正则表达式（Regular Expressions）

正则表达式在其他编程语言中的应用非常广泛，网上资料也非常多，而网上在ABAP语言中应用的资料却很少，尽管各语言中正则表达式语法知识都很类似，但仍然有一些区别，本文主要是简单介绍一下其基本语法。总结一下，方便大家查阅。

欢迎转载，请注明出处，文中不足之处还望指正。（Email：[email protected]）

一、简要认识

正则表达式就是用一个“字符串”来描述一个特征，然后去验证另一个“字符串”是否符合这个特征。比如表达式“ab+” 描述的特征是“一个 ‘a’ 和任意个 ‘b’ ”，那么 ‘ab’, ‘abb’, ‘abbbbbbbbbb’ 都符合这个特征。

正则表达式可以用来：（1）验证字符串是否符合指定特征，比如验证是否是合法的邮件地址。（2）用来查找字符串，从一个长的文本中查找符合指定特征的字符串，比查找固定字符串更加灵活方便。（3）用来替换，比普通的替换更强大。

举例

DATA: matcher TYPE REF TO cl_abap_matcher,       match   TYPE c LENGTH 1. matcher = cl_abap_matcher=>create( pattern     = ‘/w+@/w+(/./w+)+’                                    text        = [email protected]‘ ). match = matcher->match( ). WRITE match.

输出结果：X

解释：

1>     ‘/w+@/w+(/./w+)+’中 /w 是表示任意一个字母或数字或下划线，+ 表示前面字符个数为一个或多个，@[email protected]

2>     matcher参照类cl_abap_matcher，match有匹配的意思，调用静态方法create创建了匹配的对（暂时这么理解，好吧，我承认我不知道怎么形容），然后调用match方法，返回值中’X’表示匹配，SPACE表示不匹配。

具体含义后面会讲到，本程序主要是验证邮件地址是否合法。

 

二、语法规则

 

pattern模板，text要匹配的字符，match匹配结果，’X’表示匹配，SPACE表示不匹配。

 

1、 普通字符

 

字母、数字、汉字、下划线、以及后面没有特殊定义的标点符号，都是”普通字符”。表达式中的普通字符，在匹配一个字符串的时候，匹配与之相同的一个字符。

 

2、 转义字符

 

一些不便书写的字符，采用在前面加 “/” 的方法。例如’.’

 

 

3、 能够与 ‘多种字符’ 匹配的表达式

 

正则表达式中的一些表示方法，可以匹配 ‘多种字符’ 其中的任意一个字符。比如，表达式 “/d” 可以匹配任意一个数字。虽然可以匹配其中任意字符，但是只能是一个，不是多个。这就好比玩扑克牌时候，大小王可以代替任意一张牌，但是只能代替一张牌。（没玩过？好吧，去玩qq够级吧，ok，信息泄露了，承认我是山东人）

 

 

4、 自定义能够与 ‘多种字符’ 匹配的表达式

 

使用方括号 [ ] 包含一系列字符，能够匹配其中任意一个字符。用 [^ ] 包含一系列字符，则能够匹配其中字符之外的任意一个字符。同样的道理，虽然可以匹配其中任意一个，但是只能是一个，不是多个。

 

5、 支持的 POSIX 字符集合

 

    个人感觉意义不大，可能对一些控制字符有用吧，了解。

   

 

6、 修饰匹配次数的特殊符号

 

前面讲到的表达式，无论是只能匹配一种字符的表达式，还是可以匹配多种字符其中任意一个的表达式，都只能匹配一次。如果使用表达式再加上修饰匹配次数的特殊符号，那么不用重复书写表达式就可以重复匹配，否则会累死的。

 

 

7、 其他一些代表抽象意义的特殊符号

 

 

进一步的文字说明仍然比较抽象，因此，举例帮助大家理解。

    举例1：表达式 “^aaa” 在匹配 “xxx aaa xxx” 时，匹配结果是：失败。因为 “^” 要求与字符串开始的地方匹配，因此，只有当 “aaa” 位于字符串的开头的时候，”^aaa” 才能匹配，比如：”aaa xxx xxx”。

    举例2：表达式 “aaa$” 在匹配 “xxx aaa xxx” 时，匹配结果是：失败。因为 “$” 要求与字符串结束的地方匹配，因此，只有当 “aaa” 位于字符串的结尾的时候，”aaa$” 才能匹配，比如：”xxx xxx aaa”。

    举例3：表达式 “./b.” 在匹配 “@@@abc” 时，能够找到匹配的内容；匹配到的内容是：”@a”；匹配到的位置是：开始于2，结束于4。
    进一步说明：”/b” 与 “^” 和 “$” 类似，本身不匹配任何字符，但是它要求它在匹配结果中所处位置的左右两边，其中一边是 “/w” 范围，另一边是 非”/w” 的范围。

    举例4：表达式 “/bend/b” 在匹配 “weekend,endfor,end” 时，能够找到匹配的内容；匹配到的内容是：”end”；匹配到的位置是：开始于15，结束于18。

 

 

三、正则表达式中的一些高级规则(ABAP部分支持)

1、 匹配次数中的贪婪与非贪婪

贪婪模式：

 

在使用修饰匹配次数的特殊符号时，有几种表示方法可以使同一个表达式能够匹配不同的次数，比如：”{m,n}”, “{m,}”, “?”, “*”, “+”，具体匹配的次数随被匹配的字符串而定。这种重复匹配不定次数的表达式在匹配过程中，总是尽可能多的匹配。比如，针对文本 “dxxxdxxxd”，举例如下：

由此可见，”/w+” 在匹配的时候，总是尽可能多的匹配符合它规则的字符。虽然第二个举例中，它没有匹配最后一个 “d”，但那也是为了让整个表达式能够匹配成功。同理，带 “*” 和 “{m,n}” 的表达式都是尽可能地多匹配，带 “?” 的表达式在可匹配可不匹配的时候，也是尽可能的 “要匹配”。这种匹配原则就叫作 “贪婪” 模式 。

非贪婪模式：（ABAP暂时不支持，但是最好理解吧）

    在修饰匹配次数的特殊符号后再加上一个 “?” 号，则可以使匹配次数不定的表达式尽可能少的匹配，使可匹配可不匹配的表达式，尽可能的 “不匹配”。这种匹配原则叫作 “非贪婪” 模式，也叫作 “勉强” 模式。如果少匹配就会导致整个表达式匹配失败的时候，与贪婪模式类似，非贪婪模式会最小限度的再匹配一些，以使整个表达式匹配成功。举例如下，针对文本 “dxxxdxxxd” 举例：

更多的情况，举例如下：
    举例1：表达式 “<td>(.*)</td>” 与字符串 “<td><p>aa</p></td> <td><p>bb</p></td>” 匹配时，匹配的结果是：成功；匹配到的内容是 “<td><p>aa</p></td> <td><p>bb</p></td>” 整个字符串， 表达式中的 “</td>” 将与字符串中最后一个 “</td>” 匹配。 
    举例2：相比之下，表达式 “<td>(.*?)</td>” 匹配举例1中同样的字符串时，将只得到 “<td><p>aa</p></td>”， 再次匹配下一个时，可以得到第二个 “<td><p>bb</p></td>”。

2、 反向引用 /1, /2

表达式在匹配时，表达式引擎会将小括号 “( )” 包含的表达式所匹配到的字符串记录下来。在获取匹配结果的时候，小括号包含的表达式所匹配到的字符串可以单独获取。这一点，在前面的举例中，已经多次展示了。在实际应用场合中，当用某种边界来查找，而所要获取的内容又不包含边界时，必须使用小括号来指定所要的范围。比如前面的 “<td>(.*?)</td>”。

    其实，”小括号包含的表达式所匹配到的字符串” 不仅是在匹配结束后才可以使用，在匹配过程中也可以使用。表达式后边的部分，可以引用前面 “括号内的子匹配已经匹配到的字符串”。引用方法是 “/” 加上一个数字。”/1″ 引用第1对括号内匹配到的字符串，”/2″ 引用第2对括号内匹配到的字符串……以此类推，如果一对括号内包含另一对括号，则外层的括号先排序号。换句话说，哪一对的左括号 “(” 在前，那这一对就先排序号。

举例如下：

    举例1：表达式 “(‘|”)(.*?)/1″ 在匹配 ” ‘Hello’, “World” ” 时，匹配结果是：成功；匹配到的内容是：” ‘Hello’ “。再次匹配下一个时，可以匹配到 ” “World” “。

    举例2：表达式 “(/w)/1{4,}” 在匹配 “aa bbbb abcdefg ccccc 111121111 999999999” 时，匹配结果是：成功；匹配到的内容是 “ccccc”。再次匹配下一个时，将得到 999999999。这个表达式要求 “/w” 范围的字符至少重复5次，注意与 “/w{5,}” 之间的区别。

    举例3：表达式 “<(/w+)/s*(/w+(=(‘|”).*?/4)?/s*)*>.*?<//1>” 在匹配 “<td id=’td1’ style=”bgcolor:white”></td>” 时，匹配结果是成功。如果 “<td>” 与 “</td>” 不配对，则会匹配失败；如果改成其他配对，也可以匹配成功。

3、 预搜索

前面的章节中，我讲到了几个代表抽象意义的特殊符号：”^”，”$”，”/b”。它们都有一个共同点，那就是：它们本身不匹配任何字符，只是对 “字符串的两头” 或者 “字符之间的缝隙” 附加了一个条件。理解到这个概念以后，本节将继续介绍另外一种对 “两头” 或者 “缝隙” 附加条件的，更加灵活的表示方法。

 

正向预搜索：”(?=xxxxx)”，”(?!xxxxx)”

    格式：”(?=xxxxx)”，在被匹配的字符串中，它对所处的 “缝隙” 或者 “两头” 附加的条件是：所在缝隙的右侧，必须能够匹配上 xxxxx 这部分的表达式。因为它只是在此作为这个缝隙上附加的条件，所以它并不影响后边的表达式去真正匹配这个缝隙之后的字符。这就类似 “/b”，本身不匹配任何字符。”/b” 只是将所在缝隙之前、之后的字符取来进行了一下判断，不会影响后边的表达式来真正的匹配。
   

举例1：表达式 “Windows (?=NT|XP)” 在匹配 “Windows 98, Windows NT, Windows 2000” 时，将只匹配 “Windows NT” 中的 “Windows “，其他的 “Windows ” 字样则不被匹配。

    举例2：表达式 “(/w)((?=/1/1/1)(/1))+” 在匹配字符串 “aaa ffffff 999999999” 时，将可以匹配6个”f”的前4个，可以匹配9个”9″的前7个。这个表达式可以读解成：重复4次以上的字母数字，则匹配其剩下最后2位之前的部分。当然，这个表达式可以不这样写，在此的目的是作为演示之用。

格式：”(?!xxxxx)”，所在缝隙的右侧，必须不能匹配 xxxxx 这部分表达式。

    举例3：表达式 “((?!/bstop/b).)+” 在匹配 “fdjka ljfdl stop fjdsla fdj” 时，将从头一直匹配到 “stop” 之前的位置，如果字符串中没有 “stop”，则匹配整个字符串。

    举例4：表达式 “do(?!/w)” 在匹配字符串 “done, do, dog” 时，只能匹配 “do”。在本条举例中，”do” 后边使用 “(?!/w)” 和使用 “/b” 效果是一样的。

表达式	方向	说明
(?=xxx)	正向预搜索（向右）	正向预搜索，判断当前位置右侧是否能匹配指定表达式
(?!xxx)		正向预搜索否定，判断当前位置右侧是否不能够匹配指定表达式
(?<=xxx)	反向预搜索（向左）[ABAP不支持]	反向预搜索，判断当前位置左侧是否能够匹配指定表达式
(?<!xxx)		反向预搜索否定，判断当前位置左侧是否不能够匹配指定表达式

 

4、 其他补充

1>  在表达式 “/s”，”/d”，”/w”，”/b” 表示特殊意义的同时，其大写字母表示相反的意义

2>  在表达式中有特殊意义，需要添加 “/” 才能匹配该字符本身的字符汇总

 

四、在ABAP中的应用

 

规则终于写完了！其实和其他编程语言规则差不多啦！下面结合ABAP讲讲怎么使用吧，Let’s GO!

不过需要注意, SAP只能是ECC6或者更高版本才可以使用正则(ABAP supports POSIX regular expressions as of Release 7.00)

 

    在ABAP中定义了两个类来实现相应功能，分别是

CL_ABAP_REGEX               regex就是regular expression的缩写，里面的方法不是很多，可能用到的也就只有构造方法和REATE_MATCHER这个方法。

CL_ABAP_MATCHER     matcher匹配的意思，也就是说所有的匹配规则都和它有关，里面具体方法，se24去查看

 

其实正则表达式的应用无外乎三种：验证（是否符合规则）、查找（包含提取）、替换

 

1、        验证

实例1

IF CL_ABAP_MATCHER=>MATCHES( PATTERN = ‘/D+’                              TEXT    = ‘ZF25’ )    = ABAP_TRUE.   WRITE ‘IS NUMBER’. ELSE.   WRITE ‘IS NOT NUMBER’. ENDIF.

输出结果：IS NOT NUMBER

解释：CL_ABAP_MATCHER有一个静态方法，直接进行匹配。

 

2、        查找

实例2

DATA:   MATCHER TYPE REF TO CL_ABAP_MATCHER,   MATCHES TYPE MATCH_RESULT_TAB,   MATCH   LIKE LINE OF MATCHES,   W_TEXT  TYPE STRING. W_TEXT =  ‘<a id=”MyLinks1_NewPostLink”‘ & ‘ href=”http://www.cnblogs.com/VerySky/admin/EditPosts.aspx?opt=1″>’. MATCHER = CL_ABAP_MATCHER=>CREATE( PATTERN  = ‘http://.*(?=”)’                                    TEXT     = W_TEXT ). MATCHES = MATCHER->FIND_ALL( ). LOOP AT MATCHES INTO MATCH.   WRITE:/ W_TEXT+MATCH-OFFSET(MATCH-LENGTH). ENDLOOP.

输出结果：http://www.cnblogs.com/VerySky/admin/EditPosts.aspx?opt=1

解释：

1. 创建match实例（创建规则），构造方法中有pattern参数输入规则，IGNORE_CASE是否忽略大小写，SIMPLE_REGEX是否使用简单规则（具体参见F1帮助文档），

B．在实例中有FIND_ALL(),FIND_NEXT()方法，可以用来查找。

 

这个方法是不是太麻烦了啊，不急有简单的方法，其实就是字符串处理中用到的。

 

实例3

DATA: patt       TYPE string VALUE `n.?w`,       text       TYPE string,       result_tab TYPE match_result_tab. FIELD-SYMBOLS <match> LIKE LINE OF result_tab. FIND ALL OCCURRENCES OF REGEX patt IN       `Everybody knows this is nowhere`      RESULTS result_tab. LOOP AT result_tab ASSIGNING <match>.   WRITE: / <match>-offset, <match>-length. ENDLOOP.

输出结果： 11      3 24      3

 

实例4

DATA: STR TYPE STRING ,       RESULT_TAB TYPE MATCH_RESULT_TAB ,       WA LIKE LINE OF RESULT_TAB. *找出STRING里面的双字节字符 str = ‘abc我啊adfsf们’. FIND ALL OCCURRENCES OF REGEX ‘[^/x00-/xff]*’ IN STR RESULTS RESULT_TAB. LOOP AT RESULT_TAB INTO WA.   WRITE / STR+WA-OFFSET(WA-LENGTH). ENDLOOP.

输出结果： 我啊 们

解释：大家都知道英文字母是单字节的，中文是双字节的，但是在ABAP里面用strlen等方法是区别不出单双字节的，这个实例中讲的不失为一个很好的办法。

 

3、        替换

 

实例4

DATA:   MATCHER TYPE REF TO CL_ABAP_MATCHER,   COUNT   TYPE I,   W_TEXT  TYPE STRING,   W_NEWTEXT TYPE STRING. W_TEXT    = ‘hubinshishuibuzhidao’. W_NEWTEXT = ‘FFF’. MATCHER = CL_ABAP_MATCHER=>CREATE( PATTERN  = ‘sh.?i’                                    TEXT     = W_TEXT ). WRITE:/ ‘REPLACE BEFORE:’, W_TEXT. COUNT = MATCHER->REPLACE_ALL( NEWTEXT = W_NEWTEXT ). WRITE:/ ‘REPLACE COUNT IS:’, COUNT. WRITE:/ ‘REPLACE AFTER:’, W_TEXT.

输出结果： REPLACE BEFORE: hubinshishuibuzhidao REPLACE COUNT IS:2 REPLACE AFTER: hubinshishuibuzhidao

大家肯定会说了，字符串前后没有没替换啊。注意修改的不是W_TEXT本身，他将修改后的值放到了MATCHER->TEXT即match类实例的属性里面，我们只需令W_TEXT = MATCHER->TEXT即可。

      修改后

DATA:   MATCHER TYPE REF TO CL_ABAP_MATCHER,   COUNT   TYPE I,   W_TEXT  TYPE STRING,   W_NEWTEXT TYPE STRING. W_TEXT    = ‘hubinshishuibuzhidao’. W_NEWTEXT = ‘FFF’. MATCHER = CL_ABAP_MATCHER=>CREATE( PATTERN  = ‘sh.?i’                                    TEXT     = W_TEXT ). WRITE:/ ‘REPLACE BEFORE:’, W_TEXT. COUNT = MATCHER->REPLACE_ALL( NEWTEXT = W_NEWTEXT ). W_TEXT = MATCHER->TEXT. WRITE:/ ‘REPLACE COUNT IS:’, COUNT. WRITE:/ ‘REPLACE AFTER:’, W_TEXT.

输出结果： REPLACE BEFORE: hubinshishuibuzhidao REPLACE COUNT IS:2 REPLACE AFTER: hubinFFFFFFbuzhidao

 

同样这里也有简单方法，字符串处理中的方法也是支持正则的

实例5

DATA TEXT TYPE STRING VALUE ‘-dfufdud-‘. REPLACE ALL OCCURRENCES OF REGEX ‘u’ IN text WITH ‘x’. WRITE TEXT.

输出结果： -dfxfdxd-

 

4、        方法语句总结

 

类结

CL_ABAP_MATCHER类里的重要方法

字符串处理中，支持正则的语句 

五、补充

 

这里给出ABAP F1帮助中给出的一个特殊字符的列表，很有用的

 

Special Characters in Regular Expressions

The following tables summarize the special characters in regular expressions:

Escape character

Special character	Meaning
/	Escape character for special characters

 

Special character for single character strings

Special character	Meaning
.	Placeholder for any single character
/C	Placeholder for any single character
/d	Placeholder for any single digit
/D	Placeholder for any character other than a digit
/l	Placeholder for any lower-case letter
/L	Placeholder for any character other than a lower-case letter
/s	Placeholder for a blank character
/S	Placeholder for any character other than a blank character
/u	Placeholder for any upper-case letter
/U	Placeholder for any character other than an upper-case letter
/w	Placeholder for any alphanumeric character including _
/W	Placeholder for any non-alphanumeric character except for _
[ ]	Definition of a value set for single characters
[^ ]	Negation of a value set for single characters
[ – ]	Definition of a range in a value set for single characters
[ [:alnum:] ]	Description of all alphanumeric characters in a value set
[ [:alpha:] ]	Description of all letters in a value set
[ [:blank:] ]	Description for blank characters and horizontal tabulators in a value set
[ [:cntrl:] ]	Description of all control characters in a value set
[ [:digit:] ]	Description of all digits in a value set
[ [:graph:] ]	Description of all graphic special characters in a value set
[ [:lower:] ]	Description of all lower-case letters in a value set
[ [:print:] ]	Description of all displayable characters in a value set
[ [:punct:] ]	Description of all punctuation characters in a value set
[ [:space:] ]	Description of all blank characters, tabulators, and carriage feeds in a value set
[ [:unicode:] ]	Description of all Unicode characters in a value set with a code larger than 255
[ [:upper:] ]	Description of all upper-case letters in a value set
[ [:word:] ]	Description of all alphanumeric characters in a value set, including _
[ [:xdigit:] ]	Description of all hexadecimal digits in a value set
/a /f /n /r /t /v	Diverse platform-specific control characters
[..]	Reserved for later enhancements
[==]	Reserved for later enhancements

 

Special characters for character string patterns

Special character	Meaning
{n}	Concatenation of n single characters
{n,m}	Concatenation of at least n and a maximum of m single characters
{n,m}?	Reserved for later enhancements
?	One or no single characters
*	Concatenation of any number of single characters including ‘no characters’
*?	Reserved for later enhancements
+	Concatenation of any number of single characters excluding ‘no characters’
+?	Reserved for later enhancements
|	Linking of two alternative expressions
( )	Definition of subgroups with registration
(?: )	Definition of subgroups without registration
/1, /2, /3 …	Placeholder for the register of subgroups
/Q … /E	Definition of a string of literal characters
(? … )	Reserved for later enhancements

 

Special characters for search strings

Special character	Meaning
^	Anchor character for the start of a line
/A	Anchor character for the start of a character string
$	Anchor character for the end of a line
/Z	Anchor character for the end of a character string
/<	Start of a word
/>	End of a word
/b	Start or end of a word
/B	Space between characters within a word
(?= )	Preview condition
(?! )	Negated preview condition

 

Special characters for replacement texts

Special character	Meaning
$0, $&	Placeholder for the whole found location
$1, $2, $3…	Placeholder for the register of subgroups
$`	Placeholder for the text before the found location
$’	Placeholder for the text after the found location

 

从上面的列表可以看出，ABAP中对“非贪婪模式”（ABAP啊，你不支持啊，你太贪婪了）和“反向预搜索”暂不支持，希望以后能够赶紧扩展功能吧，毕竟很强大的说。

 

正则表达式是需要反复修改，最后才能找到最匹配的规则的，为此ABAP Program里也提供了一个，测试用得小程序，SE38里找DEMO_REGEX_TOY运行即可。

 

在ABAP培训资料里面有一个很有意思的表达式，大家有兴趣可以看一下它能匹配什么文字

 

 

以下附上网上的一些资料：

 

表达式全集

正则表达式有多种不同的风格。下表是在PCRE中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，请使用像“[./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“Windows3.1”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“Windows3.1”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（?）。

 

常用的正则表达式

正则表达式用于字符串处理、表单验证等场合，实用高效。现将一些常用的表达式收集于此，以备不时之需。

用户名：/^[a-z0-9_-]{3,16}$/

密码：/^[a-z0-9_-]{6,18}$/

十六进制值：/^#?([a-f0-9]{6}|[a-f0-9]{3})$/

电子邮箱：/^([a-z0-9_/.-]+)@([/da-z/.-]+)/.([a-z/.]{2,6})$/

URL：/^(https?:////)?([/da-z/.-]+)/.([a-z/.]{2,6})([///w /.-]*)*//?$/

IP 地址：/^(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)/.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)$/

HTML 标签：/^<([a-z]+)([^<]+)*(?:>(.*)<///1>|/s+//>)$/

Unicode编码中的汉字范围：/^[u4e00-u9fa5],{0,}$/

匹配中文字符的正则表达式： [/u4e00-/u9fa5]
评注：匹配中文还真是个头疼的事，有了这个表达式就好办了

匹配双字节字符(包括汉字在内)：[^/x00-/xff]
评注：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）

匹配空白行的正则表达式：/n/s*/r
评注：可以用来删除空白行

匹配HTML标记的正则表达式：<(/S*?)[^>]*>.*?<//1>|<.*? />
评注：网上流传的版本太糟糕，上面这个也仅仅能匹配部分，对于复杂的嵌套标记依旧无能为力

匹配首尾空白字符的正则表达式：^/s*|/s*$
评注：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

匹配Email地址的正则表达式：/w+([-+.]/w+)*@/w+([-.]/w+)*/./w+([-.]/w+)*
评注：表单验证时很实用

匹配网址URL的正则表达式：[a-zA-z]+://[^/s]*
评注：网上流传的版本功能很有限，上面这个基本可以满足需求

匹配帐号是否合法(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}$
评注：表单验证时很实用

匹配国内电话号码：/d{3}-/d{8}|/d{4}-/d{7}
评注：匹配形式如 0511-4405222 或 021-87888822

匹配腾讯QQ号：[1-9][0-9]{4,}
评注：腾讯QQ号从10000开始

匹配中国大陆邮政编码：[1-9]/d{5}(?!/d)
评注：中国大陆邮政编码为6位数字

匹配身份证：/d{15}|/d{18}
评注：中国大陆的身份证为15位或18位

匹配ip地址：/d+/./d+/./d+/./d+
评注：提取ip地址时有用

匹配特定数字：
^[1-9]/d*$　 　 //匹配正整数
^-[1-9]/d*$ 　 //匹配负整数
^-?[1-9]/d*$　　 //匹配整数
^[1-9]/d*|0$　 //匹配非负整数（正整数 + 0）
^-[1-9]/d*|0$　　 //匹配非正整数（负整数 + 0）
^[1-9]/d*/./d*|0/./d*[1-9]/d*$　　 //匹配正浮点数
^-([1-9]/d*/./d*|0/./d*[1-9]/d*)$　 //匹配负浮点数
^-?([1-9]/d*/./d*|0/./d*[1-9]/d*|0?/.0+|0)$　 //匹配浮点数
^[1-9]/d*/./d*|0/./d*[1-9]/d*|0?/.0+|0$　　 //匹配非负浮点数（正浮点数 + 0）
^(-([1-9]/d*/./d*|0/./d*[1-9]/d*))|0?/.0+|0$　　//匹配非正浮点数（负浮点数 + 0）
评注：处理大量数据时有用，具体应用时注意修正

匹配特定字符串：
^[A-Za-z]+$　　//匹配由26个英文字母组成的字符串
^[A-Z]+$　　//匹配由26个英文字母的大写组成的字符串
^[a-z]+$　　//匹配由26个英文字母的小写组成的字符串
^[A-Za-z0-9]+$　　//匹配由数字和26个英文字母组成的字符串
^/w+$　　//匹配由数字、26个英文字母或者下划线组成的字符串

如何写出高效率的正则表达式

如果纯粹是为了挑战自己的正则水平，用来实现一些特效（例如使用正则表达式计算质数、解线性方程），效率不是问题；如果所写的正则表达式只是为了满足一两次、几十次的运行，优化与否区别也不太大。但是，如果所写的正则表达式会百万次、千万次地运行，效率就是很大的问题了。我这里总结了几条提升正则表达式运行效率的经验（工作中学到的，看书学来的，自己的体会），贴在这里。如果您有其它的经验而这里没有提及，欢迎赐教。

为行文方便，先定义两个概念。

误匹配：指正则表达式所匹配的内容范围超出了所需要范围，有些文本明明不符合要求，但是被所写的正则式“击中了”。例如，如果使用/d{11}来匹配11位的手机号，/d{11}不单能匹配正确的手机号，它还会匹配98765432100这样的明显不是手机号的字符串。我们把这样的匹配称之为误匹配。

漏匹配：指正则表达式所匹配的内容所规定的范围太狭窄，有些文本确实是所需要的，但是所写的正则没有将这种情况囊括在内。例如，使用/d{18}来匹配18位的身份证号码，就会漏掉结尾是字母X的情况。

写出一条正则表达式，既可能只出现误匹配（条件写得极宽松，其范围大于目标文本），也可能只出现漏匹配（只描述了目标文本中多种情况种的一种），还可能既有误匹配又有漏匹配。例如，使用/w+/.com来匹配.com结尾的域名，既会误匹配abc_.com这样的字串（合法的域名中不含下划线，/w包含了下划线这种情况），又会漏掉ab-c.com这样的域名（合法域名中可以含中划线，但是/w不匹配中划线）。

精准的正则表达式意味着既无误匹配且无漏匹配。当然，现实中存在这样的情况：只能看到有限数量的文本，根据这些文本写规则，但是这些规则将会用到海量的文本中。这种情况下，尽可能地（如果不是完全地）消除误匹配以及漏匹配，并提升运行效率，就是我们的目标。本文所提出的经验，主要是针对这种情况。

掌握语法细节。正则表达式在各种语言中，其语法大致相同，细节各有千秋。明确所使用语言的正则的语法的细节，是写出正确、高效正则表达式的基础。例如，perl中与/w等效的匹配范围是[a-zA-Z0-9_]；perl正则式不支持肯定逆序环视中使用可变的重复（variable repetition inside lookbehind，例如(?<=.*)abc），但是.Net语法是支持这一特性的；又如，JavaScript连逆序环视（Lookbehind,如(?<=ab)c）都不支持，而perl和python是支持的。《精通正则表达式》第3章《正则表达式的特性和流派概览》明确地列出了各大派系正则的异同，这篇文章也简要地列出了几种常用语言、工具中正则的比较。对于具体使用者而言，至少应该详细了解正在使用的那种工作语言里正则的语法细节。

先粗后精，先加后减。使用正则表达式语法对于目标文本进行描述和界定，可以像画素描一样，先大致勾勒出框架，再逐步在局步实现细节。仍举刚才的手机号的例子，先界定/d{11}，总不会错；再细化为1[358]/d{9}，就向前迈了一大步（至于第二位是不是3、5、8，这里无意深究，只举这样一个例子，说明逐步细化的过程）。这样做的目的是先消除漏匹配（刚开始先尽可能多地匹配，做加法），然后再一点一点地消除误匹配（做减法）。这样有先有后，在考虑时才不易出错，从而向“不误不漏”这个目标迈进。

留有余地。所能看到的文本sample是有限的，而待匹配检验的文本是海量的，暂时不可见的。对于这样的情况，在写正则表达式时要跳出所能见到的文本的圈子，开拓思路，作出“战略性前瞻”。例如，经常收到这样的垃圾短信：“发*票”、“发#漂”。如果要写规则屏蔽这样烦人的垃圾短信，不但要能写出可以匹配当前文本的正则表达式 发[*#](?:票|漂)，还要能够想到 发.(?:票|漂|飘)之类可能出现的“变种”。这在具体的领域或许会有针对性的规则，不多言。这样做的目的是消除漏匹配，延长正则表达式的生命周期。

明确。具体说来，就是谨慎用点号这样的元字符，尽可能不用星号和加号这样的任意量词。只要能确定范围的，例如/w，就不要用点号；只要能够预测重复次数的，就不要用任意量词。例如，写析取twitter消息的脚本，假设一条消息的xml正文部分结构是<span class=”msg”>…</span>且正文中无尖括号，那么<span class=”msg”>[^<]{1,480}</span>这种写法的思路要好于<span class=”msg”>.*</span>，原因有二：一是使用[^<]，它保证了文本的范围不会超出下一个小于号所在的位置；二是明确长度范围，{1,480}，其依据是一条twitter消息大致能的字符长度范围。当然，480这个长度是否正确还可推敲，但是这种思路是值得借鉴的。说得狠一点，“滥用点号、星号和加号是不环保、不负责任的做法”。

不要让稻草压死骆驼。每使用一个普通括号()而不是非捕获型括号(?:…)，就会保留一部分内存等着你再次访问。这样的正则表达式、无限次地运行次数，无异于一根根稻草的堆加，终于能将骆驼压死。养成合理使用(?:…)括号的习惯。

宁简勿繁。将一条复杂的正则表达式拆分为两条或多条简单的正则表达式，编程难度会降低，运行效率会提升。例如用来消除行首和行尾空白字符的正则表达式s/^/s+|/s+$//g;，其运行效率理论上要低于s/^/s+//g; s//s+$//g; 。这个例子出自《精通正则表达式》第五章，书中对它的评论是“它几乎总是最快的，而且显然最容易理解”。既快又容易理解，何乐而不为？工作中我们还有其它的理由要将C==(A|B)这样的正则表达式拆为A和B两条表达式分别执行。例如，虽然A和B这两种情况只要有一种能够击中所需要的文本模式就会成功匹配，但是如果只要有一条子表达式（例如A）会产生误匹配，那么不论其它的子表达式（例如B）效率如何之高，范围如何精准，C的总体精准度也会因A而受到影响。

巧妙定位。有时候，我们需要匹配的the，是作为单词的the（两边有空格），而不是作为单词一部分的t-h-e的有序排列（例如together中的the）。在适当的时候用上^，$，/b等等定位锚点，能有效提升找到成功匹配、淘汰不成功匹配的效率。