正则表达式详解

正则表达式详解0. 序言1. 什么是正则表达式?2. 正则表达式语法:理论基本语法选择数量限定匹配PCRE表达式Unicode处理POSIX字符组优先级常用正则示例3. C++中正则表达式的使用方法:1. 检查身份证号:2. 检索HTML文件里的所有网页链接:3. 简易Markdown转HTML:4. 正则表达式在OI上的应用:(虽然应该不能用)4. 总结


0. 序言

正则表达式是现在很火的一个计算机科学概念,在字符串处理上有很广泛的应用。

现在很多语言都加入了正则表达式的内容,像PythonPHPJavaScript都支持正则表达式。

当然,C++也不例外,在C++11(-0x1x)的标准中就加入了对正则表达式的支持,

C++17(-0x1z)中更是加入了对多行正则(multiline)的支持。

下面我就主要使用C++对正则表达式进行一个简单的讲解。


1. 什么是正则表达式?

正则表达式(英语:Regular Expression,在代码中常简写为regexregexpRE(emmm...OIer都知道这意味着什么)),又称正规表示式正规表示法正规表达式规则表达式常规表示法,是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里,正则表达式通常被用来检索、替换那些匹配某个模式的文本。

以上部分引用自维基百科条目: 正则表达式

通俗来说:正则表达式就是用来在一个字符串中查找符合条件的子串,并且对字串进行如替换等操作的


2. 正则表达式语法:

理论

温馨提示:此部分较反人类,看不懂属正常现象

看不懂请移步:基本语法

正则表达式可以用形式化语言理论的方式来表达。正则表达式由常量和算子组成,它们分别表示字符串的集合和在这些集合上的运算。给定有限字母表Σ定义了下列常量:

定义了下列运算:

上述常量和算子形成了克莱尼代数

很多课本使用对选择使用符号替代竖线。

为了避免括号,假定Kleene星号有最高优先级,接着是串接,接着是并集。如果没有歧义则可以省略括号。例如:(ab)c可以写为abca|(b(c*))可以写为a|bc*

例子:

正则表达式为了避免多余的量词,定义了?+,例如;aa*可以被表达为a+(a|ε)可以被表达为a?。有时增加补算子表示在上但不在中的所有字符串的集合。补算子是多余的,因为它可以使用其他算子来表达(尽管计算这种表示的过程是复杂的,而结果可能以指数增大)。

这种意义上的正则表达式可以表达正则语言,精确的是可被有限状态自动机接受的语言类。但是在简洁性上有重要区别。某类正则语言只能用大小指数增长的自动机来描述,而要求的正则表达式的长度只线性的增长。

正则表达式对应于乔姆斯基层级类型-3文法。但通常编程语言或其相关库(例如PCRE)中实现的正则表达式的表达能力是乔姆斯基层级类型-3文法的超集。在另一方面,在正则表达式和不导致这种大小上的爆炸的非确定有限状态自动机(NFA)之间有简单的映射;为此NFA经常被用作正则表达式的替表示式。

我们还要在这种形式化中研究表达力。如下面例子所展示的,不同的正则表达式可以表达同样的语言:这种形式化中存在着冗余。

有可能对两个给定正则表达式写一个算法来判定它们所描述的语言是否本质上相等,简约每个表达式到极小确定有限自动机,确定它们是否同构(等价)。

这种冗余可以消减到什么程度?我们可以找到仍有完全表达力的正则表达式的有趣的子集吗?Kleene星号和并集明显是需要的,但是我们或许可以限制它们的使用。这提出了一个令人惊奇的困难问题。因为正则表达式如此简单,没有办法在语法上把它重写成某种规范形式。过去公理化的缺乏导致了星号高度问题。最近Dexter Kozen用克莱尼代数公理化了正则表达式。

很多现实世界的“正则表达式”引擎实现了不能用正则表达式代数表达的特征。

以上引用自维基百科条目正则表达式:理论

(其实我也看不懂)


基本语法

一个正则表达式通常被称为一个模式(pattern),为用来描述或者匹配一系列匹配某个句法规则的字符串。例如:Handel、Händel和Haendel这三个字符串,都可以由H(a|ä|ae)ndel这个模式来描述。大部分正则表达式的形式都有如下的结构:

选择
数量限定

某个字符后的数量限定符用来限定前面这个字符允许出现的个数。最常见的数量限定符包括+?*(不加数量限定则代表出现一次且仅出现一次):

匹配

上述这些构造子都可以自由组合,因此H(ae?|ä)ndelH(a|ae|ä)ndel是相同的。

精确的语法可能因不同的工具或程序而异。


PCRE表达式

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(有"^$()*+?.[\{|"共计12个)、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"("。(即转义的作用)
^匹配输入字符串的开始位置。如果设置了正则表达式的多行属性(Multiline)^也匹配"\n"或"\r"之后的位置。
$匹配输入字符串的结束位置。如果设置了正则表达式的多行属性(Multiline)$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"、"zo"以及"zoo"(任意个o,包括零次)。*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"(任意个o,不包括零次)。+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"。?等价于{0,1}
{n}n是一个非负整数。匹配确定的n。例如,"o{2}"不能匹配"Bob"中的"o",但是能匹配"food"中的两个o(即no可以被匹配)。
{n,}n是一个非负整数。至少匹配n。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}mn均为非负整数,其中n<=m最少匹配n次且最多匹配m。例如,"o{1,3}"将匹配"fooooood"中的前三个o(默认为贪心量化,即尽可能多的匹配)。"o{0,1}"等价于"o?"。请注意在逗号和两个数之间不能有空格
?非贪心量化:当该字符紧跟在任何一个其他重复修饰符(*,+,?{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"\r""\n"之外的任何单个字符。要匹配包括"\r""\n"在内的任何字符,请使用像"(.|\r|\n)"的模式。
(pattern)匹配pattern并获取这一匹配的子字符串。该子字符串用于向后引用。所获取的匹配可以从产生的Matches集合得到。要匹配圆括号字符,请使用"\("或"\)"。可带数量后缀(即{n,m})。
(?:pattern)匹配pattern但不获取匹配的子字符串,也就是说这是一个非获取匹配,不存储匹配的子字符串用于向后引用。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)正向肯定预查,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)正向否定预查,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
(?<=pattern)反向肯定预查,与正向肯定预查类似,只是方向相反。例如,"(?<=95|98|NT|2000)Windows"能匹配"2000Windows"中的"Windows",但不能匹配"3.1Windows"中的"Windows"。
(?<!pattern)反向否定预查,与正向否定预查类似,只是方向相反。例如"(?<!95|98|NT|2000)Windows"能匹配"3.1Windows"中的"Windows",但不能匹配"2000Windows"中的"Windows"。
x|y没有包围在()里,其范围是整个正则表达式。例如,"z|food"能匹配"z"或"food"。"(?:z|f)ood"则匹配"zood"或"food"。(其实相当于或运算)
[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"。特殊字符仅有反斜线\保持特殊含义,用于转义字符。其它特殊字符如星号、加号、各种括号等均作为普通字符脱字符^如果出现在首位则表示负值字符集合如果出现在字符串中间就仅作为普通字符连字符 - 如果出现在字符串中间表示字符范围描述如果如果出现在首位(或末尾)则仅作为普通字符右方括号应转义出现,也可以作为首位字符出现
[^xyz]排除型字符集合匹配未列出的任意字符。例如,"[^abc]"可以匹配"plain"中的"plain"。
[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]排除型的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。
[:name:]增加命名字符类中的字符到表达式。只能用于方括号表达式
[=elt=]增加当前locale下排序等价于字符"elt"的元素。例如,[=a=]可能会增加ä、á、à、ă、ắ、ằ、ẵ、ẳ、â、ấ、ầ、ẫ、ẩ、ǎ、å、ǻ、ä、ǟ、ã、ȧ、ǡ、ą、ā、ả、ȁ、ȃ、ạ、ặ、ậ、ḁ、ⱥ、ᶏ、ɐ、ɑ 。只能用于方括号表达式
[.elt.]增加排序元素elt到表达式中。这是因为某些排序元素由多个字符组成。例如,29个字母表的西班牙语, "CH"作为单个字母排在字母C之后,因此会产生如此排序"cinco, credo, chispa"。只能用于方括号表达式
\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。x的值必须为A-Za-z之一。否则,将c视为一个原义的"c"字符。控制字符的值等于x的值最低5比特(即对3210进制的余数)。例如,\cM匹配一个Control-M或回车符。\ca等效于\u0001, \cb等效于\u0002, 等等...
\d匹配一个数字字符。等价于[0-9]。注意Unicode正则表达式会匹配全角数字字符。
\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]。注意Unicode正则表达式会匹配全角空格符。
\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(即字母、数字、下划线)。等价于"[A-Za-z0-9_]"。注意Unicode正则表达式会匹配中文字符。
\W匹配任何非单词字符。等价于"[^A-Za-z0-9_]"。
\xnn十六进制转义字符序列。匹配两个十六进制数字nn表示的字符。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向后引用一个子字符串,该子字符串与正则表达式的第num个用括号围起来的捕捉群子表达式匹配。其中num是从1开始的十进制正整数,其上限可能是9、31、99甚至无限。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。
\nm3位八进制数字,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nm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。
\unUnicode转义字符序列。其中n是一个用四个十六进制数字表示的Unicode字符。例如,\u00A9匹配著作权符号(©)。

以上部分引用自维基百科条目正则表达式:PCRE表达式


Unicode处理

在正则表达式中,可以用\uXXXX表示一个Unicode字符,其中XXXX为四位16进制数字。

Unicode字符的三种性质:

这三种Unicode性质对应的字符组补集是将开头的\p改为\P,其它不变。

以上引用自维基百科条目正则表达式:Unicode处理


POSIX字符组

字符组说明ASCII环境Unicode环境
[:alnum:]字母字符和数字字符[a-zA-Z0-9][\p{L&}\p{Nd}]
[:alpha:]字母[a-zA-Z]\p{L&}
[:ascii:]ASCII字符[\x00-\x7F]\p{InBasicLatin}
[:blank:]空格字符和制表符[ \t][\p{Zs}\t]
[:cntrl:]控制字符[\x00-\x1F\x7F]\p{Cc}
[:digit:]数字字符[0-9]\p{Nd}
[:graph:]空白字符之外的字符[\x21-\x7E][^\p{Z}\p{C}]
[:lower:]小写字母字符[a-z]\p{Ll}
[:print:]类似[:graph:],但包括空白字符[\x20-\x7E]\P{C}
[:punct:]标点符号[][!"#$%&'()*+,./:;<=>?@\^_{}~-]|[\p{P}\p{S}]`
[:space:]空白字符[ \t\r\n\v\f][\p{Z}\t\r\n\v\f]
[:upper:]大写字母字符[A-Z]\p{Lu}
[:word:]字母字符[A-Za-z0-9_][\p{L}\p{N}\p{Pc}]
[:xdigit:]十六进制字符[A-Fa-f0-9][A-Fa-f0-9]

以上引用自维基百科条目正则表达式:POSIX字符组


优先级

优先级符号
最高\
()(?:)(?=)[]
*+?{n}{n,}{n,m}
^$、中介字符
次最低串接,即相邻字符连接在一起
最低|

以上引用自维基百科条目正则表达式:优先权


常用正则

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(有"^$()*+?.[\{|"共计12个)、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"("(即转义的作用)。若要查看完整转移字符表,请移步:PCRE表达式
^匹配输入字符串的开始位置。如果设置了正则表达式的多行属性(Multiline)^也匹配"\n"或"\r"之后的位置。
$匹配输入字符串的结束位置。如果设置了正则表达式的多行属性(Multiline)$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"、"zo"以及"zoo"(任意个o,包括零次)。*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"(任意个o,不包括零次)。+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"。?等价于{0,1}
{n,m}mn均为非负整数,其中n<=m最少匹配n次且最多匹配m次。其中,{n}表示匹配一个字符n次,{n,}表示匹配一个字符最少n次,例如,"o{1,3}"将匹配"fooooood"中的前三个o(默认为贪心量化,即尽可能多的匹配)。"o{0,1}"等价于"o?"。请注意在逗号和两个数之间不能有空格
?非贪心量化:当该字符紧跟在任何一个其他重复修饰符(*,+,?{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"\r""\n"之外的任何单个字符。要匹配包括"\r""\n"在内的任何字符,请使用像"(.|\r|\n)"的模式。
(pattern)匹配pattern并获取这一匹配的子字符串。该子字符串用于向后引用。所获取的匹配可以从产生的Matches集合得到。要匹配圆括号字符,请使用"("或")"。可带数量后缀(即{n,m})。
x|y没有包围在()里,其范围是整个正则表达式。例如,"z|food"能匹配"z"或"food"。"(?:z|f)ood"则匹配"zood"或"food"。(其实相当于或运算)
[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"。特殊字符仅有反斜线\保持特殊含义,用于转义字符。其它特殊字符如星号、加号、各种括号等均作为普通字符脱字符^如果出现在首位则表示负值字符集合如果出现在字符串中间就仅作为普通字符连字符 - 如果出现在字符串中间表示字符范围描述如果如果出现在首位(或末尾)则仅作为普通字符右方括号应转义出现,也可以作为首位字符出现
[^xyz]排除型字符集合匹配未列出的任意字符。例如,"[^abc]"可以匹配"plain"中的"plain"。
[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]排除型的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。
[:name:]增加命名字符类(即POSIX字符组)中的字符到表达式。只能用于方括号表达式。若要查看完整命名字符类,请移步:POSIX字符组

示例

  1. 若要匹配一个中国大陆的11位手机号,可使用正则表达式"^\d{11}$"或"^[0-9]{11}$"进行匹配(即检查字符串适配是由11个数字组成);
  2. 若要匹配一个中国大陆的身份证号,可使用正则表达式"^\d{17}(\d|X)$"或"^[0-9]{17}[0-9X]"进行匹配(即检查字符串是否由17位数字本体和1位校验码组成)。

3. C++中正则表达式的使用方法:

C++在C++11的标准中加入了regex正则表达式库,大大方便了我们使用正则表达式

下面我就讲解一下如何使用regex

使用C++的regex库可以参照:正则表达式库


1. 检查身份证号:

 

温馨提示:请使用支持C++11及以上版本的C++进行编译,否则会编译错误

是不是很简单呢?这还只是正则表达式的简单应用,并不能很好地体现正则表达式的优势

除此之外还有一些比较常见的应用如检索和替换等


2. 检索HTML文件里的所有网页链接:

 

这个程序就实现了读入一个HTML文件并且检索所有的网页链接的功能

这就是正则表达式更高级一点的应用了,相对于传统的比较方式,使用正则表达式的代码相较写状态自动机更短了,时间复杂度相较写朴素算法更小了,所以这才是正则表达式的真正优势所在(虽然OI能不能用不清楚)


3. 简易Markdown转HTML:

这个程序就很好的演示了regex库的替换功能

其实很多将Markdown转成HTML文件的工具所使用的方法就是正则表达式,这里因为只是一个演示,并没有做得太复杂,只实现了标题、粗体、斜体、删除线、代码块、分割线的功能,但是能够很好的体现出正则表达式在替换功能上的巨大优势


4. 正则表达式在OI上的应用:(虽然应该不能用)

我们知道AC自动机是一个非常厉害的字符串算法,对于我这种蒟蒻来说,打一个AC自动机是极其不愿意的,总想通过一些神奇的STL容器来减少代码量,那么有没有这样的库呢?

资料上显示,正则表达式引擎采用的是有限状态自动机,而AC自动机则属于确定有限状态自动机,是有限状态自动机的一种,那么,我们是不是可以用正则表达式来做AC自动机的题呢?

从理论上来讲,答案是肯定的,比如说这一道AC自动机入门题:P2292 [HNOI2004]L语言

题目

题目描述非常简单,就是求字符串中有多少个可被识别的单词,我们很容易就能想到:

假设所有的单词为一个集合,则可以用正则表达式"^(W)*"进行匹配,答案为匹配到的字符串的长度,因为正则表达式默认为贪心量化,所以可以保证匹配到的字符串长度最大。

以此为理论写出的代码如下:

理论上来说AC并没有太大的问题,但是因为种种原因(没有TLE,但是居然还有MLE)并没有通过,如果有大佬能看出来错在哪里,请在评论区留言orz

4. 总结

总体上来说正则表达式在计算机科学领域有非常广泛的应用,特别是在数据分析等行业有着非常重要的地位,学好正则表达式,就是向计算机科学领域又迈出了一步。