【菠萝一号】【文字处理教程】《正则表达式轻松入门》

c001q

深入理解规则
================
通过前面的两个实例，我们应该大至明白了正则表达式的工作方式，它可以 通过一组特殊的描述符号来描述文字的组合规则。有心的读者，可能会发现，从教程的一开始，我就一直强调 规则 两个字。之所以这么不厌其烦的多次强调 规则，那是因为。能不能找出字符串的组合规则，是编写正则表达式的核心要求。
大家试试能不能描述出下面这些实例中所包含的规则，并仔细分析 红色文字 部分，看看使用那种规则描述，可以使 红色文字 和其它部分区分开来。：
【测试 1】
---------------------------------
4306 - 02125812547123
430 - 509072068704706
43068 - 7004954870680

这段文本是由3行文字组成，每行文字都是以43开头，每行文本的中间，都包含了一个“短横杠”。红色文字 标识出了所有阿拉伯数字 7。



【测试 2】
---------------------------------
Please send this message to those people who mean something to you,to those who have touched your life in one way or another

该段文字是由 英文字母 和 英文逗号，以及空格 组成。红色部分 的文字都是由 字母t 和 字母o 组成的字符串，字母 t 必需位于 字母 o 前面。



【测试 3】
---------------------------------
China was founded on October 1, 1949.

该段文字是由 英文字母 和 英文逗号，以及空格 和 数字组成。
红色部分 标识的是句子中所有的数字部分。
红色部分 只拥有数字 1、9、4 这三个数字。



大家注意，红色部分 的这二组规则，都可以与句子其它部分区分开来。这里向大家展示了正则表达式的一个很重要的特性，规则的多义性 同样一串文字，包含的规则经常不止一种，也就是说我们可以使用 多条正则表达式 描述不同的规则  匹配相同的一段文字。下面我将根据这两条规则，分别写出三条正则表达式进行演示。大家可以发现它们将会得到相同的匹配结果。


第一条正则表达式：使用 \d 匹配句中所有的 单个数字



第二条正则表达式：使用 1|9|4 匹配句中 1,9,4 这3个数字


除了 上面这二种方式外，我们还可以使用 [194] 或 [^a-zA-Z\,]  来进行匹配，大家可以自己试一下。在后面的课程中，我将会详细介绍这些语法。




总结

当我们需要使用正则表达式匹配某些字符串时，首先需要分析这些字符串的规则是什么，只有找到了正确的规则，我们才能写出正确的 正则表达式。对于同一组文字，经常包含多种组合规则，这时大家应当根据情况去选择，基本原则是优先考虑以下几点：易于写书，匹配精确度高，运行效率高。但这并不是强制要求。规则是死的，人是活的。一切是以高效率的解决问题为前提。比如提取一段文本中的身份证号，这段文本中除了身份证号，在没有其它数字了。那么，我们只要匹配数字就行了，没有必要把表达式写得更复杂。好了，题外话就说到这里。see you next time!

c001q

正则表达式，如何描述要匹配的字符
========================================================


要描述字符的组合规则，第一步我们需要确定，要匹配的字符是哪些，换句话说就是字符的取值范围，比如，查找的是数字还是字母，大写字母还是小写字母，是所有的26个字母，还是只需要abc这三个字符，等等。在字符确定下来后，我们才有可能接着去考虑，这些字符出现的次数，字符与字符之间的先后顺序等内容。

直接匹配文字
使用正则表达式时，最简单的匹配规则是，你需要什么字符，正则表达式中就输入什么字符。比如，我需要从下面这段文本中，查找所有的小写字母 a 。那么正则表达式就直接使用 a 就可以了。




练习

=========

• 在网络上找一个英文段落，并使用正则表达式查找段落中的所有的英文字母 "g"。（提示，可以使用正则表达式测试工具进行练习，工具下载： https://pan.baidu.com/s/1nuZm65V）
  

正则表达式的灵魂：元字符

所谓“元字符” 是被正则表达式引擎进行特定解释的字符。例如，在正则表达式框中，如果我们输入 “d" 那么，那正则表达式只会匹配 d 这一个字符，但如果在 d 的前面加上 斜杠变成 "\d"，那么匹配的内容就完全不一样的。\d  在正则表达式中，被解释为匹配 从 0 到 9 这10个阿拉伯数字。见下图：


使用正则表达式【d】匹配字母 d




使用正则表达式 【\d】 匹配句子中的 6个数字，它们分别是：1 0 0 5 8 7




类似 \d 这种会被正则表达式进行特殊解释的字符，都称为 【元字符】。【元字符】是正则表达式灵魂，正这【元字符】让正则表达式拥有了强大能力，可以描述任意 ”文字组合规则“。

这里大家需要注意一点，有些元字符并不被所有的 正则表达式引擎 支持。而且在不同的 正则表达式引擎下 ，同样的一条表达式，也可能会得到不同的结果。这点需要大家在平时使用的时候，多加留意。这里推荐一书关于正则表达式的书《精通正则表达式 第三版》里面对不同的正则表达式引擎都有介绍。

匹配不显示符号

“不显示的符号还需要匹配？”  我相信有很多朋友，心中都会有这样的疑问。但实际应用中，经常有需要匹配不显示符号的情况。我们先来看看什么是不显示符号。

计算机字符中除了可以从屏幕上看到的字符以外，还有部分符号是不可以看到的。这样的符号包括了，换行符、回车符、制表符号（Tab)、单词边界符号、行首符号、行尾符号。是不是有点晕，没关系我们一个个的来解释。

c001q

首先看看 换行符 和 回车符 ，下面关于这段文字描来源于网络，清楚的描述了这两个符号来历和区别。


--------------------------------------------------------------


在计算机还没有出现之前，有一种叫做电传打字机（Teletype Model 33）的玩意，每秒钟可以打10个字符。但是它有一个问题，就是打完一行换行的时候，要用去0.2秒，正好可以打两个字符。要是在这0.2秒里面，又有新的字符传过来，那么这个字符将丢失。于是，研制人员想了个办法解决这个问题，就是在每行后面加两个表示结束的字符。一个叫做“回车”，告诉打字机把打印头定位在左边界；另一个叫做“换行”，告诉打字机把纸向下移一行。这就是“换行”和“回车”的来历，从它们的英语名字上也可以看出一二。


后来，计算机发明了，这两个概念也就被般到了计算机上。那时，存储器很贵，一些科学家认为在每行结尾加两个字符太浪费了，加一个就可以。于是，就出现了分歧。Unix 系统里，每行结尾只有“<换行>”，即“\n”；Windows系统里面，每行结尾是“ <回车><换 行>”，即“\r\n”；Mac系统里，每行结尾是“<回车>”。一个直接后果是，Unix/Mac系统下的文件在Windows里打开的话，所有文字会变成一行；而Windows里的文件在Unix/Mac下打开的话，在每行的结尾可能会多出一个^M符号。


----------------------------------------------------------------------------

在Windows操作系统中，每当我们按下回车键，系统就会自动生成这两个符号。这两个符号，在下图中，统一表示为 “回车符号”，虽然图中只显示了一个符号，但它实际上两个符号。

在正则表达式中，为了标识这个回车符号就必需同时使用 \r\n 。\r 表示的是换行符  \n 表示的是回车符。下面我们根据其体的实例中，看看它们有什么用处。

jiminyanyan

LMY123 发表于 2017-6-19 11:00
谢谢楼主的再次分享，期待每日一贴发

http://club.excelhome.net/thread-1352770-1-1.html
我也分享了一些正则实例，有兴趣可以看一下。

LMY123

谢谢楼主的分享

ly

谢谢楼主的分享，期待后续佳作！

blackttea1

谢谢楼主，继续哈

c001q

虽然我说是的，Windows 必需同时使用 换行符(\r) 和 回车符(\n) 来匹配段落的结束，但是实际情况是，在不同的应用程序中有可能需要使用了不同的方式来匹配段落结束，因为不同的正则表达式引擎算法会不一样。这是一个很容易让人们迷惑的地方。下面我将在二个不同的程序，使用正则表达式匹配同样的内容，大家可以看到，它们之间区别是如此大。
测试中，我们将在两行字符中，使用 正则表达式 找出第一行行尾的 f 和第二行行首的 o。



在程序 UltraEdit 中使用正则表达式，是符合我们预期的，匹配过程中需要同时匹配 换行符 \r 和 回车符 \n 。完整的表达式为：f\r\no



在程序 RegEx Tester 中，就有有所不同，匹配过程中，我们不需要使用 换行符 \r 只需要使用 回车符 \n 。完整的表达式为：f\no




在程序 EmEditor 中，以上两种正则表达式都可以使用。

使用正则表达式： f\no



使用正则表达式：f\r\no



我们来比较这二个不同的表示式：



是不是有点意思！我们学了这么久的正则表达式，才发现正则表达式还存在这样的陷阱。软件不同，匹配效果就不一样。其实的类似的问题，还存在于元字符 英语句号【.】中，详细情况大伙将会在后面的课程中看到。

通过学习，应该意识到，在计算机的文本中，有些东西不会显示并不代表不存在，上面的实例很好的说明了这个问题，如果我们不在 f 和 o 之间 匹配段落结束符号 \r\n，那么是无法成功找到 位于不同段位 中的 r o 这个两个字符的。

练习：
--------------------------
请读者，尝试在 RegEx Tester  正则表达式测试工具中（下载地址：https://pan.baidu.com/s/1nuZm65V），正则表达式不使用 \n，只使用 fo ，是否能匹配到下面样本中的红字部分。


kjsldf
ooeriu

c001q

匹配制表符 \t
==========================
制表符，就是通过 PC 键盘上的 Tab 键所生成的空白区域。


Tab 是一个可以进行列对齐的符号。例如：

Public Sub Init(url, cookie)
    Set mHtmlDoc = GetDoc(url, cookie)
    mCookie = cookie
    GetPagesCount
End Sub


大家一定要注意 Tab键产生空白区域，与 键盘上的空格键产生的空白区域，是完全不相同的。见下面两个实例，它们分别匹配了空格和制表符。








练习
==============
在记事本中，任意输入5行文字，在每行文字中插入一个或多个 Tab 符号（按下Tab键）。并将内容复制到 RegEx Tester 中，然后使用正则表达式的元字符 \t 进行匹配。

LMY123

谢谢楼主的分享