆使用任意次以使整個表達式得到匹配。因此，.*連在一起就意味著任意數量的不包含換行的字元。現在\bhi\b.*\bLucy\b的意思就很明顯了：先是一個單詞hi,然後是任意個任意字元(但不能是換行)，最後是Lucy這個單詞。
換行符就是'\n',ASCII編碼為10(十六進位0x0A)的字元。
如果同時使用其它元字元，我們就能構造出功能更強大的正則表達式。比如下麵這個例子：
0\d\d-\d\d\d\d\d\d\d\d匹配這樣的字元串：以0開頭，然後是兩個數字，然後是一個連字型大小“-”，最後是8個數字(也就是中國的電話號碼。當然，這個例子只能匹配區號為3位的情形)。
這裡的\d是個新的元字元，匹配一位數字(0，或1，或2，或……)。-不是元字元，只匹配它本身——連字元(或者減號，或者中橫線，或者隨你怎麼稱呼它)。
為了避免那麼多煩人的重覆，我們也可以這樣寫這個表達式：0\d{2}-\d{8}。 這裡\d後面的{2}({8})的意思是前面\d必須連續重覆匹配2次(8次)。
3.元字元
現在你已經知道幾個很有用的元字元了，如\b,.,*，還有\d.正則表達式里還有更多的元字元，比如\s匹配任意的空白符，包括空格，製表符(Tab)，換行符，中文全形空格等。\w匹配字母或數字或下劃線或漢字等。
對中文/漢字的特殊處理是由.Net提供的正則表達式引擎支持的，其它環境下的具體情況請查看相關文檔。
下麵來看看更多的例子：
\ba\w*\b匹配以字母a開頭的單詞——先是某個單詞開始處(\b)，然後是字母a,然後是任意數量的字母或數字(\w*)，最後是單詞結束處(\b)。
好吧，現在我們說說正則表達式里的單詞是什麼意思吧：就是不少於一個的連續的\w。不錯，這與學習英文時要背的成千上萬個同名的東西的確關係不大 :)
\d+匹配1個或更多連續的數字。這裡的+是和*類似的元字元，不同的是*匹配重覆任意次(可能是0次)，而+則匹配重覆1次或更多次。
\b\w{6}\b 匹配剛好6個字元的單詞
字元轉義
如果你想查找元字元本身的話，比如你查找.,或者*,就出現了問題：你沒辦法指定它們，因為它們會被解釋成別的意思。這時你就得使用\來取消這些字元的特殊意義。因此，你應該使用\.和\*。當然，要查找\本身，你也得用\\.
例如：deerchao\.net匹配deerchao.net，C:\\Windows匹配C:\Windows。
重覆
你已經看過了前面的*,+,{2},{5,12}這幾個匹配重覆的方式了。下麵是正則表達式中所有的限定符(指定數量的代碼，例如*,{5,12}等)：
下麵是一些使用重覆的例子：
Windows\d+匹配Windows後面跟1個或更多數字
^\w+匹配一行的第一個單詞(或整個字元串的第一個單詞，具體匹配哪個意思得看選項設置)
字元類
要想查找數字，字母或數字，空白是很簡單的，因為已經有了對應這些字元集合的元字元，但是如果你想匹配沒有預定義元字元的字元集合(比如母音字母a,e,i,o,u),應該怎麼辦？
很簡單，你只需要在方括弧里列出它們就行了，像[aeiou]就匹配任何一個英文母音字母，[.?!]匹配標點符號(.或?或!)。
我們也可以輕鬆地指定一個字元範圍，像[0-9]代表的含意與\d就是完全一致的：一位數字；同理[a-z0-9A-Z_]也完全等同於\w（如果只考慮英文的話）。
下麵是一個更複雜的表達式：\(?0\d{2}[) -]?\d{8}。
“(”和“)”也是元字元，後面的分組節里會提到，所以在這裡需要使用轉義。
這個表達式可以匹配幾種格式的電話號碼，像(010)88886666，或022-22334455，或02912345678等。我們對它進行一些分析吧：首先是一個轉義字元\(,它能出現0次或1次(?),然後是一個0，後面跟著2個數字(\d{2})，然後是)或-或空格中的一個，它出現1次或不出現(?)，最後是8個數字(\d{8})。
分支條件
不幸的是，剛纔那個表達式也能匹配010)12345678或(022-87654321這樣的“不正確”的格式。要解決這個問題，我們需要用到分支條件。正則表達式里的分支條件指的是有幾種規則，如果滿足其中任意一種規則都應該當成匹配，具體方法是用|把不同的規則分隔開。聽不明白？沒關係，看例子：
0\d{2}-\d{8}|0\d{3}-\d{7}這個表達式能匹配兩種以連字型大小分隔的電話號碼：一種是三位區號，8位本地號(如010-12345678)，一種是4位區號，7位本地號(0376-2233445)。
\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}這個表達式匹配3位區號的電話號碼，其中區號可以用小括弧括起來，也可以不用，區號與本地號間可以用連字型大小或空格間隔，也可以沒有間隔。你可以試試用分支條件把這個表達式擴展成也支持4位區號的。
\d{5}-\d{4}|\d{5}這個表達式用於匹配美國的郵政編碼。美國郵編的規則是5位數字，或者用連字型大小間隔的9位數字。之所以要給出這個例子是因為它能說明一個問題：使用分支條件時，要註意各個條件的順序。如果你把它改成\d{5}|\d{5}-\d{4}的話，那麼就只會匹配5位的郵編(以及9位郵編的前5位)。原因是匹配分支條件時，將會從左到右地測試每個條件，如果滿足了某個分支的話，就不會去再管其它的條件了。
分組
我們已經提到了怎麼重覆單個字元（直接在字元後面加上限定符就行了）；但如果想要重覆多個字元又該怎麼辦？你可以用小括弧來指定子表達式(也叫做分組)，然後你就可以指定這個子表達式的重覆次數了，你也可以對子表達式進行其它一些操作(後面會有介紹)。
(\d{1,3}\.){3}\d{1,3}是一個簡單的IP地址匹配表達式。要理解這個表達式，請按下列順序分析它：\d{1,3}匹配1到3位的數字，(\d{1,3}\.){3}匹配三位數字加上一個英文句號(這個整體也就是這個分組)重覆3次，最後再加上一個一到三位的數字(\d{1,3})。
IP地址中每個數字都不能大於255，大家千萬不要被《24》第三季的編劇給忽悠了……
不幸的是，它也將匹配256.300.888.999這種不可能存在的IP地址。如果能使用算術比較的話，或許能簡單地解決這個問題，但是正則表達式中並不提供關於數學的任何功能，所以只能使用冗長的分組，選擇，字元類來描述一個正確的IP地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。
理解這個表達式的關鍵是理解2[0-4]\d|25[0-5]|[01]?\d\d?，這裡我就不細說了，你自己應該能分析得出來它的意義。
反義
有時需要查找不屬於某個能簡單定義的字元類的字元。比如想查找除了數字以外，其它任意字元都行的情況，這時需要用到反義：
例子：\S+匹配不包含空白符的字元串。
<a[^>]+>匹配用尖括弧括起來的以a開頭的字元串。
後向引用
後向引用用於重覆搜索前面某個分組匹配的文本。例如，\1代表分組1匹配的文本。難以理解？請看示例：
\b(\w+)\b\s+\1\b可以用來匹配重覆的單詞，像go go, 或者kitty kitty。這個表達式首先是一個單詞，也就是單詞開始處和結束處之間的多於一個的字母或數字(\b(\w+)\b)，這個單詞會被捕獲到編號為1的分組中，然後是1個或幾個空白符(\s+)，最後是分組1中捕獲的內容（也就是前面匹配的那個單詞）(\1)。
你也可以自己指定子表達式的組名。要指定一個子表達式的組名，請使用這樣的語法：(?<Word>\w+)(或者把尖括弧換成'也行：(?'Word'\w+)),這樣就把\w+的組名指定為Word了。要反向引用這個分組捕獲的內容，你可以使用\k<Word>,所以上一個例子也可以寫成這樣：\b(?<Word>\w+)\b\s+\k<Word>\b。
使用小括弧的時候，還有很多特定用途的語法。下麵列出了最常用的一些：
註釋
小括弧的另一種用途是通過語法(?#comment)來包含註釋。例如：2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。
要包含註釋的話，最好是啟用“忽略模式里的空白符”選項，這樣在編寫表達式時能任意的添加空格，Tab，換行，而實際使用時這些都將被忽略。啟用這個選項後，在#後面到這一行結束的所有文本都將被當成註釋忽略掉。例如，我們可以前面的一個表達式寫成這樣：
(?<= # 斷言要匹配的文本的首碼
<(\w+)> # 查找尖括弧括起來的字母或數字(即HTML/XML標簽)
) # 首碼結束
.* # 匹配任意文本
(?= # 斷言要匹配的文本的尾碼
<\/\1> # 查找尖括弧括起來的內容：前面是一個"/"，後面是先前捕獲的標簽
) # 尾碼結束
