编程思想之正则表达式

什么是正则表达式？

正则表达式(Regular Expression)就是用某种模式去匹配一类字符串的公式。如你要在一篇文章中查找第一个字是“罗”最后一个字是“浩”的三个字的姓名，即“罗浩”；那么“罗浩”就是公式，也称作模式(Pattern)，这篇文章就是要匹配的串(或叫文本text)。再如，你要检查输入的一个字符串是否是126邮箱的格式，你得制定一个规则去查检，这种规则就是正则表达式。

应用场景

数据验证：
例如，可以检查输入的字符串，看其是否为电话号码格式，或是否为邮箱格式。这在网页的表单输入中经常用到。
查找子串：
可以查找文档内(或一个字符串内)符合指定模式的子串。
替换文本：
可以使用正则表达式来识别文档中的特定内容，完全删除该部分内容或者用其他字符串来替换它。
使用工具：
如Word、NotePad++、EditPlus等文字编辑器中的查找功能都支持正则表达式，用正则表达式你就可以实现更加多样化的查找。还有像VS、CodeBlock、Eclipse、Intellij Idea等开发工具的IDE的查找替换功能也都支持正则表达式，用它你可以修改变量名，调整代码格式，统计代码行数等。

常用正则表达式总结

常用的正则表达式已经有很多人做了总结了，在网上能够找到非常多，我就没有再写的必要了。下面贴出我觉得还不错的一个总结。
此部分内容为转载，来自：http://www.cnblogs.com/zxin/archive/2013/01/26/2877765.html

一、校验数字的表达式

1 数字：^[0-9]$
2 n位的数字：^\d{n}$
3 至少n位的数字：^\d{n,}$
4 m-n位的数字：^\d{m,n}$
5 零和非零开头的数字：^(0|[1-9][0-9])$
6 非零开头的最多带两位小数的数字：^([1-9][0-9])+(.[0-9]{1,2})?$
7 带1-2位小数的正数或负数：^(-)?\d+(.\d{1,2})?$
8 正数、负数、和小数：^(-|+)?\d+(.\d+)?$
9 有两位小数的正实数：^[0-9]+(.[0-9]{2})?$
10 有1~3位小数的正实数：^[0-9]+(.[0-9]{1,3})?$
11 非零的正整数：^[1-9]\d$ 或 ^([1-9][0-9]){1,3}$ 或 ^+?[1-9][0-9]$
12 非零的负整数：^-[1-9][]0-9”$ 或 ^-[1-9]\d$
13 非负整数：^\d+$ 或 ^[1-9]\d|0$
14 非正整数：^-[1-9]\d|0$ 或 ^((-\d+)|(0+))$
15 非负浮点数：^\d+(.\d+)?$ 或 ^[1-9]\d.\d|0.\d[1-9]\d|0?.0+|0$
16 非正浮点数：^((-\d+(.\d+)?)|(0+(.0+)?))$ 或 ^(-([1-9]\d.\d|0.\d[1-9]\d))|0?.0+|0$
17 正浮点数：^[1-9]\d.\d|0.\d[1-9]\d$ 或 ^(([0-9]+.[0-9][1-9][0-9])|([0-9][1-9][0-9].[0-9]+)|([0-9][1-9][0-9]))$
18 负浮点数：^-([1-9]\d.\d|0.\d[1-9]\d)$ 或 ^(-(([0-9]+.[0-9][1-9][0-9])|([0-9][1-9][0-9].[0-9]+)|([0-9][1-9][0-9])))$
19 浮点数：^(-?\d+)(.\d+)?$ 或 ^-?([1-9]\d.\d|0.\d[1-9]\d|0?.0+|0)$

二、校验字符的表达式

1 汉字：^[\u4e00-\u9fa5]{0,}$
2 英文和数字：^[A-Za-z0-9]+$ 或 ^[A-Za-z0-9]{4,40}$
3 长度为3-20的所有字符：^.{3,20}$
4 由26个英文字母组成的字符串：^[A-Za-z]+$
5 由26个大写英文字母组成的字符串：^[A-Z]+$
6 由26个小写英文字母组成的字符串：^[a-z]+$
7 由数字和26个英文字母组成的字符串：^[A-Za-z0-9]+$
8 由数字、26个英文字母或者下划线组成的字符串：^\w+$ 或 ^\w{3,20}$
9 中文、英文、数字包括下划线：^[\u4E00-\u9FA5A-Za-z0-9_]+$
10 中文、英文、数字但不包括下划线等符号：^[\u4E00-\u9FA5A-Za-z0-9]+$ 或 ^[\u4E00-\u9FA5A-Za-z0-9]{2,20}$
11 可以输入含有^%&’,;=?$\”等字符：[^%&’,;=?$\x22]+
12 禁止输入含有~的字符：[^~\x22]+

三、特殊需求表达式

1 Email地址：^\w+([-+.]\w+)@\w+([-.]\w+).\w+([-.]\w+)$
2 域名：[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(/.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+/.?
3 InternetURL：[a-zA-z]+://[^\s] 或 ^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$
4 手机号码：^(13[0-9]|14[5|7]|15[0|1|2|3|5|6|7|8|9]|18[0|1|2|3|5|6|7|8|9])\d{8}$
5 电话号码(“XXX-XXXXXXX”、”XXXX-XXXXXXXX”、”XXX-XXXXXXX”、”XXX-XXXXXXXX”、”XXXXXXX”和”XXXXXXXX)：^((\d{3,4}-)|\d{3.4}-)?\d{7,8}$
6 国内电话号码(0511-4405222、021-87888822)：\d{3}-\d{8}|\d{4}-\d{7}
7 身份证号(15位、18位数字)：^\d{15}|\d{18}$
8 短身份证号码(数字、字母x结尾)：^([0-9]){7,18}(x|X)?$ 或 ^\d{8,18}|[0-9x]{8,18}|[0-9X]{8,18}?$
9 帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
10 密码(以字母开头，长度在6~18之间，只能包含字母、数字和下划线)：^[a-zA-Z]\w{5,17}$
11 强密码(必须包含大小写字母和数字的组合，不能使用特殊字符，长度在8-10之间)：^(?=.\d)(?=.[a-z])(?=.[A-Z]).{8,10}$
12 日期格式：^\d{4}-\d{1,2}-\d{1,2}
13 一年的12个月(01～09和1～12)：^(0?[1-9]|1[0-2])$
14 一个月的31天(01～09和1～31)：^((0?[1-9])|((1|2)[0-9])|30|31)$
15 钱的输入格式：
16 1.有四种钱的表示形式我们可以接受:”10000.00” 和 “10,000.00”, 和没有 “分” 的 “10000” 和 “10,000”：^[1-9][0-9]$
17 2.这表示任意一个不以0开头的数字,但是,这也意味着一个字符”0”不通过,所以我们采用下面的形式：^(0|[1-9][0-9])$
18 3.一个0或者一个不以0开头的数字.我们还可以允许开头有一个负号：^(0|-?[1-9][0-9])$
19 4.这表示一个0或者一个可能为负的开头不为0的数字.让用户以0开头好了.把负号的也去掉,因为钱总不能是负的吧.下面我们要加的是说明可能的小数部分：^[0-9]+(.[0-9]+)?$
20 5.必须说明的是,小数点后面至少应该有1位数,所以”10.”是不通过的,但是 “10” 和 “10.2” 是通过的：^[0-9]+(.[0-9]{2})?$
21 6.这样我们规定小数点后面必须有两位,如果你认为太苛刻了,可以这样：^[0-9]+(.[0-9]{1,2})?$
22 7.这样就允许用户只写一位小数.下面我们该考虑数字中的逗号了,我们可以这样：^[0-9]{1,3}(,[0-9]{3})(.[0-9]{1,2})?$
23 8.1到3个数字,后面跟着任意个逗号+3个数字,逗号成为可选,而不是必须：^([0-9]+|[0-9]{1,3}(,[0-9]{3}))(.[0-9]{1,2})?$
24 备注：这就是最终结果了,别忘了”+”可以用”“替代如果你觉得空字符串也可以接受的话(奇怪,为什么?)最后,别忘了在用函数时去掉去掉那个反斜杠,一般的错误都在这里
25 xml文件：^([a-zA-Z]+-?)+[a-zA-Z0-9]+\.[x|X][m|M][l|L]$
26 中文字符的正则表达式：[\u4e00-\u9fa5]
27 双字节字符：[^\x00-\xff] (包括汉字在内，可以用来计算字符串的长度(一个双字节字符长度计2，ASCII字符计1))
28 空白行的正则表达式：\n\s\r (可以用来删除空白行)
29 HTML标记的正则表达式：<(\S?)[^>]>.?</\1>|<.? /> (网上流传的版本太糟糕，上面这个也仅仅能部分，对于复杂的嵌套标记依旧无能为力)
30 首尾空白字符的正则表达式：^\s|\s$或(^\s)|(\s$) (可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式)
31 腾讯QQ号：[1-9][0-9]{4,} (腾讯QQ号从10000开始)
32 中国邮政编码：[1-9]\d{5}(?!\d) (中国邮政编码为6位数字)
33 IP地址：\d+.\d+.\d+.\d+ (提取IP地址时有用)
34 IP地址：((?:(?:25[0-5]|2[0-4]\d|[01]?\d?\d)\.){3}(?:25[0-5]|2[0-4]\d|[01]?\d?\d)) (由@飞龙三少提供,感谢共享)

从入门开始

我们就从上面提到的一个例子开始：检查一个字符串是否符合126邮箱的格式。
我们从网易的邮箱注册页面可以看到126邮箱的用户名需要符合以下的格式：6~18个字符，可使用字母、数字、下划线，需以字母开头。我们可以定义一个模式：^[a-zA-Z]\w{5,17}@126.com

这个模式可以这样理解：
[a-zA-Z]：任何一个a到z或A到Z的英文字母
^：表示以什么开头，则^[a-zA-Z]表示以字母开头
\w：单词字符[a-zA-Z0-9]，即a-z或A-Z或0-9或中的任何一个字符
{5,17}：表示出现5到17次(至少5次，不超过17次)，则\w{5,17}表示5~17个字符。
因为还有一个以非数字字母开头的字符，所以^[a-zA-Z]\w{5,17}表示：“6~18个字符，可使用字母、数字、下划线，需以字母开头”
@126.com：表示符合以上规则的用户名后跟上@126.com字符串，即组成一个邮箱地址。

“^[a-zA-Z]\w{5,17}@126.com”就是我们所说的正则表达式，用Java的简单实现如下：

String regex = "^[a-zA-Z]\\w{5,17}@126\\.com";  //定义匹配的规则:正则表达式  
//说明：126.com中的.需要转义\\.  
String text = "ZhanSan@126fcom";    //要检查的字符串  
boolean isMatched = text.matches(regex);    //判断text是否符合规则regex  
System.out.println(isMatched);

正则表达式常用符号

上面一个示例中用到的“^”、“\w”、“{5,17}”等都是正则表达式中的常用符号，这些符号在正则表达式中都有特殊的含意。下面这个表格是Java中的正则表达式常用符号的含意(只抽取了其常用的部分进行说明，就这些部分其实可以解决关于正则表达式的绝大多数的问题了)。
模式
匹配的内容(含意)

字符类
[abc]
a、b 或 c（简单类）
[^abc]
任何字符，除了 a、b 或 c（否定）
[a-zA-Z]
a 到 z 或 A 到 Z，两头的字母包括在内（范围）
[a-d[m-p]]
a 到 d 或 m 到 p：[a-dm-p]（并集）
[a-z&&[def]]
d、e 或 f（交集）
[a-z&&[^bc]]
a 到 z，除了 b 和 c：[ad-z]（减去）
[a-z&&[^m-p]]
a 到 z，而非 m 到 p：[a-lq-z]（减去）

预定义字符类
.
任何字符（与行结束符可能匹配也可能不匹配）
\d
数字：[0-9]
\D
非数字： [^0-9]
\s
空白字符：[ \t\n\x0B\f\r]
\S
非空白字符：[^\s]
\w
单词字符：[a-zA-Z_0-9]
\W
非单词字符：[^\w]

边界匹配器
^
行的开头
$
行的结尾
\b
单词边界
\B
非单词边界
\A
输入的开头
\G
上一个匹配的结尾
\Z
输入的结尾，仅用于最后的结束符（如果有的话）
\z
输入的结尾

数量词(Greedy策略)
X?
X，一次或一次也没有
X*
X，零次或多次
X+
X，一次或多次
X{n}
X，恰好 n 次
X{n,}
X，至少 n 次
X{n,m}
X，至少 n 次，但是不超过 m 次

逻辑运算符
XY
X 后跟 Y
X|Y
X 或 Y
(X)
X，作为捕获组
参考文档：Class Pattern

这些常用的符号在各种编程语言的正则表达式中含意基本相同(因为正则表达式的思想是相同的)，所以都可以用来参数。但不同的语言可能会有一些细小的差别，如果要针对各种编程语言，想有更精确和权威的说明，可参考其官方文档：
C++(VS2013编译器)：http://msdn.microsoft.com/zh-cn/library/bb982727.aspx#grammarsummary
Java： http://docs.oracle.com/javase/7/docs/api/java/util/regex/Pattern.html
JavaScript： http://www.w3school.com.cn/jsref/jsref_obj_regexp.asp

正则表达式的使用

下面从常见的需求出发讲述C++、Java和JavaScript中正则表达式的使用
C++中的正则表达式
C++中正则表达式主要有三种实现方式：C语言的实现方式(C regex)，C++标准库的实现(C++ regex)，Boost库的实现(boost regex)。C regex的方式是一种面向过程的编程方式，使用起来不太方便；C++ regex的方式因为是标准库的一部分，所以可以直接使用(好像Linux平台下不支持)，但C++ regex非常难用，语法要求比较严格，而且好多默认的选项和我们正常的想法不一样；Boost是一个开源的第三方库，这个库非常优秀，广泛应用于C++的项目开发中，boost regex非常灵活好用，C++开发时是大家推崇的一种方式。
关于boost regex的用法，在后继的文章将会进一步介绍，现在以C++ regex的方式列举一个使用样例。
1.验证ip地址

#include <regex>  
#include <iostream>  
#include <string>  
bool IsIpV4Address(const std::string& strIp)  
{  
    //验证IP地址的模式，这里"\."中的"\"是转义字符,表示这是一个.  
    const std::regex pattern("(\\d{1,3}){1}\.(\\d{1,3}){1}\.(\\d{1,3}){1}\.(\\d{1,3}){1}");  
    //匹配验证  
    return std::regex_match(strIp, pattern);  
}  
int main()  
{  
    std::string strIp1 = "134.34.34.4";//192.168.1.1  
    std::string strIp2 = "192.168.255";  
    std::cout << strIp1 << " : " << (IsIpV4Address(strIp1) ? "valid" : "invalid") << std::endl;  
    std::cout << strIp2 << " : " << (IsIpV4Address(strIp2) ? "valid" : "invalid") << std::endl;  
    return 0;  
}

Java中的正则表达式
1.验证一个字符串是否为URL

public static boolean isUrl(String text) {  
    String regex = "^http://([\\w-]+.)+[\\w-]+(/[\\w-./?%&=#]*)?$";  
    return text.matches(regex);  
}

2.判断一个文本中有多少个URL，并将所有的URL加上超链接.
如以下文本：
C++(VS2013编译器)：http://msdn.microsoft.com/zh-cn/library/bb982727.aspx#grammarsummary
Java： http://docs.oracle.com/javase/7/docs/api/java/util/regex/Pattern.html
JavaScript： http://www.w3school.com.cn/jsref/jsref_obj_regexp.asp
添加链接后变成：
C++(VS2013编译器)：http://msdn.microsoft.com/zh-cn/library/bb982727.aspx#grammarsummary
Java： http://docs.oracle.com/javase/7/docs/api/java/util/regex/Pattern.html
JavaScript： http://www.w3school.com.cn/jsref/jsref_obj_regexp.asp

/**
 * 给一个字符串添加链接
 * @param text 要添加链接的字符串
 * @param url 链接的URL
 * @return 添加链接后的字符串
 */  
public static String AddHref(String text, String url) {  
    return  "<a href=\"" + url +  "\">" + text + "</a>";  
}  
/**
 * 查找文本中的URL字符串，并将其添加链接
 * @param text 需要查找的文本
 * @return 添加链接后的文本
 */  
public static String AddLinkToText(String text) {  
    Pattern pattern = Pattern.compile("http://([\\w-]+.)+[\\w-]+(/[\\w-./?%&=#]*)?");  
    Matcher matcher = pattern.matcher(text);  
    StringBuffer sb = new StringBuffer();           //定义一个字符缓冲区，用于保存新的文本  
    while (matcher.find()) {  
        String matchedSubStr = matcher.group();     //提取出查找到的子串  
        matcher.appendReplacement(sb, AddHref(matchedSubStr, matchedSubStr));   //将找到的子串添加链接后塞到字符缓冲区内  
    }  
    matcher.appendTail(sb);  
    return sb.toString();  
}

JavaScript中的正则表达式
JavaScript中的正则表达式是通过RegExp对象实现的。RegExp对象的创建有三种方式：
精简方式：
/pattern/attributes
new方式：
new RegExp(pattern, attributes);
函数调用的方式：
RegExp(pattern, attributes);

参数pattern可以是一个模式串，也可以是一个RegExp对象，如果pattern本身就是RegExp的对象，则attributes参数将不起作用(新创建的对象的必发与pattern对象相同。)，需要省略，如果不省略会抛TypeError 异常。
参数attributes有三种属性"g"、"i" 和 "m"，分别用于指定全局匹配、区分大小写的匹配和多行匹配。

RegExp主要有三个方法：
compile
编译正则表达式，可用于改变和重新编译正则表达式。
exec
检索字符串中指定的值。返回找到的值，并确定其位置。
test
检索字符串中是否有指定的值。返回 true 或 false。

1.验证字符串是否为数字

<script type="text/javascript">  
    function isNumber(text) {  
        var pattern = new RegExp("^\\d*$");  
        return pattern.test(text);  
    }  
    var value1 = "1234";  
    document.write(value1 + " is Numed:" + isNumber(value1));  
</script>

2.邮箱格式：

<script type="text/javascript">  
    function isEmail(text) {  
        var reg = /^([\w-.])+@([\w-])+((\.[\w-]{2,3}){1,2})$/;  
        return reg.test(text);  
    }  
    var value2 = "Zhang.San@163.com";  
    document.write(value2 + " is Email:" + isEmail(value2));  
</script>

3.将一个文本中的所有邮箱地址和在文本中的位置打印到页面

<script type="text/javascript">  
    function PrintEmail(text) {  
    //匹配的模式  
    var reg = RegExp("([\\w-.])+@([\\w-])+((\.[\\w-]{2,3}){1,2})", "g");  
    var result; //保存结果  
    while ((result = reg.exec(text)) != null)  {  
        document.write(result[0] + "<br/>" + result.index);  
        document.write("<br/><br/>");  
    }  
    }  
    var text = "张三 Zhang.San@163.com; 李四 Li_si@126.com；王五 WangWu@gmail.com.cn" ;  
    PrintEmail(text);  
</script>

写在后面

正则表达式是一个非常强大而又非常常用的一个编程技术，我以上这片文章也只是抛砖引玉，讲述了其中最常用的一部分。因为其内容实在太庞大，如果要详细描述，每一种编程语言的正则表达式都可以单独成一本书。