C# 正則表示式及常用正則表示式
阿新 • • 發佈：2019-01-07
匹配模式+環視(順序環視、逆序環視)+貪婪與非貪婪 RegexOptions.Multiline “^”匹配結果分析 在不開啟多行模式時，“^”只匹配字串的開始位置，也就是位置0。 在開啟了多行模式後，“^”匹配字串開始位置和每個“\n”之後的行起始位置。 “$”匹配結果分析 在不開啟多行模式時，如果字元結尾是“\n”，那麼“$”會匹配結尾“\n”之前和結束兩個位置。 在開啟多行模式後，“$”匹配每行“\n”之前的位置和字串結束位置。 需要注意的是，在.NET中，無論是否開啟多行模式，“^”和“$”匹配的都只是一個位置，是零寬度的。其它語言中“^”和“$”的意義可能會有所不同。 只有在正則表示式中涉及到多行的“^”和“$”的匹配時，才使用Multiline模式。 RegexOptions.Compiled Compiled改變的是.NET中正則表示式的編譯方式。啟用了Compiled模式，會延長啟動時間，佔用更多的記憶體，會提高匹配速度。當然，對最終效能的影響，需要根據具體問題綜合考慮的。這一模式也是被“濫”用最多的模式之一。 程式執行過程中，第一次遇到正則表示式，需要載入正則引擎，對正則表示式進行必要的語法檢查，並做適當的優化，最後把它轉換為適合正則引擎應用的形式。這種“解析”過程，對於複雜的正則表示式，頻繁呼叫或是匹配較大的資料來源時，對效率的影響較大。 這時可以在構建正則表示式時開啟Compiled模式。這樣做會將正則表示式直接編譯為MSIL程式碼，在正則匹配過程中，可以由JIT優化為更快的本地機器程式碼，獲得更高的匹配速度。但這種方式會降低正則的解析速度，佔用更多的記憶體，而且它佔用的記憶體在程式執行過程中會一直佔用，無法釋放。 什麼場景下使用Compiled模式，需要根據實際情況具體問題具體分析，一般來說，以下場景不適合使用Compiled模式：1.對匹配效率沒有要求的場景； 2.非常簡單的正則表示式； 3.極少呼叫的方法中宣告的正則表示式； 4.迴圈體中宣告的正則表示式（除了動態生成的正則表示式，否則不要在迴圈體內宣告正則表示式）； 5.靜態方法中宣告的正則表示式（靜態方法每次呼叫都需要重新編輯正則表示式，使用Compiled模式只會降低效率）。 RegexOptions.RightToLeft RightToLeft改變的是正則表示式匹配的順序，從右到左進行匹配 一個由字母組成的字串，最長14位，要求每隔2位加一個逗號，最左邊不加，求一個好的演算法 例：“abcdefg” 返回“a,bc,de,fg” 程式碼實現： stringtest = "abcdefg"; string result = Regex.Replace(test, @"(?<!^)[a-zA-Z]{2}", ",$0", RegexOptions.RightToLeft); RegexOptions.ExplicitCapture 這一模式改變的是普通捕獲組的匹配行為。將普通捕獲組解釋為非捕獲組，只有顯式命名的命名捕獲組才當作捕獲組使用。 捕獲組的作用是將括號()內子表示式匹配到的內容儲存到記憶體中一個組裡，供以後引用，在.NET中捕獲組有兩種形式 (Expression) 普通捕獲組 (?<name>Expression) 命名捕獲組 其它形式的(?...)都不是捕獲組。 但是(Expression)這種捕獲組語法規則也帶來一個副作用，在一些不得不使用()的場合，會預設為使用了捕獲組，將匹配到的內容儲存到記憶體中，而有些情況下這些內容並不需要關心的，浪費了系統資源，降低了匹配效率，所以才有了非捕獲組(?:Expression)的出現，來抵消這一副作用。而非捕獲組帶來的另一個副作用的就是可讀性的降低。 string test = "<li title=\"截至2009-07-28 20:45:49，使用者的總技術分為：5988；截至2009-07-26日，使用者的總技術分排名為：4133\">(...)</li>"; Regex reg = new Regex(@"([01][0-9]|2[0-3])(:[0-5][0-9]){2}", RegexOptions.ExplicitCapture); MatchCollection mc = reg.Matches(test); string s = ""; foreach (Match m in mc) { s += m.Value + "\n"; s += m.Groups[1].Value + "\n"; s += m.Groups[2].Value + "\n"; } Console.Write(s); 未開啟RegexOptions.ExplicitCapture /* 20:45:49 20 :49 */ 開啟的結果是 /* 20:45:49 */ (?imnsx-imnsx:)形式 string[] test = new string[] { "Abc", "AbcdefGHIjklmn", "abcdefghijklmn" }; Regex reg = new Regex(@"^[A-Z](?i:[A-Z]{9,19})$"); string str = ""; foreach (string s in test) { str += "源字串：" + s.PadRight(15, ' ') + " 匹配結果： " + reg.IsMatch(s) + "\n"; } Console.WriteLine(str); /*--------輸出-------- 源字串： Abc 匹配結果： False 源字串： AbcdefGHIjklmn 匹配結果： True 源字串： abcdefghijklmn 匹配結果： False */ 語法：(?-i:Expression) 這種語法規則表達為括號內的子表示式關閉忽略大小寫模式。通常與全域性匹配模式配合使用，表示全域性為忽略大小寫的，區域性為嚴格區分大小寫。 string test = "<DIV id=\"Test\" class=\"create\">first</div> and <DIV id=\"TEST\" class=\"delete\">second</div>"; Regex reg = new Regex(@"<div id=""(?-i:TEST)""[^>]*>[\w\s]+</div>", RegexOptions.IgnoreCase); string str = ""; MatchCollection mc = reg.Matches(test); foreach (Match m in mc) { str += m.Value + "\n"; } Console.WriteLine(str); /*--------輸出-------- <DIV id="TEST" class="delete">second</div> */ 環視基礎 表示式 說明 (?<=Expression) 逆序肯定環視，表示所在位置左側能夠匹配Expression (?<!Expression) 逆序否定環視，表示所在位置左側不能匹配Expression (?=Expression) 順序肯定環視，表示所在位置右側能夠匹配Expression (?!Expression) 順序否定環視，表示所在位置右側不能匹配Expression string str = "aa<p>one</p>bb<div>two</div>cc"; foreach (Match item in Regex.Matches(str, @"<(?!/?p\b)[^>]+>")) { Console.WriteLine(item.Value); } /* <div> </div> */ string str = "<div>a test</div><div>1</div>"; foreach (Match item in Regex.Matches(str, @"(?<=<div>)[^<]+(?=</div>)")) { Console.WriteLine(item.Value); } /* a test 1 */ double[] data = new double[] { 0, 12, 123, 1234, 12345, 123456, 1234567, 123456789, 1234567890, 12.345, 123.456, 1234.56, 12345.6789, 123456.789, 1234567.89, 12345678.9 }; string s = ""; foreach (double d in data) { s += "源字串：" + d.ToString().PadRight(15) + "格式化：" + Regex.Replace(d.ToString(), @"(?<=\d)(?<!\.\d*)(?=(?:\d{3})+(?:\.\d+|$))", ",") + "\n"; } Console.Write(s); 結果： 源字串：0 格式化：0 源字串：12 格式化：12 源字串：123 格式化：123 源字串：1234 格式化：1,234 源字串：12345 格式化：12,345 源字串：123456 格式化：123,456 源字串：1234567 格式化：1,234,567 源字串：123456789 格式化：123,456,789 源字串：1234567890 格式化：1,234,567,890 源字串：12.345 格式化：12.345 源字串：123.456 格式化：123.456 源字串：1234.56 格式化：1,234.56 源字串：12345.6789 格式化：12,345.6789 源字串：123456.789 格式化：123,456.789 源字串：1234567.89 格式化：1,234,567.89 源字串：12345678.9 格式化：12,345,678.9 實現分析： 首先根據需求可以確定是把一些特定的位置替換為“,”，接下來就是分析並找到這些位置的規律，並抽象出來以正則表示式來表示。 1、這個位置的左側必須為數字 2、這個位置右側到出現“.”或結尾為止，必須是數字，且數字的個數必須為3的倍數 3、這個位置左側相隔任意個數字不能出現“.” 由以上三條，就可以完全確定這些位置，只要實現以上三條，組合一下正則表示式就可以了。 根據分析，最終匹配的結果是一個位置，所以所有子表示式都要求是零寬度。 1、是對當前所在位置左側附加的條件，所以要用到逆序環視，因為要求必須出現，所以是肯定的，符合這一條件的子表示式即為“(?<=\d)” 2、是對當前所在位置右側附加的條件，所以要用到順序環視，也是要求出現，所以是肯定的，是數字，且個數為3的倍數，即“(?=(?:\d{3})*)”，到出現“.”或結尾為止，即“(?=(?:\d{3})*(?:\.|$))” 3、是對當前所在位置左側附加的條件，所以要用到逆序環視，因為要求不能出現，所以是否定的，即“(?<!\.\d*)” 因為零寬度的子表示式是非互斥的，最後匹配的都是同一個位置，所以先後順序是不影響最後的匹配結果的，可以任意組合，只是習慣上把逆序環視寫在左側，順序環視寫在右側。 貪婪與非貪婪模式匹配 string str = "aa<div>test1</div>bb<div>test2</div>cc"; foreach (Match item in Regex.Matches(str, @"<div>.*</div>")) { Console.WriteLine(item.Value); } /*貪婪模式，很好理解，儘量多匹配 <div>test1</div>bb<div>test2</div> */ 如果正則表示式是<div>.*?</div> /*非貪婪模式，也叫懶惰模式，就是懶的意思，匹配到了就不會再向後匹配 <div>test1</div> <div>test2</div> */ 貪婪非貪婪的比較以及優化 string str =@"The phrase ""regular expression"" is called ""Regex"" for short."; foreach (Match item in Regex.Matches(str, @""".*""")) { Console.WriteLine(item.Value); } 一、使用”.*”這種匹配的結果不符合："regular expression" is called "Regex" 二、使用”.*?”的結果： "regular expression" "Regex" OK，不過進行了四次回溯 三、使用這種[^"]*匹配OK，沒有回溯 四、對三的改進，固化分組 (?>[^"]*)，匹配效率最好 再看一例，獲取img標籤的src內容： string str =@"<img class=""test"" src=""/img/logo.gif"" title=""測試"" />"; foreach (Match item in Regex.Matches(str, @"<img\b.*?src=""(.*?)"".*?")) { Console.WriteLine(item.Groups[1].Value); } 使用的是非貪婪模式，我們通過排除型字元組轉換為貪婪模式，提高匹配效率 @"<img\b.*?src=""([^""]*)""[^>]*" img與src之間的非貪婪通過順序環視來轉化 @"<img\b(?:(?!src=).)*src=""([^""]*)""[^>]*" “(?!src=).”表示這樣一個字元，從它開始，右側不能是字元序列“src=”，而“(?:(?!src=).)*”就表示符合上面規則的字元，有0個或無限多個。這樣就達到排除字元序列的目的，實現的效果同排除型字元組一樣，只不過排除型字元組排除的是一個或多個字元，而這種環視結構排除的是一個或多個有序的字元序列。 但是以順序環視的方式排除字元序列，由於在匹配每一個字元時，都要進行較多的判斷，所以相對於非貪婪模式，是提升效率還是降低效率，要根據實際情況進行分析。對於簡單的正則表示式，或是簡單的源字串，一般來說是非貪婪模式效率高些，而對於數量較大源字串，或是複雜的正則表示式，一般來說是貪婪模式效率高些。 PS：一般都是貪婪模式+固化分組，當然也需要看具體情況。 一些正則的實踐篇 清除掉iframe+javascript+css的惡意指令碼 http://rczjp.cn/HTML/101210/20105010115029.html 正則擷取URL網址 http://rczjp.cn/HTML/101218/20102718032702.html 常見的正則 http://rczjp.cn/HTML/081119/20082119022155.html 此文章來自原作者：http://blog.csdn.net/lxcnn/ 具體詳情去過客的blog參看。 下面是作者寫的NFA引擎匹配原理，講解的很詳細，值得參看： http://blog.csdn.net/lxcnn/archive/2009/06/28/4304651.aspx