操作很简单,对于有多个表格且其替换的内容有差异时尤为有效。
以下提供一些正则表达式知识供需要时参考:
附:
正则表达式基础知识
一个正则表达式就是由普通字符(例如字符a到z)以及特殊字符(称为元字符)组成的文字模式。
该模式描述在查找文字主体时待匹配的一个或多个字符串。
正则表达式作为一个模板,将某个字符模式与所搜索的字符串进行匹配。
如:
JScriptVBScript匹配
/^\[\t]*$/"^\[\t]*$"匹配一个空白行。
/\d{2}-\d{5}/"\d{2}-\d{5}"验证一个ID号码是否由一个2位数字,一个连字符以及一个5位数字组成。
/<(.*)>.*<\/\1>/"<(.*)>.*<\/\1>"匹配一个HTML标记。
下表是元字符及其在正则表达式上下文中的行为的一个完整列表:
字符描述
\将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。
例如,'n'匹配字符"n"。
'\n'匹配一个换行符。
序列'\\'匹配"\"而"\("则匹配"("。
^匹配输入字符串的开始位置。
如果设置了RegExp对象的Multiline属性,^也匹配'\n'或'\r'之后的位置。
$匹配输入字符串的结束位置。
如果设置了RegExp对象的Multiline属性,$也匹配'\n'或'\r'之前的位置。
*匹配前面的子表达式零次或多次。
例如,zo*能匹配"z"以及"zoo"。
*等价于{0,}。
+匹配前面的子表达式一次或多次。
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}。
{n}n是一个非负整数。
匹配确定的n次。
例如,'o{2}'不能匹配"Bob"中的'o',但是能匹配"food"中的两个o。
{n,}n是一个非负整数。
至少匹配n次。
例如,'o{2,}'不能匹配"Bob"中的'o',但能匹配"foooood"中的所有o。
'o{1,}'等价于'o+'。
'o{0,}'则等价于'o*'。
{n,m}m和n均为非负整数,其中n<=m。
最少匹配n次且最多匹配m次。
例如,"o{1,3}"将匹配"fooooood"中的前三个o。
'o{0,1}'等价于'o'。
请注意在逗号和两个数之间不能有空格。
当该字符紧跟在任何一个其他限制符(*,+,,{n},{n,},{n,m})后面时,匹配模式是非贪婪的。
非贪婪模式尽可能少的匹配所搜索的字符串,而默认的贪婪模式则尽可能多的匹配所搜索的字符串。
例如,对于字符串"oooo",'o+'将匹配单个"o",而'o+'将匹配所有'o'。
.匹配除"\n"之外的任何单个字符。
要匹配包括'\n'在内的任何字符,请使用象'[.\n]'的模式。
(pattern)匹配pattern并获取这一匹配。
所获取的匹配可以从产生的Matches集合得到,在VBScript中使用SubMatches集合,在JScript中则使用$0…$9属性。
要匹配圆括号字符,请使用'\('或'\)'。
(:
pattern)匹配pattern但不获取匹配结果,也就是说这是一个非获取匹配,不进行存储供以后使用。
这在使用"或"字符(|)来组合一个模式的各个部分是很有用。
例如,'industr(:
y|ies)就是一个比'industry|industries'更简略的表达式。
(=pattern)正向预查,在任何匹配pattern的字符串开始处匹配查找字符串。
这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。
例如,'Windows(=95|98|NT|2000)'能匹配"Windows2000"中的"Windows",但不能匹配"Windows"中的"Windows"。
预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始。
(!
pattern)负向预查,在任何不匹配pattern的字符串开始处匹配查找字符串。
这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。
例如'Windows(!
95|98|NT|2000)'能匹配"Windows"中的"Windows",但不能匹配"Windows2000"中的"Windows"。
预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始
x|y匹配x或y。
例如,'z|food'能匹配"z"或"food"。
'(z|f)ood'则匹配"zood"或"food"。
[xyz]字符集合。
匹配所包含的任意一个字符。
例如,'[abc]'可以匹配"plain"中的'a'。
[^xyz]负值字符集合。
匹配未包含的任意字符。
例如,'[^abc]'可以匹配"plain"中的'p'。
[a-z]字符范围。
匹配指定范围内的任意字符。
例如,'[a-z]'可以匹配'a'到'z'范围内的任意小写字母字符。
[^a-z]负值字符范围。
匹配任何不在指定范围内的任意字符。
例如,'[^a-z]'可以匹配任何不在'a'到'z'范围内的任意字符。
\b匹配一个单词边界,也就是指单词和空格间的位置。
例如,'er\b'可以匹配"never"中的'er',但不能匹配"verb"中的'er'。
\B匹配非单词边界。
'er\B'能匹配"verb"中的'er',但不能匹配"never"中的'er'。
\cx匹配由x指明的控制字符。
例如,\cM匹配一个Control-M或回车符。
x的值必须为A-Z或a-z之一。
否则,将c视为一个原义的'c'字符。
\d匹配一个数字字符。
等价于[0-9]。
\D匹配一个非数字字符。
等价于[^0-9]。
\f匹配一个换页符。
等价于\x0c和\cL。
\n匹配一个换行符。
等价于\x0a和\cJ。
\r匹配一个回车符。
等价于\x0d和\cM。
\s匹配任何空白字符,包括空格、制表符、换页符等等。
等价于[\f\n\r\t\v]。
\S匹配任何非空白字符。
等价于[^\f\n\r\t\v]。
\t匹配一个制表符。
等价于\x09和\cI。
\v匹配一个垂直制表符。
等价于\x0b和\cK。
\w匹配包括下划线的任何单词字符。
等价于'[A-Za-z0-9_]'。
\W匹配任何非单词字符。
等价于'[^A-Za-z0-9_]'。
\xn匹配n,其中n为十六进制转义值。
十六进制转义值必须为确定的两个数字长。
例如,'\x41'匹配"A"。
'\x041'则等价于'\x04'&"1"。
正则表达式中可以使用ASCII编码。
.
\num匹配num,其中num是一个正整数。
对所获取的匹配的引用。
例如,'(.)\1'匹配两个连续的相同字符。
\n标识一个八进制转义值或一个向后引用。
如果\n之前至少n个获取的子表达式,则n为向后引用。
否则,如果n为八进制数字(0-7),则n为一个八进制转义值。
\nm标识一个八进制转义值或一个向后引用。
如果\nm之前至少有nm个获得子表达式,则nm为向后引用。
如果\nm之前至少有n个获取,则n为一个后跟文字m的向后引用。
如果前面的条件都不满足,若n和m均为八进制数字(0-7),则\nm将匹配八进制转义值nm。
\nml如果n为八进制数字(0-3),且m和l均为八进制数字(0-7),则匹配八进制转义值nml。
\un匹配n,其中n是一个用四个十六进制数字表示的Unicode字符。
例如,\u00A9匹配版权符号(?
)。
下面看几个例子:
"^The":
表示所有以"The"开始的字符串("There","Thecat"等);
"ofdespair$":
表示所以以"ofdespair"结尾的字符串;
"^abc$":
表示开始和结尾都是"abc"的字符串——呵呵,只有"abc"自己了;
"notice":
表示任何包含"notice"的字符串。
'*','+'和''这三个符号,表示一个或一序列字符重复出现的次数。
它们分别表示“没有或更多”,“一次或更多”还有“没有或一次”。
下面是几个例子:
"ab*":
表示一个字符串有一个a后面跟着零个或若干个b。
("a","ab","abbb",……);
"ab+":
表示一个字符串有一个a后面跟着至少一个b或者更多;
"ab":
表示一个字符串有一个a后面跟着零个或者一个b;
"ab+$":
表示在字符串的末尾有零个或一个a跟着一个或几个b。
也可以使用范围,用大括号括起,用以表示重复次数的范围。
"ab{2}":
表示一个字符串有一个a跟着2个b("abb");
"ab{2,}":
表示一个字符串有一个a跟着至少2个b;
"ab{3,5}":
表示一个字符串有一个a跟着3到5个b。
请注意,你必须指定范围的下限(如:
"{0,2}"而不是"{,2}")。
还有,你可能注意到了,'*','+'和''相当于"{0,}","{1,}"和"{0,1}"。
还有一个'|',表示“或”操作:
"hi|hello":
表示一个字符串里有"hi"或者"hello";
"(b|cd)ef":
表示"bef"或"cdef";
"(a|b)*c":
表示一串"a""b"混合的字符串后面跟一个"c";
'.'可以替代任何字符:
"a.[0-9]":
表示一个字符串有一个"a"后面跟着一个任意字符和一个数字;
"^.{3}$":
表示有任意三个字符的字符串(长度为3个字符);
方括号表示某些字符允许在一个字符串中的某一特定位置出现:
"[ab]":
表示一个字符串有一个"a"或"b"(相当于"a|b");
"[a-d]":
表示一个字符串包含小写的'a'到'd'中的一个(相当于"a|b|c|d"或者"[abcd]");
"^[a-zA-Z]":
表示一个以字母开头的字符串;
"[0-9]%":
表示一个百分号前有一位的数字;
",[a-zA-Z0-9]$":
表示一个字符串以一个逗号后面跟着一个字母或数字结束。
你也可以在方括号里用'^'表示不希望出现的字符,'^'应在方括号里的第一位。
(如:
"%[^a-zA-Z]%"表
示两个百分号中不应该出现字母)。
为了逐字表达,必须在"^.$()|*+{\"这些字符前加上转移字符'\'。
请注意在方括号中,不需要转义字符。
1.什么是正则表达式
基本说来,正则表达式是一种用来描述一定数量文本的模式。
Regex代表RegularExpress。
本文将用<>来表示一段具体的正则表达式。
一段文本就是最基本的模式,简单的匹配相同的文本。
2.不同的正则表达式引擎
正则表达式引擎是一种可以处理正则表达式的软件。
通常,引擎是更大的应用程序的一部分。
在软件世界,不同的正则表达式并不互相兼容。
本教程会集中讨论Perl5类型的引擎,因为这种引擎是应用最广泛的引擎。
同时我们也会提到一些和其他引擎的区别。
许多近代的引擎都很类似,但不完全一样。
例如.NET正则库,JDK正则包。
3.文字符号
最基本的正则表达式由单个文字符号组成。
如<>,它将匹配字符串中第一次出现的字符“a”。
如对字符串“Jackisaboy”。
“J”后的“a”将被匹配。
而第二个“a”将不会被匹配。
正则表达式也可以匹配第二个“a”,这必须是你告诉正则表达式引擎从第一次匹配的地方开始搜索。
在文本编辑器中,你可以使用“查找下一个”。
在编程语言中,会有一个函数可以使你从前一次匹配的位置开始继续向后搜索。
类似的,<>会匹配“Aboutcatsanddogs”中的“cat”。
这等于是告诉正则表达式引擎,找到一个<>,紧跟一个<>,再跟一个<>。
要注意,正则表达式引擎缺省是大小写敏感的。
除非你告诉引擎忽略大小写,否则<>不会匹配“Cat”。
·特殊字符
对于文字字符,有11个字符被保留作特殊用途。
他们是:
[]\^$.|*+()
这些特殊字符也被称作元字符。
如果你想在正则表达式中将这些字符用作文本字符,你需要用反斜杠“\”对其进行换码
(escape)。
例如你想匹配“1+1=2”,正确的表达式为<<1\+1=2>>.
需要注意的是,<<1+1=2>>也是有效的正则表达式。
但它不会匹配“1+1=2”,而会匹配“123+111=234”中的“111=2”。
因为“+”在这里表示特殊含义(重复1次到多次)。
在编程语言中,要注意,一些特殊的字符会先被编译器处理,然后再传递给正则引擎。
因此正则表达式<<1\+2=2>>在C++中要写成“1\\+1=2”。
为了匹配“C:
\temp”,你要用正则表达式<\\temp>>。
而在C++中,正则表达式则变成了“C:
\\\\temp”。
·不可显示字符
可以使用特殊字符序列来代表某些不可显示字符:
<<\t>>代表Tab(0x09)
<<\r>>代表回车符(0x0D)
<<\n>>代表换行符(0x0A)
要注意的是Windows中文本文件使用“\r\n”来结束一行而Unix使用“\n”。
4.正则表达式引擎的内部工作机制
知道正则表达式引擎是如何工作的有助于你很快理解为何某个正则表达式不像你期望的那样工作。
有两种类型的引擎:
文本导向(text-directed)的引擎和正则导向(regex-directed)的引擎。
JeffreyFriedl把他们称作DFA和NFA引擎。
本文谈到的是正则导向的引擎。
这是因为一些非常有用的特性,如“惰性”量词(lazyquantifiers)和反向引用(backreferences),只能在正则导向的引擎中实现。
所以毫不意外这种引擎是目前最流行的引擎。
你可以轻易分辨出所使用的引擎是文本导向还是正则导向。
如果反向引用或“惰性”量词被实现,则可以肯定你使用的引擎是正则导向的。
你可以作如下测试:
将正则表达式<>应用到字符串“regexnot”。
如果匹配的结果是regex,则引擎是正则导向的。
如果结果是regexnot,则是文本导向的。
因为正则导向的引擎是“猴急”的,它会很急切的进行表功,报告它找到的第一个匹配
。
·正则导向的引擎总是返回最左边的匹配
这是需要你理解的很重要的一点:
即使以后有可能发现一个“更好”的匹配,正则导向的引擎也总是返回最左边的匹配。
当把<>应用到“Hecapturedacatfishforhiscat”,引擎先比较<>和“H”,结果失败了。
于是引擎再比较<>和“e”,也失败了。
直到第四个字符,<>匹配了“c”。
<>匹配了第五个字符。
到第六个字符<>没能匹配“p”,也失败了。
引擎再继续从第五个字符重新检查匹配性。
直到第十五个字符开始,<>匹配上了“catfish”中的“cat”,正则表达式引擎急切的返回第一个匹配的结果,而不会再继续查找是否有其他更好的匹配。
5.字符集
字符集是由一对方括号“[]”括起来的字符集合。
使用字符集,你可以告诉正则表达式引擎仅仅匹配多个字符中的一个。
如果你想匹配一个“a”或一个“e”,使用<<[ae]>>。
你可以使用<>匹配gray或grey。
这在你不确定你要搜索的字符是采用美国英语还是英国英语时特别有用。
相反,<>将不会匹配graay或graey。
字符集中的字符顺序并没有什么关系,结果都是相同的。
你可以使用连字符“-”定义一个字符范围作为字符集。
<<[0-9]>>匹配0到9之间的单个数字。
你可以使用不止一个范围。
<<[0-9a-fA-F]>>匹配单个的十六进制数字,并且大小写不敏感。
你也可以结合范围定义与单个字符定义。
<<[0-9a-fxA-FX]>>匹配一个十六进制数字或字母X。
再次强调一下,字符和范围定义的先后顺序对结果没有影响。
·字符集的一些应用
查找一个可能有拼写错误的单词,比如<>或
<
>。
查找程序语言的标识符,<>。
(*表示重复0或多次)
查找C风格的十六进制数<<0[xX][A-Fa-f0-9]+>>。
(+表示重复一次或多次)
·取反字符集
在左方括号“[”后面紧跟一个尖括号“^”,将会对字符集取反。
结果是字符集将匹配任何不在方括号中的字符。
不像“.”,取反字符集是可以匹配回车换行符的。
需要记住的很重要的一点是,取反字符集必须要匹配一个字符。
<>并不意味着:
匹配一个q,后面没有u跟着。
它意味着:
匹配一个q,后面跟着一个不是u的字符。
所以它不会匹配“Iraq”中的q,而会匹配“Iraqisacountry”中的q和一个空格符。
事实上,空格符是匹配中的一部分,因为它是一个“不是u的字符”。
如果你只想匹配一个q,条件是q后面有一个不是u的字符,我们可以用后面将讲到的向前查看来解决。
·字符集中的元字符
需要注意的是,在字符集中只有4个
字符具有特殊含义。
它们是:
“]\^-”。
“]”代表字符集定义的结束;“\”代表转义;“^”代表取反;“-”代表范围定义。
其他常见的元字符在字符集定义内部都是正常字符,不需要转义。
例如,要搜索星号*或加号+,你可以用<<[+*]>>。
当然,如果你对那些通常的元字符进行转义,你的正则表达式一样会工作得很好,但是这会降低可读性。
在字符集定义中为了将反斜杠“\”作为一个文字字符而非特殊含义的字符,你需要用另一个反斜杠对它进行转义。
<<[\\x]>>将会匹配一个反斜杠和一个X。
“]^-”都可以用反斜杠进行转义,或者将他们放在一个不可能使用到他们特殊含义的位置。
我们推荐后者,因为这样可以增加可读性。
比如对于字符“^”,将它放在除了左括号“[”后面的位置,使用的都是文字字符含义而非取反含义。
如<<[x^]>>会匹配一个x或^。
<<[]x]>>会匹配一个“]”或“x”。
<<[-x]>>或<<[x-]>>都会匹配一个“-”或“x”。
·字符集的简写
因为一些字符集非常常用,所以有一些简写方式。
<<\d>>代表<<[0-9]>>;
<<\w>>代表单词字符。
这个是随正则表达式实现的不同而有些差异。
绝大多数的正则表达式实现的单词字符集都包含了<>。
<<\s>>代表“白字符”。
这个也是和不同的实现有关的。
在绝大多数的实现中,都包含了空格符和Tab符,以及回车换行符<<\r\n>>。
字符集的缩写形式可以用在方括号之内或之外。
<<\s\d>>匹配一个白字符后面紧跟一个数字。
<<[\s\d]>>匹配单个白字符或数字。
<<[\da-fA-F]>>将匹配一个十六进制数字。
取反字符集的简写
<<[\S]>>=<<[^\s]>>
<<[\W]>>=<<[^\w]>>
<<[\D]>>=<<[^\d]>>
·字符集的重复
如果你用“*+”操作符来重复一个字符集,你将会重复整个字符集。
而不仅是它匹配的那个字符。
正则表达式<<[0-9]+>>会匹配837以及222。
如果你仅仅想重复被匹配的那个字符,可以用向后引用达到目的。
我们以后将讲到向后引用。
6.使用*或+进行重复
:
告诉引擎匹配前导字符0次或一次。
事实上是表示前导字符是可选的。
+:
告诉引擎匹配前导字符1次或多次
*:
告诉引擎匹配前导字符0次或多次
<[A-Za-z][A-Za-z0-9]*>匹配没有属性的HTML标签,“<”以及“>”是文字符号。
第一个字符集匹配一个字母,第二个字符集匹配一个字母或数字。
我们似乎也可以用<[A-Za-z0-9]+>。
但是它会匹配<1>。
但是这个正则表达式在你知道你要搜索的字符串不包含类似的无效标签时还是足够有效的。
·限制性重复
许多现代的正则表达式实现,都允许你定义对一个字符重复多少次。
词法是:
{min,max}。
min和max都是非负整数。
如果逗号有而max被忽略了,则max没有限制。
如果逗号和max都被忽略了,则重复min次。
因此{0,}和*一样,{1,}和+的作用一样。
你可以用<<\b[1-9][0-9]{3}\b>>匹配1000~9999之间的数字(“\b”表示单词边界)。
<<\b[1-9][0-9]{2,4}\b>>匹配一个在100~99999之间的数字。
·注意贪婪性
假设你想用一个正则表达式匹配一个HTML标签。
你知道输入将会是一个有效的HTML文件,因此正则表达式不需要排除那些无效的标签。
所以如果是在两个尖括号之间的内容,就应该是一个HTML标签。
许多正则表达式的新手会首先想到用正则表达式<<<.+>>>,他们会很惊讶的发现,对于测试字符串,“Thisisafirsttest”,你可能期望会返回,然后继续进行匹配的时候,返回。
但事实是不会。
正则表达式将会匹配“first”。
很显然这不是我们想要的结果。
原因在于“+”是贪婪的。
也就是说,“+”会导致正则表达式引擎试图尽可能的重复前导字符。
只有当这种重复会引起整个正则表达式匹配失败的情况下,引擎会进行回溯。
也就是说,它会放弃最后一次的“重复”,然后处理正则表达式余下的部分。
和“+”类似,“*”的重复也是贪婪的。
·深入正则表达式引擎内部
让我们来看看正则引擎如何匹配前面的例子。
第一个记号是“<”,这是一个文字符号。
第二个符号是“.”,匹配了字符“E”,然后“+”一直可以匹配其余的字符,直到一行的结束。
然后到了
展开阅读全文
相关搜索