Khan's Notebook GCC/GNU/Linux Delphi/Window Java/Anywhere

正則表達式語法

一個正則表達式就是由普通字符（例如字符 a 到 z）以及特殊字符（稱為元字符）組成的文字模式。該模式描述在查找文字主體時待匹配的一個或多個字符串。正則表達式作為一個模板，將某個字符模式與所搜索的字符串進行匹配。

這里有一些可能會遇到的正則表達式示例：

下表是元字符及其在正則表達式上下文中的行為的一個完整列表：

建立正則表達式

構造正則表達式的方法和創建數學表達式的方法一樣。也就是用多種元字符與操作符將小的表達式結合在一起來創建更大的表達式。

可以通過在一對分隔符之間放入表達式模式的各種組件來構造一個正則表達式。對 JScript 而言，分隔符為一對正斜杠 (/) 字符。例如：

/expression/

對 VBScript 而言，則采用一對引號 ("") 來確定正則表達式的邊界。例如：

"expression"

在上面所示的兩個示例中，正則表達式模式 (expression) 均存儲在RegExp 對象的Pattern 屬性中。

正則表達式的組件可以是單個的字符、字符集合、字符范圍、字符間的選擇或者所有這些組件的任意組合。

先權順序

在構造正則表達式之后，就可以象數學表達式一樣來求值，也就是說，可以從左至右并按照一個優先權順序來求值。

下表從最高優先級到最低優先級列出各種正則表達式操作符的優先權順序：

普通字符

普通字符由所有那些未顯式指定為元字符的打印和非打印字符組成。這包括所有的大寫和小寫字母字符，所有數字，所有標點符號以及一些符號。

最簡單的正則表達式是一個單獨的普通字符，可以匹配所搜索字符串中的該字符本身。例如，單字符模式 'A' 可以匹配所搜索字符串中任何位置出現的字母 'A'。這里有一些單字符正則表達式模式的示例：

/a/
/7/
/M/

等價的 VBScript 單字符正則表達式為：

"a"
"7"
"M"

可以將多個單字符組合在一起得到一個較大的表達式。例如，下面的 JScript 正則表達式不是別的，就是通過組合單字符表達式 'a'、'7'以及 'M' 所創建出來的一個表達式。

/a7M/

等價的 VBScript 表達式為：

"a7M"

請注意這里沒有連接操作符。所需要做的就是將一個字符放在了另一個字符后面。

特殊字符

有不少元字符在試圖對其進行匹配時需要進行特殊的處理。要匹配這些特殊字符，必須首先將這些字符轉義，也就是在前面使用一個反斜杠 (\)。下表給出了這些特殊字符及其含義：

非打印字符

有不少很有用的非打印字符，偶爾必須使用。下表顯示了用來表示這些非打印字符的轉義序列：

字符匹配

句點 (.) 匹配一個字符串中任何單個的打印或非打印字符，除了換行符 (\n) 之外。下面的 JScript 正則表達式可以匹配 'aac'、'abc'、'acc'、'adc'如此等等，同樣也可以匹配 'a1c'、'a2c'、a-c'以及 a#c'：

/a.c/

等價的 VBScript 正則表達式為：

"a.c"

如果試圖匹配一個包含文件名的字符串，其中句點 (.) 是輸入字符串的一部分，則可以在正則表達式中的句點前面加上一個反斜杠 (\) 字符來實現這一要求。舉例來說，下面的 JScript 正則表達式就能匹配 'filename.ext'：

/filename\.ext/

對 VBScript 而言，等價的表達式如下所示：

"filename\.ext"

這些表達式仍然是相當有限的。它們只允許匹配任何單字符。很多情況下，對從列表中匹配特殊字符十分有用。例如，如果輸入文字中包含用數字表示為Chapter 1, Chapter 2諸如此類的章節標題，你可能需要找到這些章節標題。

括號表達式

可以在一個方括號 ([ 和 ]) 中放入一個或多個單字符，來創建一個待匹配的列表。如果字符被放入括號中括起來，則該列表稱為括號表達式。括號內和其他任何地方一樣，普通字符代表其本身，也就是說，它們匹配輸入文字中出現的一處自己。大多數特殊字符在位于括號表達式中時都將失去其含義。這里有一些例外：

• ']' 字符如果不是第一項，則將結束一個列表。要在列表中匹配 ']' 字符，請將其放在第一項，緊跟在開始的 '[' 后面。
• '\' 仍然作為轉義符。要匹配 '\' 字符，請使用 '\\'。

括號表達式中所包含的字符只匹配該括號表達式在正則表達式中所處位置的一個單字符。下面的 JScript 正則表達式可以匹配 'Chapter 1'、'Chapter 2'、'Chapter 3'、'Chapter 4' 以及 'Chapter 5'：

/Chapter [12345]/

在 VBScript 中要匹配同樣的章節標題，請使用下面的表達式：

"Chapter [12345]"

請注意單詞 'Chapter' 及后面的空格與括號內的字符的位置關系是固定的。因此，括號表達式只用來指定滿足緊跟在單詞 'Chapter' 和一個空格之后的單字符位置的字符集合。這里是第九個字符位置。

如果希望使用范圍而不是字符本身來表示待匹配的字符，則可以使用連字符將該范圍的開始和結束字符分開。每個字符的字符值將決定其在一個范圍內的相對順序。下面的 JScript 正則表達式包含了一個等價于上面所示的括號列表的范圍表達式。

/Chapter [1-5]/

VBScipt 中相同功能的表達式如下所示：

"Chapter [1-5]"

如果以這種方式指定范圍，則開始和結束值都包括在該范圍內。有一點特別需要注意的是，在 Unicode 排序中起始值一定要在結束值之前。

如果想在括號表達式中包括連字符，則必須使用下述方法之一：

• 使用反斜杠將其轉義：

  [\-]

• 將連字符放在括號列表的開始和結束位置。下面的表達式能匹配所有的小寫字母和連字符：

  [-a-z]
  [a-z-]

• 創建一個范圍，其中開始字符的值小于連字符，而結束字符的值等于或大于連字符。下面兩個正則表達式都滿足這一要求：

  [!--]

• 
  [!-~]

同樣，通過在列表開始處放置一個插入符(^)，就可以查找所有不在列表或范圍中的字符。如果該插入符出現在列表的其他位置，則匹配其本身，沒有任何特殊含義。下面的 JScript 正則表達式匹配章節號大于 5 的章節標題：

/Chapter [^12345]/

對 VBScript 則使用：

"Chapter [^12345]"

在上面所示的示例中，表達式將匹配第九個位置處除1, 2, 3, 4, or 5 之外的任何數字字符。因此， 'Chapter 7' 為一個匹配，同樣 'Chapter 9' 也是如此。

上面的表達式可以使用連字符 (-) 表示。對 JScript 為：

/Chapter [^1-5]/

或者，對 VBScript 為：

"Chapter [^1-5]"

括號表達式的典型用法是指定對任何大寫或小寫字母字符或任何數字的匹配。下面的 JScript 表達式給出了這一匹配：

/[A-Za-z0-9]/

等價的 VBScript 表達式為：

"[A-Za-z0-9]"

限定符

有時候不知道要匹配多少字符。為了能適應這種不確定性，正則表達式支持限定符的概念。這些限定符可以指定正則表達式的一個給定組件必須要出現多少次才能滿足匹配。

下表給出了各種限定符及其含義的說明：

對一個很大的輸入文檔而言，章節數很輕易就超過九章，因此需要有一種方法來處理兩位數或者三位數的章節號。限定符就提供了這個功能。下面的JScript 正則表達式可以匹配具有任何位數的章節標題：

下面的 VBScript 正則表達式執行同樣的匹配：

請注意限定符出現在范圍表達式之后。因此，它將應用于所包含的整個范圍表達式，在本例中，只指定了從 0 到 9 的數字。

這里沒有使用 '+' 限定符，因為第二位或后續位置上并不一定需要一個數字。同樣也沒有使用 '?' 字符，因為這將把章節數限制為只有兩位數字。在 'Chapter' 和空格字符之后至少要匹配一個數字。

如果已知章節數限制只有99 章，則可以使用下面的 JScript 表達式來指定至少有一位數字，但不超過兩個數字。

對 VBScript 可以使用下述正則表達式：

上述表達式的缺點是如果有一個章節號大于 99，它仍只會匹配前兩位數字。另一個缺點是某些人可以創建一個 Chapter 0，而且仍能匹配。一個更好的用來匹配兩位數的 JScript 表達式如下：

或者

對 VBScript 而言，下述表達式與上面等價：

或者

'*'、 '+'和 '?' 限定符都稱之為貪婪的，也就是說，他們盡可能多地匹配文字。有時這根本就不是所希望發生的情況。有時則正好希望最小匹配。

例如，你可能要搜索一個 HTML 文檔來查找一處包含在 H1 標記中的章節標題。在文檔中該文字可能具有如下形式：

下面的表達式匹配從開始的小于號 (<) 到 H1 標記結束處的大于號之間的所有內容。

 VBScript 的正則表達式為：

如果所要匹配的就是開始的 H1 標記，則下述非貪婪地表達式就只匹配 <H1>。

或者

通過在 '*'、 '+' 或 '?' 限定符后放置 '?'，該表達式就從貪婪匹配轉為了非貪婪或最小匹配。

定位符

到現在為止，所看到的示例都只考慮查找任何地方出現的章節標題。出現的任何一個字符串 'Chapter' 后跟一個空格和一個數字可能是一個真正的章節標題，也可能是對其他章節的交叉引用。由于真正的章節標題總是出現在一行的開始，因此需要設計一個方法只查找標題而不查找交叉引用。

定位符提供了這個功能。定位符可以將一個正則表達式固定在一行的開始或結束。也可以創建只在單詞內或只在單詞的開始或結尾處出現的正則表達式。下表包含了正則表達式及其含義的列表：

不能對定位符使用限定符。因為在一個換行符或者單詞邊界的前面或后面不會有連續多個位置，因此諸如 '^*' 的表達式是不允許的。

要匹配一行文字開始位置的文字，請在正則表達式的開始處使用 '^' 字符。不要把 '^' 的這個語法與其在括號表達式中的語法弄混。它們的語法根本不同。

要匹配一行文字結束位置的文字，請在正則表達式的結束處使用 '$' 字符。

要在查找章節標題時使用定位符，下面的 JScript 正則表達式將匹配位于一行的開始處最多有兩個數字的章節標題：

VBScript 中相同功能的正則表達式如下：

一個真正的章節標題不僅出現在一行的開始，而且這一行中也僅有這一個內容，因此，它必然也位于一行的結束。下面的表達式確保所指定的匹配只匹配章節而不會匹配交叉引用。它是通過創建一個只匹配一行文字的開始和結束位置的正則表達式來實現的。

對 VBScript 則使用：

匹配單詞邊界有少許不同，但卻給正則表達式增加了一個非常重要的功能。單詞邊界就是單詞和空格之間的位置。非單詞邊界就是其他任何位置。下面的 JScript 表達式將匹配單詞 'Chapter' 的前三個字符，因為它們出現在單詞邊界后：

對 VBScript 為：

這里 '\b' 操作符的位置很關鍵。如果它位于要匹配的字符串的開始，則將查找位于單詞開頭處的匹配；如果它位于改字符串的末尾，則查找位于單詞結束處的匹配。例如，下面的表達式將匹配單詞 'Chapter' 中的 'ter'，因為它出現在單詞邊界之前：

以及

下面的表達式將匹配 'apt'，因為它位于 'Chapter' 中間，但不會匹配 'aptitude' 中的'apt'：

以及

這是因為在單詞 'Chapter' 中 'apt' 出現在非單詞邊界位置，而在單詞 'aptitude' 中位于單詞邊界位置。非單詞邊界操作符的位置不重要，因為匹配與一個單詞的開頭或結尾無關。

選擇與編組

選擇允許使用 '|' 字符來在兩個或多個候選項中進行選擇。通過擴展章節標題的正則表達式，可以將其擴充為不僅僅適用于章節標題的表達式。不過，這可沒有想象的那么直接。在使用選擇時，將匹配'|' 字符每邊最可能的表達式。你可能認為下面的 JScript 和 VBScript 表達式將匹配位于一行的開始和結束位置且后跟一個或兩個數字的 'Chapter' 或 'Section'：

/^Chapter|Section [1-9][0-9]{0,1}$/
"^Chapter|Section [1-9][0-9]{0,1}$"

不幸的是，真正的情況是上面所示的正則表達式要么匹配位于一行開始處的單詞 'Chapter'，要么匹配一行結束處的后跟任何數字的 'Section'。如果輸入字符串為 'Chapter 22'，上面的表達式將只匹配單詞 'Chapter'。如果輸入字符串為 'Section 22'，則該表達式將匹配 'Section 22'。但這種結果不是我們此處的目的，因此必須有一種辦法來使正則表達式對于所要做的更易于響應，而且確實也有這種方法。

可以使用圓括號來限制選擇的范圍，也就是說明確該選擇只適用于這兩個單詞 'Chapter' 和 'Section'。不過，圓括號同樣也是難處理的，因為它們也用來創建子表達式，有些內容將在后面關于子表達式的部分介紹。通過采用上面所示的正則表達式并在適當位置添加圓括號，就可以使該正則表達式既可以匹配 'Chapter 1'，也可以匹配 'Section 3'。

下面的正則表達式使用圓括號將 'Chapter' 和 'Section' 組成一組，所以該表達式才能正確工作。對 JScript 為：

/^(Chapter|Section) [1-9][0-9]{0,1}$/

對 VBScript 為：

"^(Chapter|Section) [1-9][0-9]{0,1}$"

這些表達式工作正確，只是產生了一個有趣的副產品。在 'Chapter|Section' 兩邊放置圓括號建立了適當的編組，但也導致兩個待匹配單詞之一都被捕獲供今后使用。由于在上面所示的表達式中只有一組圓括號，因此只能有一個捕獲的 submatch。可以使用 VBScript 的Submatches 集合或者JScript 中RegExp 對象的 $1-$9 屬性來引用這個子匹配。

有時捕獲一個子匹配是所希望的，有時則是不希望的。在說明所示的示例中，真正想做的就是使用圓括號對單詞 'Chapter' 或 'Section' 之間的選擇編組。并不希望在后面再引用該匹配。實際上，除非真的是需要捕獲子匹配，否則請不要使用。由于不需要花時間和內存來存儲那些子匹配，這種正則表達式的效率將更高。

可以在正則表達式模式圓括號內部的前面使用 '?:'來防止存儲該匹配供今后使用。對上面所示正則表達式的下述修改提供了免除子匹配存儲的相同功能。對 JScript：

/^(?:Chapter|Section) [1-9][0-9]{0,1}$/

對 VBScript：

"^(?:Chapter|Section) [1-9][0-9]{0,1}$"

除了 '?:' 元字符，還有兩個非捕獲元字符用于稱之為預查的匹配。一個為正向預查，用 ?= 表示， 在任何開始匹配圓括號內的正則表達式模式的位置來匹配搜索字符串。一個為負向預查，用 '?!' 表示，在任何開始不匹配該正則表達式模式的位置來匹配搜索字符串。

例如，假定有一個包含引用有 Windows 3.1、Windows 95、Windows 98 以及 Windows NT 的文檔。進一步假設需要更新該文檔，方法是查找所有對 Windows 95、Windows 98 以及 Windows NT 的引用，并將這些引用更改為 Windows 2000。可以使用下面的 JScript 正則表達式，這是一個正向預查，來匹配 Windows 95、Windows 98 以及 Windows NT：

/Windows(?=95 |98 |NT )/

在 VBScript 要進行同樣的匹配可以使用下述表達式：

"Windows(?=95 |98 |NT )"

找到一個匹配后，緊接匹配到的文字（而不包括預查中使用的字符）就開始對下一次匹配的搜索。例如，如果上面所示的表達式匹配到 'Windows 98'，則將從 'Windows' 而不是 '98' 之后繼續查找。

后向引用

正則表達式一個最重要的特性就是將匹配成功的模式的某部分進行存儲供以后使用這一能力。請回想一下，對一個正則表達式模式或部分模式兩邊添加圓括號將導致這部分表達式存儲到一個臨時緩沖區中。可以使用非捕獲元字符 '?:', '?=', or '?!' 來忽略對這部分正則表達式的保存。

所捕獲的每個子匹配都按照在正則表達式模式中從左至右所遇到的內容存儲。存儲子匹配的緩沖區編號從 1 開始，連續編號直至最大 99 個子表達式。每個緩沖區都可以使用 '\n' 訪問，其中 n 為一個標識特定緩沖區的一位或兩位十進制數。

后向引用一個最簡單，最有用的應用是提供了確定文字中連續出現兩個相同單詞的位置的能力。請看下面的句子：

Is is the cost of of gasoline going up up?

根據所寫內容，上面的句子明顯存在單詞多次重復的問題。如果能有一種方法無需查找每個單詞的重復現象就能修改該句子就好了。下面的 JScript 正則表達式使用一個子表達式就可以實現這一功能。

/\b([a-z]+) \1\b/gi

等價的 VBScript 表達式為：

"\b([a-z]+) \1\b"

在這個示例中，子表達式就是圓括號之間的每一項。所捕獲的表達式包括一個或多個字母字符，即由'[a-z]+' 所指定的。該正則表達式的第二部分是對前面所捕獲的子匹配的引用，也就是由附加表達式所匹配的第二次出現的單詞。'\1'用來指定第一個子匹配。單詞邊界元字符確保只檢測單獨的單詞。如果不這樣，則諸如 "is issued" 或 "this is" 這樣的短語都會被該表達式不正確地識別。

在 JScript 表達式中，正則表達式后面的全局標志 ('g') 表示該表達式將用來在輸入字符串中查找盡可能多的匹配。大小寫敏感性由表達式結束處的大小寫敏感性標記 ('i') 指定。多行標記指定可能出現在換行符的兩端的潛在匹配。對 VBScript 而言，在表達式中不能設置各種標記，但必須使用 RegExp 對象的屬性來顯式設置。

使用上面所示的正則表達式，下面的 JScript 代碼可以使用子匹配信息，在一個文字字符串中將連續出現兩次的相同單詞替換為一個相同的單詞：

var ss = "Is is the cost of of gasoline going up up?.\n";
var re = /\b([a-z]+) \1\b/gim;       //創建正則表達式樣式.
var rv = ss.replace(re,"$1");   //用一個單詞替代兩個單詞.

最接近的等價  VBScript 代碼如下：

Dim ss, re, rv
ss = "Is is the cost of of gasoline going up up?." & vbNewLine
Set re = New RegExp
re.Pattern = "\b([a-z]+) \1\b"
re.Global = True
re.IgnoreCase = True
re.MultiLine = True
rv = re.Replace(ss,"$1")

請注意在 VBScript 代碼中，全局、大小寫敏感性以及多行標記都是使用 RegExp 對象的適當屬性來設置的。

在replace 方法中使用 $1 來引用所保存的第一個子匹配。如果有多個子匹配，則可以用 $2, $3 等繼續引用。

后向引用的另一個用途是將一個通用資源指示符 (URI) 分解為組件部分。假定希望將下述的URI 分解為協議 (ftp, http, etc)，域名地址以及頁面/路徑：

http://msdn.microsoft.com:80/scripting/default.htm

下面的正則表達式可以提供這個功能。對 JScript，為：

/(\w+):\/\/([^/:]+)(:\d*)?([^# ]*)/

對 VBScript 為：

"(\w+):\/\/([^/:]+)(:\d*)?([^# ]*)"

第一個附加子表達式是用來捕獲該 web 地址的協議部分。該子表達式匹配位于一個冒號和兩個正斜杠之前的任何單詞。第二個附加子表達式捕獲該地址的域名地址。該子表達式匹配不包括 '^'、 '/' 或 ':' 字符的任何字符序列。第三個附加子表達式捕獲網站端口號碼，如果指定了該端口號。該子表達式匹配后跟一個冒號的零或多個數字。最后，第四個附加子表達式捕獲由該 web 地址指定的路徑以及\或者頁面信息。該子表達式匹配一個和多個除'#' 或空格之外的字符。

將該正則表達式應用于上面所示的 URI 后，子匹配包含下述內容：

RegExp.$1 包含 "http"

RegExp.$2 包含 "msdn.microsoft.com"

RegExp.$3 包含 ":80"

RegExp.$4 包含 "/scripting/default.htm"