C#中的正則表達(dá)式 

Jeffrey E.F. Friedl寫了一本關(guān)于正則表達(dá)式的書《精通正則表達(dá)式》。作者為了使讀者更好的理解和掌握正則表達(dá)式，編造了一個(gè)故事。該書的語言以perl為主。據(jù)我所知C#中的正則表達(dá)式也是基于perl5。所以它們應(yīng)該有許多的共同之處。 http://ike.126.com
其實(shí)，我并不打算原封不動(dòng)的對(duì)該書的內(nèi)容進(jìn)行翻譯，一則這本書內(nèi)容太多了，我根本就不勝任翻譯這項(xiàng)工作；二則如果我真的把這本書翻譯過來，同時(shí)把里面的代碼換成C#，在沒有征得原作者的情況下，可能有侵權(quán)的嫌疑了。所以，權(quán)當(dāng)作讀書筆記好了。 

略過冗長的前言，我們可以直接進(jìn)入第一章： 

介紹正則表達(dá)式 

作者說這一章是為正則表達(dá)式的絕對(duì)菜鳥而準(zhǔn)備的，目的是為以后的章節(jié)打下堅(jiān)實(shí)的基礎(chǔ)。那么如果你是不是菜鳥，你可以忽略這一章。 

故事場(chǎng)景： 
你的檔案部的頭兒想要一個(gè)工具用來檢查重復(fù)的單詞（如：this this），一個(gè)在大量編輯文檔的時(shí)候通常會(huì)遇到的問題。你的工作就是創(chuàng)建一個(gè)解決方案： 
接受任何數(shù)量要檢查的文件，報(bào)告每個(gè)文件中帶有重復(fù)單詞的那些行，突出顯示這些重復(fù)的單詞，同時(shí)確保原文件名稱和這些行出現(xiàn)在報(bào)表中。 
跨行檢查，找到一行的最后一個(gè)單詞和下一行開頭第一個(gè)單詞出現(xiàn)重復(fù)的情況。 
找出重復(fù)的單詞，不管他們是否大小寫不同（如：The the），以及允許在這些重復(fù)單詞之間含有不同數(shù)量的空白字符（空格、制表符、新行等） 
找出重復(fù)的單詞，甚至這些單詞被Html標(biāo)簽隔開。（如：…it is <B>very</B> very important.) 

要解決上述的實(shí)際問題，我們首先要做的就是寫出正則表達(dá)式，找到我們想要的文本，忽略我們不需要的文本，然后使用我們的C#代碼對(duì)獲取的文本進(jìn)行處理。 

在使用正則表達(dá)式之前，你也許多少已經(jīng)知道什么是正則表達(dá)式。甚至你不知道，你幾乎可以肯定已經(jīng)熟悉它的基本概念了。 
你知道report.txt是一個(gè)具體的文件名稱，但是如果你有任何Unix或者DOS/Windows的經(jīng)驗(yàn)，你也知道“*.txt”可以用來選擇多個(gè)文件。這種形式的文件名，有一些字符有著特殊的含義。星號(hào)意味著匹配任何東西，問號(hào)意味著匹配一個(gè)字符。如：“*.txt”表示任何文件名以.txt結(jié)尾的文件。 
文件名稱得模式匹配，使用了有限的匹配符。還有當(dāng)前網(wǎng)絡(luò)上的搜索引擎也允許使用某些指定的匹配符來進(jìn)行內(nèi)容搜索。正則表達(dá)式采用豐富的匹配字符，可以處理各種復(fù)雜的問題。 

首先我們介紹兩個(gè)位置匹配符： 
^ : 表示一行文字的開始位置 
＄ : 表示一行文字的結(jié)束位置 

如：表達(dá)式："^Cat", 匹配的單詞Cat出現(xiàn)在行的開始處，注意^是一個(gè)位置字符，不是要匹配字符的本身。 
同樣，表達(dá)式："Cat$" 匹配的單詞Cat出現(xiàn)來一行的結(jié)尾處。 

接下來，我們介紹表達(dá)式中的方括號(hào)"[]", 它表示匹配括號(hào)中字符中的一個(gè)。如： 
表達(dá)式："[0123456789]"將匹配數(shù)字0到9的任何一個(gè)。 
例如：我們要查找文本中，所有包含gray或者grey，那么表達(dá)式可以這么寫："gr[ea]y" 
[ea]表示匹配ea中的一個(gè)，而不是整個(gè)ea。 

如果我們要匹配html中的<H1><H2><H3><H4><H5><H6>的標(biāo)簽，我們可以寫表達(dá)式： 
"<H[123456]>"，但是如果我們要匹配所有字符中的一個(gè)呢？哈，問題就來了，在方括號(hào)中寫出所有的字符？很幸運(yùn)，我們不必這么做，我們引進(jìn)范圍符號(hào)"-"; 
使用范圍符號(hào)，我們只需要給出一個(gè)范圍的邊界字符即可，上面的Html例子，我們可以寫成："<H[1-6]>" 
而表達(dá)式："[0-9a-zA-Z]"的意思現(xiàn)在清楚了吧？它匹配數(shù)字字符，小寫26個(gè)字母和大寫26個(gè)字母中的一個(gè)。 

出現(xiàn)在[]中的"^"符號(hào) 
如果你看到表達(dá)式如："[^0-9]",此時(shí)，"^"不再是前面說的位置符號(hào)，這里它是否定符號(hào)，表示排除的意思，上面的表達(dá)式，表示不包含數(shù)字0到9的字符。 

思考1：表達(dá)式"q[^u]"的意思。假如有下列的單詞，那些將被匹配？ 
Iraqi 
Iraqian 
miqra 
qasida 
qintar 
qoph 
zaqqum 


除了范圍字符的表示之外，還有一個(gè)是點(diǎn)字符"."，點(diǎn)字符出現(xiàn)在表達(dá)式中，表示匹配任何字符。 
如表達(dá)式："07.04.76"將匹配： 
形如：07/04/76, 07-04-76，07.04.76。 

如果我們需要在某些字符中可選擇，我們可以采用選項(xiàng)字符"|"： 
選項(xiàng)字符有“或"的意思，比如表達(dá)式："[Bob|Robert]"則表示Bob或者Robert將被匹配。 
現(xiàn)在看我們前面提到的表達(dá)式："gr[ea]y" ，利用選項(xiàng)字符我們可以寫作"grey|gray",它們是相同的。 
圓括號(hào)的使用：圓括號(hào)在表達(dá)式中也是被作為元字符使用，如前面的表達(dá)式，我們可以寫成："gr(e|a)y"，這里的圓括號(hào)是必須的，如果沒有圓括號(hào)，那么表達(dá)式"gre|ay"將匹配gre或者ay，這不是我們想要的結(jié)果。如果你還不是很清楚，讓我們看一下下面的例子： 
在電子郵件中查找所有以From：或者Subject：或者Date：開頭的行，我們比較下面的兩個(gè)表達(dá)式： 
表達(dá)式1："^From|Subject|Data: " 
表達(dá)式2："^(From|Subject|Data): " 
哪一個(gè)是我們想要的？ 
很明顯，表達(dá)式1的結(jié)果不是我們想要的結(jié)果，它匹配的將是：From或者Subjec或者Data: ,表達(dá)式2使用圓括符，就能滿足我們的需要。 

單詞邊界 
我們已經(jīng)可以匹配出現(xiàn)在行首和行尾的字符，那么如果我們想定位的不僅僅是行首或者行尾呢？我們需要引入單詞邊界符號(hào)，單詞邊界符號(hào)是："\b",斜杠不可省略，否則變成匹配字母b。使用單詞邊界符號(hào)，我們可以定位匹配的位置必須出現(xiàn)在一個(gè)單詞的開始或者結(jié)尾部分，而不是在單詞的中間。例如："\bis\b"表達(dá)式在字符串"This is a cat."中將匹配單詞"is"而不會(huì)匹配單詞"This"中的"is"。 

字符串邊界符號(hào) 
除了上述的位置符號(hào)，如果我們要匹配的是整個(gè)字符串（含多個(gè)單詞）那么我們可以使用下面的兩個(gè)符號(hào)： 
\A :表示字符串的開始處； 
\z :表示字符串的結(jié)束處。 
表達(dá)式："\AThis is a cat\z"將匹配這個(gè)字符串"This is a cat"。 
使用邊界定位符號(hào)，這里要提到一個(gè)重要的概念，那就是單詞字符，單詞字符表示可以構(gòu)成單詞的字符，它們是[a-zA-Z0-9]中的任意一個(gè)字符。所以上面的表達(dá)式也會(huì)在句子"This is a cat."得到匹配。匹配的結(jié)果不包含句號(hào)。 


重復(fù)數(shù)量符號(hào) 
讓我們看表達(dá)式："Colou?r", 這個(gè)表達(dá)式中出現(xiàn)了我們還沒有見過的問號(hào)，（這個(gè)問號(hào)和文件名稱匹配的問號(hào)意義不同），它表示符號(hào)前面的一個(gè)字符可以被重復(fù)的次數(shù)，"?"表示0次或者1次，前面的表達(dá)式中問號(hào)表示u可以出現(xiàn)0或1次，所以它將匹配"Color"或者"Colour"。 
下面是其他的重復(fù)數(shù)量符號(hào)： 
+ ：表示1次或者多次 
* ：表示0次或者多次 
例如我們要表示一或多個(gè)空格，我們可以寫表達(dá)式：" +"; 

如果要表示具體次數(shù)呢？我們引入花括符{}。 
{n} : n是具體的數(shù)字，表示重復(fù)n次。 
{n,m}: 表示最少那次，最多m次。 

這些符號(hào)都限定了符號(hào)前面一個(gè)字符的匹配次數(shù)。但是如果你想重復(fù)多個(gè)字符，比如一個(gè)單詞，那么怎么辦？我們?cè)俅问褂脠A括號(hào)，前面我們把圓括號(hào)作為選項(xiàng)的范圍符號(hào)，這里是圓括的另外一種使用方法，它被表示為一個(gè)組，例如表達(dá)式：“(this)"這里的this就是一個(gè)組，那么問題就好辦了，重復(fù)數(shù)量符號(hào)可以用來表示它前面一個(gè)組的重復(fù)次數(shù)。 

現(xiàn)在回到查找重復(fù)單詞的問題，假如我們要找到“the the”,根據(jù)我們迄今為止學(xué)到的知識(shí)，我們可以寫出表達(dá)式： 
"\bthe +the\b" 
表達(dá)式的意思是匹配兩個(gè)the中間有一個(gè)或多個(gè)空格隔開。 
同樣，我們還可以寫成： 
"\b(the +){2}" 

但是如果要找全部可能的重復(fù)單詞呢？我們目前的知識(shí)還不足以解決這個(gè)問題，下面我們引進(jìn)反向引用的概念，我們已經(jīng)看到圓括號(hào)可以作為組的邊界，一個(gè)表達(dá)式中可以有多個(gè)被圓括號(hào)限定的組，根據(jù)它們出現(xiàn)的次序，這些組缺省的被分配了一個(gè)組號(hào)，第一個(gè)出現(xiàn)的組號(hào)為1號(hào)，依次類推。那么反向引用就是可以在之后的表達(dá)式的位置上是使用"\n"來引用這個(gè)組，這里n是被引用的組號(hào)。反向引用就像是程序中的變量一樣，下面我們看具體的例子： 
前面的單詞重復(fù)表達(dá)式，現(xiàn)在我們采用反向引用可以寫做： 
"\b(the) +\1\b" 
現(xiàn)在，如果我們要匹配所有的重復(fù)單詞，我們就可以改寫表達(dá)式為： 
"\b([a-zA-Z]+) +\1\b" 

最后一個(gè)問題是，如果我們要匹配的字符是正則表達(dá)式中的符號(hào)，怎么辦？對(duì)，使用轉(zhuǎn)義符號(hào)"\", 例如如果你要匹配一個(gè)小數(shù)點(diǎn)，那么你可以："\."，還要注意的是如果在程序中使用表達(dá)式那么"\"也要按照字符串的規(guī)定變成"\\"或者在表達(dá)式前面加@。 

本章僅僅是提供給菜鳥一個(gè)關(guān)于正則表達(dá)式的基礎(chǔ)知識(shí)，它只是其中的部分，我們還有許多東西要學(xué)習(xí)，這將在后面的章節(jié)中一一介紹。其實(shí)，正則表達(dá)式的學(xué)習(xí)并不難，你需要的是耐心和實(shí)踐，如果你想精通它的話?；蛟S有人說：“我不想知道汽車的細(xì)節(jié)，我只想學(xué)會(huì)怎么開車?！比绻阋彩沁@樣想的，那么，你永遠(yuǎn)也不知道怎么使用正則表達(dá)式來解決你的問題，進(jìn)而，你也永遠(yuǎn)不會(huì)懂得正則表達(dá)式的真正的強(qiáng)大。

最新評(píng)論