现在位置:首页 » 代码修改 »

正则表达式的那些事—替换字符串基础

心岛发布于2015年08月27日  分类: 代码修改  浏览:1883 人次  评论:0 

正则表达式由一些普通字符和一些元字符(metacharacters)组成。普通字符包括大小写的字母和数字,而元字符则具有特殊的含义,我们下面会给予解释。

在最简单的情况下,一个正则表达式看上去就是一个普通的查找串。例如,正则表达式"testing"中没有包含任何元字符,,它可以匹配"testing"和"123testing"等字符串,但是不能匹配"Testing"。

要想真正的用好正则表达式,正确的理解元字符是最重要的事情。下表列出了所有的元字符和对它们的一个简短的描述。

元字符 描述

  .

  匹配任何单个字符。例如正则表达式r.t匹配这些字符串:rat、rut、r t,但是不匹配root。

  $

  匹配行结束符。例如正则表达式weasel$ 能够匹配字符串"He's a weasel"的末尾,但是不能匹配字符串"They are a bunch of weasels."。

  ^

  匹配一行的开始。例如正则表达式^When in能够匹配字符串"When in the course of human events"的开始,但是不能匹配"What and When in the"。

  *

  匹配0或多个正好在它之前的那个字符。例如正则表达式.*意味着能够匹配任意数量的任何字符。

  这是引用符,用来将这里列出的这些元字符当作普通的字符来进行匹配。例如正则表达式$被用来匹配美元符号,而不是行尾,类似的,正则表达式.用来匹配点字符,而不是任何字符的通配符。

  [ ]

  [c1-c2]

  [^c1-c2]

  匹配括号中的任何一个字符。例如正则表达式r[aou]t匹配rat、rot和rut,但是不匹配ret。可以在括号中使用连字符-来指定字符的区间,例如正则表达式[0-9]可以匹配任何数字字符;还可以制定多个区间,例如正则表达式[A-Za-z]可以匹配任何大小写字母。另一个重要的用法是“排除”,要想匹配除了指定区间之外的字符——也就是所谓的补集——在左边的括号和第一个字符之间使用^字符,例如正则表达式[^269A-Z] 将匹配除了2、6、9和所有大写字母之外的任何字符。

  < >

  匹配词(word)的开始(<)和结束(>)。例如正则表达式<the能够匹配字符串"for the wise"中的"the",但是不能匹配字符串"otherwise"中的"the"。注意:这个元字符不是所有的软件都支持的。

  ( )

  将 ( 和 ) 之间的表达式定义为“组”(group),并且将匹配这个表达式的字符保存到一个临时区域(一个正则表达式中最多可以保存9个),它们可以用 到 的符号来引用。

  |

  将两个匹配条件进行逻辑“或”(Or)运算。例如正则表达式(him|her) 匹配"it belongs to him"和"it belongs to her",但是不能匹配"it belongs to them."。注意:这个元字符不是所有的软件都支持的。

  +

  匹配1或多个正好在它之前的那个字符。例如正则表达式9+匹配9、99、999等。注意:这个元字符不是所有的软件都支持的。

  ?

  匹配0或1个正好在它之前的那个字符。注意:这个元字符不是所有的软件都支持的。

  {i}

  {i,j}

  匹配指定数目的字符,这些字符是在它之前的表达式定义的。例如正则表达式A[0-9]{3} 能够匹配字符"A"后面跟着正好3个数字字符的串,例如A123、A348等,但是不匹配A1234。而正则表达式[0-9]{4,6} 匹配连续的任意4个、5个或者6个数字字符。注意:这个元字符不是所有的软件都支持的。

最简单的元字符是点,它能够匹配任何单个字符(注意不包括新行符)。假定有个文件test.txt包含以下几行内容:

  he is a rat

  he is in a rut

  the food is Rotten

  I like root beer

我们可以使用grep命令来测试我们的正则表达式,grep命令使用正则表达式去尝试匹配指定文件的每一行,并将至少有一处匹配表达式的所有行显示出来。命令

  grep r.t test.txt

在test.txt文件中的每一行中搜索正则表达式r.t,并打印输出匹配的行。正则表达式r.t匹配一个r接着任何一个字符再接着一个t。所以它将匹配文件中的rat和rut,而不能匹配Rotten中的Rot,因为正则表达式是大小写敏感的。要想同时匹配大写和小写字母,应该使用字符区间元字符(方括号)。正则表达式[Rr]能够同时匹配R和r。所以,要想匹配一个大写或者小写的r接着任何一个字符再接着一个t就要使用这个表达式:[Rr].t。

要想匹配行首的字符要使用抑扬字符(^)——又是也被叫做插入符。例如,想找到text.txt中行首"he"打头的行,你可能会先用简单表达式he,但是这会匹配第三行的the,所以要使用正则表达式^he,它只匹配在行首出现的h。

有时候指定“除了×××都匹配”会比较容易达到目的,当抑扬字符(^)出现在方括号中是,它表示“排除”,例如要匹配he ,但是排除前面是t or s的情性(也就是the和she),可以使用:[^st]he。

可以使用方括号来指定多个字符区间。例如正则表达式[A-Za-z]匹配任何字母,包括大写和小写的;正则表达式[A-Za-z][A-Za-z]* 匹配一个字母后面接着0或者多个字母(大写或者小写)。当然我们也可以用元字符+做到同样的事情,也就是:[A-Za-z]+ ,和[A-Za-z][A-Za-z]*完全等价。但是要注意元字符+ 并不是所有支持正则表达式的程序都支持的。关于这一点可以参考后面的正则表达式语法支持情况。

要指定特定数量的匹配,要使用大括号(注意必须使用反斜杠来转义)。想匹配所有100和1000的实例而排除10和10000,可以使用:10{2,3},这个正则表达式匹配数字1后面跟着2或者3个0的模式。在这个元字符的使用中一个有用的变化是忽略第二个数字,例如正则表达式0{3,} 将匹配至少3个连续的0。

 

简单的例子

这里有一些有代表性的、比较简单的例子。


vi 命令 作用

  :%s/ */ /g 把一个或者多个空格替换为一个空格。

  :%s/ *$// 去掉行尾的所有空格。

  :%s/^/ / 在每一行头上加入一个空格。

  :%s/^[0-9][0-9]* // 去掉行首的所有数字字符。

  :%s/b[aeio]g/bug/g 将所有的bag、beg、big和bog改为bug。

  :%s/t([aou])g/ht/g 将所有tag、tog和tug分别改为hat、hot和hug(注意用group的用法和使用引用前面被匹配的字符)。

 

中级的例子(神奇的咒语)

例1

将所有方法foo(a,b,c)的实例改为foo(b,a,c)。这里a、b和c可以是任何提供给方法foo()的参数。也就是说我们要实现这样的转换:

之前 之后

  foo(10,7,2) foo(7,10,2)

  foo(x+13,y-2,10) foo(y-2,x+13,10)

  foo( bar(8), x+y+z, 5) foo( x+y+z, bar(8), 5)


下面这条替换命令能够实现这一魔法:

  :%s/foo(([^,]*),([^,]*),([^)]*))/foo(,,)/g


现在让我们把它打散来加以分析。写出这个表达式的基本思路是找出foo()和它的括号中的三个参数的位置。第一个参数是用这个表达式来识别的::([^,]*),我们可以从里向外来分析它:

  [^,] 除了逗号之外的任何字符

  [^,]* 0或者多个非逗号字符

  ([^,]*) 将这些非逗号字符标记为,这样可以在之后的替换模式表达式中引用它

  ([^,]*), 我们必须找到0或者多个非逗号字符后面跟着一个逗号,并且非逗号字符那部分要标记出来以备后用。


现在正是指出一个使用正则表达式常见错误的最佳时机。为什么我们要使用[^,]*这样的一个表达式,而不是更加简单直接的写法,例如:.*,来匹配第一个参数呢?设想我们使用模式.*来匹配字符串"10,7,2",它应该匹配"10,"还是"10,7,"?为了解决这个两义性(ambiguity),正则表达式规定一律按照最长的串来,在上面的例子中就是"10,7,",显然这样就找出了两个参数而不是我们期望的一个。所以,我们要使用[^,]*来强制取出第一个逗号之前的部分。


这个表达式我们已经分析到了:foo(([^,]*),这一段可以简单的翻译为“当你找到foo(就把其后直到第一个逗号之前的部分标记为”。然后我们使用同样的办法标记第二个参数为。对第三个参数的标记方法也是一样,只是我们要搜索所有的字符直到右括号。我们并没有必要去搜索第三个参数,因为我们不需要调整它的位置,但是这样的模式能够保证我们只去替换那些有三个参数的foo()方法调用,在foo()是一个重载(overoading)方法时这种明确的模式往往是比较保险的。然后,在替换部分,我们找到foo()的对应实例,然后利用标记好的部分进行替换,是的第一和第二个参数交换位置。


例2

假设有一个CSV(comma separated value)文件,里面有一些我们需要的信息,但是格式却有问题,目前数据的列顺序是:姓名,公司名,州名缩写,邮政编码,现在我们希望讲这些数据重新组织,以便在我们的某个软件中使用,需要的格式为:姓名,州名缩写-邮政编码,公司名。也就是说,我们要调整列顺序,还要合并两个列来构成一个新列。另外,我们的软件不能接受逗号前后面有任何空格(包括空格和制表符)所以我们还必须要去掉逗号前后的所有空格。


这里有几行我们现在的数据:

  Bill Jones, HI-TEK Corporation , CA, 95011

  Sharon Lee Smith, Design Works Incorporated, CA, 95012

  B. Amos , Hill Street Cafe, CA, 95013

  Alexander Weatherworth, The Crafts Store, CA, 95014

  ...


我们希望把它变成这个样子:

  Bill Jones,CA 95011,HI-TEK Corporation

  Sharon Lee Smith,CA 95012,Design Works Incorporated

  B. Amos,CA 95013,Hill Street Cafe

  Alexander Weatherworth,CA 95014,The Crafts Store

  ...


我们将用两个正则表达式来解决这个问题。第一个移动列和合并列,第二个用来去掉空格。


下面就是第一个替换命令:

  :%s/([^,]*),([^,]*),([^,]*),(.*)/, ,/


这里的方法跟例1基本一样,第一个列(姓名)用这个表达式来匹配:([^,]*),即第一个逗号之前的所有字符,而姓名内容被用标记下来。公司名和州名缩写字段用同样的方法标记为和,而最后一个字段用(.*)来匹配("匹配所有字符直到行末")。替换部分则引用上面标记的那些内容来进行构造。


下面这个替换命令则用来去除空格:

  :%s/[ t]*,[ t]*/,/g


我们还是分解来看:[ t]匹配空格/制表符,[ t]* 匹配0或多个空格/制表符,[ t]*,匹配0或多个空格/制表符后面再加一个逗号,最后,[ t]*,[ t]*匹配0或多个空格/制表符接着一个逗号再接着0或多个空格/制表符。在替换部分,我们简单的我们找到的所有东西替换成一个逗号。这里我们使用了结尾的可选的g参数,这表示在每行中对所有匹配的串执行替换(而不是缺省的只替换第一个匹配串)。


例3

假设有一个多字符的片断重复出现,例如:

  Billy tried really hard

  Sally tried really really hard

  Timmy tried really really really hard

  Johnny tried really really really really hard


而你想把"really"、"really really",以及任意数量连续出现的"really"字符串换成一个简单的"very"(simple is good!),那么以下命令:

  :%s/(really )(really )*/very /

  就会把上述的文本变成:

  Billy tried very hard

  Sally tried very hard

  Timmy tried very hard

  Johnny tried very hard


表达式(really )*匹配0或多个连续的"really "(注意结尾有个空格),而(really )(really )* 匹配1个或多个连续的"really "实例。

  

困难的例子(不可思议的象形文字)

不同工具中的正则表达式


OK,你已经准备使用RE(regular expressions,正则表达式),但是你并准备使用vi。所以,在这里我们给出一些在其他工具中使用RE的例子。另外,我还会总结一下你在不同程序之间使用RE可能发现的区别。


当然,你也可以在Visual C++编辑器中使用RE。选择Edit->Replace,然后选择"Regular expression"选择框,Find What输入框对应上面介绍的vi命令:%s/pat1/pat2/g中的pat1部分,而Replace输入框对应pat2部分。但是,为了得到vi的执行范围和g选项,你要使用Replace All或者适当的手工Find Next and Replace(译者按:知道为啥有人骂微软弱智了吧,虽然VC中可以选中一个范围的文本,然后在其中执行替换,但是总之不够vi那么灵活和典雅)。


sed

Sed是Stream EDitor的缩写,是Unix下常用的基于文件和管道的编辑工具,可以在手册中得到关于sed的详细信息。

这里是一些有趣的sed脚本,假定我们正在处理一个叫做price.txt的文件。注意这些编辑并不会改变源文件,sed只是处理源文件的每一行并把结果显示在标准输出中(当然很容易使用重定向来定制):


sed脚本 描述

sed 's/^$/d' price.txt 删除所有空行

sed 's/^[ t]*$/d' price.txt 删除所有只包含空格或者制表符的行

sed 's/"//g' price.txt 删除所有引号


awk

awk是一种编程语言,可以用来对文本数据进行复杂的分析和处理。可以在手册中得到关于awk的详细信息。这个古怪的名字是它作者们的姓的缩写(Aho,Weinberger和Kernighan)。


在Aho,Weinberger和Kernighan的书The AWK Programming Language中有很多很好的awk的例子,请不要让下面这些微不足道的脚本例子限制你对awk强大能力的理解。我们同样假定我们针对price.txt文件进行处理,跟sed一样,awk也只是把结果显示在终端上。


awk脚本 描述

awk ' !~ /^$/' price.txt 删除所有空行

awk 'NF > 0' price.txt awk中一个更好的删除所有空行的办法

awk ' ~ /^[JT]/ ' price.txt 打印所有第二个字段是'J'或者'T'打头的行中的第三个字段

awk ' !~ /[Mm]isc/ {print + }' price.txt 针对所有第二个字段不包含'Misc'或者'misc'的行,打印第3和第4列的和(假定为数字)

awk ' !~ /^[0-9]+.[0-9]*$/ ' price.txt 打印所有第三个字段不是数字的行,这里数字是指d.d或者d这样的形式,其中d是0到9的任何数字

awk ' ~ /John|Fred/ ' price.txt 如果第二个字段包含'John'或者'Fred'则打印整行


grep

grep是一个用来在一个或者多个文件或者输入流中使用RE进行查找的程序。它的name编程语言可以用来针对文件和管道进行处理。可以在手册中得到关于grep的完整信息。这个同样古怪的名字来源于vi的一个命令,g/re/p,意思是global regular expression print。


下面的例子中我们假定在文件phone.txt中包含以下的文本,——其格式是姓加一个逗号,然后是名,然后是一个制表符,然后是电话号码:

        Francis, John 5-3871

  Wong, Fred 4-4123

  Jones, Thomas 1-4122

  Salazar, Richard 5-2522

  

grep命令 描述

grep 't5-...1' phone.txt 把所有电话号码以5开头以1结束的行打印出来,注意制表符是用t表示的

grep '^S[^ ]* R' phone.txt 打印所有姓以S打头和名以R打头的行

grep '^[JW]' phone.txt 打印所有姓开头是J或者W的行

grep ', ....t' phone.txt 打印所有姓是4个字符的行,注意制表符是用t表示的

grep -v '^[JW]' phone.txt 打印所有不以J或者W开头的行

grep '^[M-Z]' phone.txt 打印所有姓的开头是M到Z之间任一字符的行

grep '^[M-Z].*[12]' phone.txt 打印所有姓的开头是M到Z之间任一字符,并且点号号码结尾是1或者2的行


egrep

egrep是grep的一个扩展版本,它在它的正则表达式中支持更多的元字符。下面的例子中我们假定在文件phone.txt中包含以下的文本,——其格式是姓加一个逗号,然后是名,然后是一个制表符,然后是电话号码:

  Francis, John 5-3871

  Wong, Fred 4-4123

  Jones, Thomas 1-4122

  Salazar, Richard 5-2522


egrep command Description

egrep '(John|Fred)' phone.txt 打印所有包含名字John或者Fred的行

egrep 'John|22$|^W' phone.txt 打印所有包含John 或者以22结束或者以W的行

egrep 'net(work)?s' report.txt 从report.txt中找到所有包含networks或者nets的行


正则表达式语法支持情况

命令或环境 . [ ] ^ $ ( ) { } ? + | ( )

  vi X X X X X

  Visual C++ X X X X X

  awk X X X X X X X X

  sed X X X X X X

  Tcl X X X X X X X X X

  ex X X X X X X

  grep X X X X X X

  egrep X X X X X X X X X

  fgrep X X X X X

  perl X X X X X X X X X


vi替换命令简介

Vi的替换命令:

:ranges/pat1/pat2/g


其中

: 这是Vi的命令执行界面。


range 是命令执行范围的指定,可以使用百分号(%)表示所有行,使用点(.)表示当前行,使用美元符号($)表示最后一行。你还可以使用行号,例如10,20表示第10到20行,.,$表示当前行到最后一行,.+2,$-5表示当前行后两行直到全文的倒数第五行,等等。


s 表示其后是一个替换命令。


pat1 这是要查找的一个正则表达式,这篇文章中有一大堆例子。


pat2 这是希望把匹配串变成的模式的正则表达式,这篇文章中有一大堆例子。 


g 可选标志,带这个标志表示替换将针对行中每个匹配的串进行,否则则只替换行中第一个匹配串。

 

本文由心岛原创或编辑,转载请保留链接【正则表达式的那些事—替换字符串基础】http://www.liangxin.name/?post=1048
本文标签: 代码修改 方法 技巧 正则表达式
上一篇: 正则表达式的那些事—常用的正则表达式
下一篇:正则表达式的那些事—什么是正则表达式
目前有 0 条评论