[.net 面向对象程序设计进阶] 正则表达式 (二) 高级应用

[.net 面向对象程序设计进阶] (2) 正则表达式 (二) 高级应用

上一节我们说到了C#使用正则表达式的几种方法(Replace,Match,Matches,IsMatch,Split等)，还有正则表达式的几种元字符及其应用实例，这些都是学习正则表达式的基础。本节，我们继续深入学习表达式的几种复杂的用法。

1.分组

用小括号来指定子表达式(也叫做分组)

我们通过前一节的学习，知道了重复单个字符，只需要在字符后面加上限定符就可以了，

比如 a{5},如果要重复多个字符，就要使用小括号分组，然后在后面加上限定符，下面我们看一个示例。

示例一：重复单字符和重复分组字符

//示例：重复单字符 和 重复分组字符//重复 单个字符Console.WriteLine("请输入一个任意字符串，测试分组：");string inputStr = Console.ReadLine();string strGroup1 = @"a{2}";Console.WriteLine("单字符重复2两次替换为22，结果为："+Regex.Replace(inputStr, strGroup1,"22"));//重复 多个字符 使用（abcd）{n}进行分组限定string strGroup2 = @"(ab\w{2}){2}";Console.WriteLine("分组字符重复2两次替换为5555，结果为：" + Regex.Replace(inputStr, strGroup2, "5555"));

运行结果如下：

示例二：校验IP4地址（如：192.168.1.4，为四段，每段最多三位，每段最大数字为255，并且第一位不能为0）

//示例：校验IP4地址（如：192.168.1.4，为四段，每段最多三位，每段最大数字为255，并且第一位不能为0）string regexStrIp4 = @"^(((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?))$";Console.WriteLine("请输入一个IP4地址：");string inputStrIp4 = Console.ReadLine();Console.WriteLine(inputStrIp4 + " 是否为合法的IP4地址：" + Regex.IsMatch(inputStrIp4, regexStrIp4));Console.WriteLine("请输入一个IP4地址：");string inputStrIp4Second = Console.ReadLine();      Console.WriteLine(inputStrIp4 + " 是否为合法的IP4地址：" + Regex.IsMatch(inputStrIp4Second, regexStrIp4));

运行结果如下：

在这个正则表达式中，我们需要理解 2[0-4]\d|25[0-5]|[01]?\d\d?

这部分表示一个三位数的三种形式

2[0-4]\d 表示：2开头+0~4的一位数字+任意数

25[0-5] 表示：25开头+0~5的一位数字

[01]?\d\d? 表示：0或1或空 + 一位任意数字 + 一位任意数或空

这三种形式使用|分开，表示择一种匹配

理解了这段，整体就理解了，前半部分为重复三次带.号，后面一个不带.号

^ 和 $ 表示匹配整体的开始和结束

2. 后向引用

在这节之前，还是比较好理解的，这段有点难以理解了，但是我们还得拍拍脑袋继续学习。

先不说后向引用是啥，我们先说，后向引用能干啥？

前面我们说了分组的概念，就是在正则表达式中使用小括号（）完成分组，后向引用就是针对分组的。

如果前面分组以后，后面还要检索前面分组内同样的内容，就用到了后向引用，意思就是后面引用前面的分组之意。

…………………………………………………………………容我喘口气…………………………………………………………………………………………

那么要如何在后面引用前面分组呢？

这里就需要有一个组名，即定义一个组名，在后面引用。

在定义组名前，说一下

正则对于分组的工作原理：

A.分组后，正则会自动为每个分组编一个组号

B.分配组号时，从左往右扫描两遍，第一遍给未命名分组分配组号，第二遍自然是给命名组分配组号。因此，命名组的组号是大于未命名组的组号。（说这些工作原理，对我们使用后向引用没有什么作用，就是理解一下，内部工作原理而已）

C.也不是所有的组都会分配组号，我们可以使用（:?exp)来禁止分配组号。

不知道小伙伴们是否看明白了，至少我看了网上关于这块儿的介绍，都不是很清晰。

下面先看一下后向引用捕获的定义

分类	代码/语法	说明
捕获	(exp)	匹配exp,并捕获文本到自动命名的组里
	(?<name>exp)	匹配exp,并捕获文本到名称为name的组里，也可以写成(?'name'exp)
	(?:exp)	匹配exp,不捕获匹配的文本，也不给此分组分配组号

先来对上面的三个语法理解一下：

（exp）就是分组，使用() ,exp就是分组内的子表达式，这个在上面分组中已经说明了

（？<name>exp）或（？’name’exp）就是组分组命名，只是有两种写法而已

（?:exp）exp表达式不会被捕获到某个组里，也不会分配组号，但不会改变正则处理方式，肯定很多小盆友要问，为啥要有这个东西，要他何用？

大家看一下下面这个示例：

^([1-9][0-9]*|0)$ 表示匹配0-9的整数

再看下面这个

^(?:[1-9][0-9]*|0)$ 也是匹配0-9的整数，但是使用了非捕获组

作用呢？两个字：效率

因为我们定义了组，但是我们只是为了使用组来限定范围开始和结束，并不是为了后向引用，因此使用非捕获组来禁上分配组号和保存到组里，极大的提高了检索效率。

有了上面的理解，我才好写点示例，先理论后实践。

在进行示例前，我们先复习以下上节学到的元字符

* 匹配前面的子表达式任意次。例如，zo* 能匹配“z”，“zo”以及“zoo”。*等价于{ 0,}。

+ 匹配前面的子表达式一次或多次(大于等于1次）。例如，“zo +”能匹配“zo”以及“zoo”，但不能匹配“z”。+等价于{ 1,}。

? 匹配前面的子表达式零次或一次。例如，“do (es) ?”可以匹配“do”或“does”中的“do”。?等价于{ 0,1}。

\w 匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”，这里的"单词"字符使用Unicode字符集。

\b 匹配一个单词边界，也就是指单词和空格间的位置（即正则表达式的“匹配”有两种概念，一种是匹配字符，一种是匹配位置，这里的\b就是匹配位置的）。例如，“er\b”可以匹配“never”中的“er”，但不能匹配“verb”中的“er”。

\s 匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。

//后向引用//在后向引用前，我们先熟悉一下单词的查找 //复习一下前面学的几个元字符// * 匹配前面的子表达式任意次。例如，zo* 能匹配“z”，“zo”以及“zoo”。*等价于{ 0,}。// + 匹配前面的子表达式一次或多次(大于等于1次）。例如，“zo +”能匹配“zo”以及“zoo”，但不能匹配“z”。+等价于{ 1,}。// ? 匹配前面的子表达式零次或一次。例如，“do (es) ?”可以匹配“do”或“does”中的“do”。?等价于{ 0,1}。 // \w 匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”，这里的"单词"字符使用Unicode字符集。// \b 匹配一个单词边界，也就是指单词和空格间的位置（即正则表达式的“匹配”有两种概念，一种是匹配字符，一种是匹配位置，这里的\b就是匹配位置的）。例如，“er\b”可以匹配“never”中的“er”，但不能匹配“verb”中的“er”。    // \s 匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。string str1 = "zoo zoo hello how you mess ok ok home house miss miss yellow";//示例一:查找单词中以e结尾的，并将单词替换为了*string regexStr1 = @"\w+e\b";Console.WriteLine("示例一：" + Regex.Replace(str1, regexStr1,"*"));//示例二：查询单词中以h开头的，并将单词替换为#string regexStr2 = @"\bh\w+";Console.WriteLine("示例二：" + Regex.Replace(str1, regexStr2, "#"));//示例三：查找单词中有重叠ll的单词，将单词替换为@string regexStr3 = @"\b\w+l+\w+\b";Console.WriteLine("示例三：" + Regex.Replace(str1, regexStr3, "@"));

此外，我们说到了分组及编号，那么如何取到某个分组的匹配文本呢？

使用 \1 表示取第一个分组的匹配文本

//使用 \1 代表第一个分组 组号为1的匹配文本//示例四：查询单词中有两个重复的单词，替换为% string regexStr4 = @"(\b\w+\b)\s+\1";Console.WriteLine("示例四：" + Regex.Replace(str1, regexStr4, "%"));//上面示例中，第一个分组匹配任意一个单词 \s+ 表示任意空字符 \1 表示匹配和第一个分组相同

别名定义（?<name>exp），别名后向引用 \k<name>

//使用别名 代替 组号 ,别名定义 （?<name>exp） ，别名后向引用 \k<name>//示例五：使用别名后向引用 查询 查询单词中有两个重复的单词，替换为%% string regexStr5 = @"(?<myRegWord>\b\w+\b)\s+\k<myRegWord>";Console.WriteLine("示例五："+Regex.Replace(str1, regexStr5, "%%"));

运行结果如下：

3. 零宽断言

什么!?什么！？对你没看错，这段题目叫“零宽断言”（顿时1W头艹尼马奔腾而过！！！！）

本来正则表达式学到本节，小伙伴们渐渐感觉看着有点吃力了，还来这么一个名字。

不过，不要忘记，我们这一系列的文章叫“.NET 进阶”既然是进阶，自然就有很多有难度的问题要解决，我们还是先看一下这个概念的意思吧！

什么是零宽断言?

我们有经常要查询某些文本某个位置前面或后面的东西，就像 ^ $ \b一样，指定一个位置，这个位置需要满足一定的条件（断言），我们把这个称做零宽断言

分类	代码/语法	说明
零宽断言	(?=exp)	匹配exp前面的位置
	(?<=exp)	匹配exp后面的位置
	(?!exp)	匹配后面跟的不是exp的位置
	(?<!exp)	匹配前面不是exp的位置

看上面的表，零宽断言一共有四个类型的位置判断写法

我们先举几个示例来看看，TMD零宽断言到底解决了什么问题？

//零宽断言//示例一：将下面字符串每三位使用逗号分开string stringFist = "dfalrewqrqwerl43242342342243434abccc";string regexStringFist = @"((?=\w)\w{3})";string newStrFist = String.Empty;Regex.Matches(stringFist, regexStringFist).Cast<Match>().Select(m=>m.Value).ToList<string>().ForEach(m => newStrFist += (m+","));Console.WriteLine("示例一：" + newStrFist.TrimEnd(','));//示例二:查询字符串中，两个空格之间的所有数字string FindNumberSecond = "asdfas 3 dfasfas3434324 9 8888888 7 dsafasd342";string regexFindNumberSecond = @"((?<=\s)\d(?=\s))";string newFindNumberSecond = String.Empty;Regex.Matches(FindNumberSecond, regexFindNumberSecond).Cast<Match>().Select(m => m.Value).ToList<string>().ForEach(m => newFindNumberSecond += (m + " "));Console.WriteLine("示例二：" + newFindNumberSecond);

运行结果如下：

?=exp)也叫零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式exp。

(?<=exp)也叫零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式exp。

4. 负向零宽断言

实在无语了，零宽断言刚理解完，又来了一个负向零宽断言，真是非常的坑爹。

解释这个概念已经非常无力了，除非你不是地球人。但这个东东本身并不难使用，我们直接解决一个问题。

//负向零宽断言//示例：查找单词中包含x并且x前面不是o的所有单词string strThird = "hot example how box house ox xerox his fox six my";string regexStrThird = @"\b\w*[^o]x\w*\b";string newStrThird = String.Empty;Regex.Matches(strThird, regexStrThird).Cast<Match>().Select(m => m.Value).ToList<string>().ForEach(m => newStrThird += (m + " "));Console.WriteLine("示例一：" + newStrThird);//我们发现以上写法，如果以x开头的单词，就会出错，原因是[^o]必须要匹配一个非o的字符//为了解决以上问题，我们需要使用负向零宽断言 (?<!o])负向零宽断言能解决这样的问题，因为它只匹配一个位置，并不消费任何字符//改进以后如下string regexStrThird2 = @"\b\w*(?<!o)x\w*\b";string newStrThird2 = String.Empty;Regex.Matches(strThird, regexStrThird2).Cast<Match>().Select(m => m.Value).ToList<string>().ForEach(m => newStrThird2 += (m + " "));Console.WriteLine("示例二：" + newStrThird2);//示例三：如查询上面示例，但是要求区配必须含o但 后面不能有x 则要使用 (?!x)string regexStrThird3 = @"\b\w*o(?!x)\w*\b";string newStrThird3 = String.Empty;Regex.Matches(strThird, regexStrThird3).Cast<Match>().Select(m => m.Value).ToList<string>().ForEach(m => newStrThird3 += (m + " "));Console.WriteLine("示例三：" + newStrThird3);

运行结果如下：

5. 注释

正则表达式很长的时候，很难读懂，因些他有专门的注释方法，主要有两种写法

A.通过语法(?#comment)

例如：\b\w*o(?!x)(?#o后面不包含x)\w*\b 红色部分是注释，他不对表达式产生任何影响

B.启用“忽略模式里的空白符”选项的多行注释法

例如：

//正则表达式注释//重写上面的例子，采用多行注释法string regexStrThird4 = @"\b     #限定单词开头             \w*    #任意长度字母数字及下划线             o(?!x)   #含o字母并且后面的一个字母不是x             \w*    #任意长度字母数字及下划线             \b     #限定单词结尾             ";string newStrThird4 = String.Empty;Regex.Matches(strThird, regexStrThird4,RegexOptions.IgnorePatternWhitespace).Cast<Match>().Select(m => m.Value).ToList<string>().ForEach(m => newStrThird4 += (m + " "));Console.WriteLine("示例四：" + newStrThird4);

运行结果同上。

6. 注释贪婪与懒惰

这个比较好理解，首先，懒惰是针对重复匹配模式来说的，我们先看一下下面的表懒惰的限定符如下：

懒惰限定符
代码/语法	说明
*?	重复任意次，但尽可能少重复
+?	重复1次或更多次，但尽可能少重复
??	重复0次或1次，但尽可能少重复
{n,m}?	重复n到m次，但尽可能少重复
{n,}?	重复n次以上，但尽可能少重复

通过示例来看

//懒惰限定符string LazyStr = "xxyxy";string regexLazyStr = @"x.*y";string regexLazyStr2 = @"x.*?y";string newLazyStr = String.Empty;Regex.Matches(LazyStr, regexLazyStr).Cast<Match>().Select(m => m.Value).ToList<string>().ForEach(m => newLazyStr += (m + " "));string newLazyStr2 = String.Empty;Regex.Matches(LazyStr, regexLazyStr2).Cast<Match>().Select(m => m.Value).ToList<string>().ForEach(m => newLazyStr2 += (m + " "));Console.WriteLine("贪婪模式：" + newLazyStr);Console.WriteLine("懒惰模式：" + newLazyStr2);

运行结果如下：

我们可以看出：

懒惰匹配，也就是匹配尽可能少的字符。

相反，贪婪模式则尽可能多的匹配字符

贪婪模式都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?

7.处理与选项

常用的处理选项
名称	说明
IgnoreCase(忽略大小写)	匹配时不区分大小写。
Multiline(多行模式)	更改^和$的含义，使它们分别在任意一行的行首和行尾匹配，而不仅仅在整个字符串的开头和结尾匹配。(在此模式下,$的精确含意是:匹配\n之前的位置以及字符串结束前的位置.)
Singleline(单行模式)	更改.的含义，使它与每一个字符匹配（包括换行符\n）。
IgnorePatternWhitespace(忽略空白)	忽略表达式中的非转义空白并启用由#标记的注释。
ExplicitCapture(显式捕获)	仅捕获已被显式命名的组。