DIV CSS 佈局教程網

JavaScript 教學:30 分鐘入門正則表達式
編輯:關於JavaScript     

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。

表1. 常用元字元 代碼說明 . 匹配除換行符以外的任意字元
\w 匹配字母或數字或底線或漢字
\s 匹配任意的空白符
\d 匹配數字
\b 匹配單字的開始或結束
^ 匹配字串的開始
$ 匹配字串的結束

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

表2. 常用限定符 代碼/語法說明 * 重複零次或更多次
+ 重複一次或更多次
? 重複零次或一次
{n} 重複 n 次
{n,} 重複 n 次或更多次
{n,m} 重複 n 到 m 次

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

表3. 常用反義碼 代碼/語法說明 \W 匹配任意不是字母、數字、底線、漢字的字元
\S 匹配任意非空白符
\D 匹配任意非數字
\B 匹配不是單字開頭或結束的位置
[^x] 匹配除 x 以外的任意字元

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。

表5. 懶惰限定符 代碼/語法說明 *? 重複任意次,但盡可能少
+? 重複 1 次或更多,但盡可能少
?? 重複 0 次或 1 次,但盡可能少
{n,m}? 重複 n 到 m 次,但盡可能少
{n,}? 重複 n 次以上,但盡可能少

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);。

表6. 常用處理選項 名稱說明 IgnoreCase(忽略大小寫):比對時不區分大小寫。
Multiline(多行模式):讓 ^ 和 $ 在每一行的行首、行尾匹配。
Singleline(單行模式):讓 . 匹配包括換行符在內的每一個字元。
IgnorePatternWhitespace(忽略空白):忽略非轉義空白並啟用 # 註釋。
ExplicitCapture(顯式捕獲):僅捕獲已顯式命名的組。

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

表7. 尚未詳細討論的語法 代碼/語法說明 \a 報警字元
\b 通常是單字分界位置,在字元類中代表退格
\t 水平 Tab
\r 回車
\v 垂直 Tab
\f 換頁
\n 換行
\e Escape
\0nn 八進制碼為 nn 的字元
\xnn 十六進制碼為 nn 的字元
\unnnn Unicode 碼為 nnnn 的字元
\cN ASCII 控制字元,如 \cC 代表 Ctrl+C
\A 字串開頭
\Z 字串結尾或行尾
\z 字串結尾
\G 目前搜尋的開頭
\p{name} Unicode 中命名為 name 的字元類
(?>exp) 貪婪子表達式

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。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved