本文目標
用大約 30 分鐘讓你明白正則表達式是什麼,並對它有基礎認識,能在自己的程式或網頁裡實際使用。
如何使用本教學
別被那些看似複雜的式子嚇退,只要一步步跟著走,你會發現正則表達式並沒有想像中那麼難。當然,看完之後若覺得好像懂了、卻又記不太住細節,這很正常——初次接觸的人想記住八成以上的語法幾乎不可能。這裡的重點是讓你理解基本原理,之後仍需多加練習才能純熟運用。
除了入門,本文也試圖成為日常可用的語法參考手冊。
正則表達式到底是什麼?
在撰寫處理字串的程式時,經常需要查找符合某些複雜規則的字串。正則表達式就是描述這些規則的工具——換句話說,它是用來記錄文字規則的程式碼。
你可能用過 Windows/DOS 下的萬用字元(wildcard),也就是 * 和 ?。例如搜尋某目錄下所有 Word 檔時會輸入 *.doc,此處 * 代表任意字串。正則表達式與萬用字元類似,也是文本比對工具,只是能更精確地描述需求,代價是語法更複雜。舉例來說,你可以寫出一條正則,用來查找所有以 0 開頭、接著 2 至 3 位數字、一個連字號「-」、最後是 7 或 8 位數字的字串(如 010-12345678 或 0376-7654321)。
入門
學習正則最好的方式,是從範例開始,理解後再自行修改、實驗。以下提供多個簡單例子並逐一說明。
假設你要在一篇英文小說裡查找 hi,可以使用正則 hi。這幾乎是最簡單的正則,能精確匹配由 h 與 i 兩個字元組成的字串。多數工具提供忽略大小寫選項,開啟後可匹配 hi、HI、Hi、hI 四種情形。
不幸的是,許多單字也含有連續的 hi,例如 him、history、high。若要精準查找 hi 這個單字,應使用 \bhi\b。
\b 是正則規定的特殊碼(某些人稱之為元字元,metacharacter),代表單字的開頭或結尾,也就是單字的分界處。雖然英文單字通常由空格、標點或換行分隔,但 \b 並不匹配這些分隔字元,它只匹配一個位置。
若要找 hi 後面不遠處跟著一個 Lucy,可用 \bhi\b.*\bLucy\b。這裡 . 是另一個元字元,匹配除換行符以外的任意字元;* 也是元字元,但它代表的是數量——指定前面的內容可連續重複任意次以完成匹配。因此 .* 合在一起就意味著任意數量、不含換行的字元。
組合其他元字元,就能構造更強大的正則。例如 0\d\d-\d\d\d\d\d\d\d\d 匹配以 0 開頭、接著兩個數字、一個連字號、最後八個數字的字串(中國的電話號碼,此例僅適用 3 位區號)。這裡的 \d 是新元字元,匹配一位數字;- 不是元字元,只匹配它本身。
為避免冗長重複,也可寫成 0\d{2}-\d{8},其中 {2}({8})表示前面的 \d 必須連續匹配 2 次(8 次)。
測試正則表達式
正則的語法即使有經驗的人也常感到頭痛,且易於出錯,因此借助工具測試相當有必要。不同環境下正則的細節略有差異,本文以微軟 .Net Framework 4.0 的行為為準。

除了 \b、.、*、\d,還有更多元字元,例如 \s 匹配任意空白符(含空格、Tab、換行、全形空格等),\w 匹配字母、數字、底線或漢字。
更多範例:
\ba\w*\b 匹配以字母 a 開頭的單字;\d+ 匹配一或多個連續數字(+ 與 * 類似,但需至少重複一次);\b\w{6}\b 匹配恰好 6 個字元的單字。
元字元 ^ 與 $ 同樣匹配一個位置,分別對應字串的開頭與結尾,常用於驗證輸入。例如要求 QQ 號必須為 5 到 12 位數字時,可用 ^\d{5,12}$,其中 {5,12} 表示重複次數不少於 5、不超過 12。若開啟多行選項,^ 與 $ 則改為匹配每一行的行首與行尾。
字元轉義
若想查找元字元本身(如 . 或 *),需用 \ 取消其特殊意義,寫成 \. 和 \*;若要查找 \ 本身,則用 \\。例如 deerchao\.net 匹配 deerchao.net,C:\\Windows 匹配 C:\Windows。
重複
例如 Windows\d+ 匹配 Windows 後面跟 1 個或更多數字;^\w+ 匹配一行的第一個單字。
字元類
若要匹配沒有預定義元字元的字元集合(如母音 a、e、i、o、u),只需在方括號中列出,如 [aeiou];[.?!] 匹配標點(. 或 ? 或 !)。也可指定範圍,如 [0-9] 等同於 \d,[a-z0-9A-Z_] 等同於 \w(僅考慮英文時)。
更複雜的例子:\(?0\d{2}[) -]?\d{8},可匹配 (010)88886666、022-22334455、02912345678 等多種電話格式。由於「(」和「)」是元字元,這裡需用轉義。
分枝條件
上述式子也會誤匹配 010)12345678 這類不正確格式。此時需要分枝條件,也就是用 | 分隔多種規則,滿足任一規則即算匹配。例如 0\d{2}-\d{8}|0\d{3}-\d{7} 能匹配兩種以連字號分隔的電話號碼。使用分枝時要特別注意各條件的順序,因為引擎會由左至右測試,一旦滿足某個分枝就不再檢查其餘條件。
分組
若要重複多個字元,可用小括號指定子表達式(又稱分組),再對它指定重複次數。例如 (\d{1,3}\.){3}\d{1,3} 是一個簡單的 IP 位址匹配式,但它也會誤匹配 256.300.888.999 這類不存在的位址。若要嚴格描述正確的 IP,需使用冗長的分組、選擇與字元類:((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。
反義
例如 \S+ 匹配不含空白符的字串;<a[^>]+> 匹配用尖括號括起、以 a 開頭的字串。
後向引用
用括號指定子表達式後,其捕獲的文字可在表達式或其他程式中進一步處理。預設情況下,每個分組會自動擁有組號(由左至右、以左括號為標誌遞增)。使用 (?:exp) 語法則可剝奪分組參與組號分配。後向引用用於重複搜尋前面某分組匹配的文字,例如 \1 代表分組 1 匹配的內容。\b(\w+)\b\s+\1\b 可用來匹配重複的單字,如 go go 或 kitty kitty。也可自訂組名:(?<Word>\w+),再以 \k<Word> 反向引用。
零寬斷言
(?=exp) 也叫零寬度正預測先行斷言,斷言自身位置的後面能匹配 exp,例如 \b\w+(?=ing\b) 匹配以 ing 結尾單字的前半部。(?<=exp) 是零寬度正回顧後發斷言,斷言位置的前面能匹配 exp,例如 (?<=\bre)\w+\b 匹配以 re 開頭單字的後半部。
負向零寬斷言能解決「確保某字元未出現但不去匹配它」的問題。例如查找含字母 q 但 q 後面不是 u 的單字,可用 \b\w*q(?!u)\w*\b;斷言後面不能匹配 exp 用 (?!exp),斷言前面不能匹配 exp 用 (?<!exp)。
注釋
可用 (?#comment) 加入注釋,例如 2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。搭配「忽略模式裡的空白符」選項,就能在表達式中自由加入空格、Tab、換行與 # 註釋而不影響實際匹配。
貪婪與懶惰
當表達式含可重複的限定符時,預設會在能完成匹配的前提下匹配盡可能多的字元,這稱為貪婪匹配,如 a.*b。若需要匹配盡可能少的字元,則在限定符後加一個問號轉為懶惰模式,如 a.*?b。
在 C# 中,可用 Regex(String, RegexOptions) 建構式設定處理選項,例如 Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);。
平衡組/遞歸匹配
有時我們需要匹配像 ( 100 * ( 50 + 15 ) ) 這樣可嵌套的層次結構,此時需用 .Net 支援的平衡組語法。透過 (?'group') 把捕獲內容壓入堆疊、(?'-group') 從堆疊彈出、以及 (?(group)yes|no) 判斷堆疊狀態,即可處理括號配對問題。它最常見的應用是匹配巢狀的 HTML,例如匹配配對的 <div> 標籤。
還有些什麼沒提到
聯繫作者
好吧,我承認騙了你——讀到這裡肯定花了不止 30 分鐘。之所以說「30 分鐘」,是想讓你有信心、有耐心繼續下去。既然你看到了這裡,那我的「陰謀」就成功了。若想反饋或交流,歡迎到我的部落格留言。