ASP.NET 中的正則表達(dá)式

摘要：正則表達(dá)式是一種處理文本的有用工具。無論是驗(yàn)證用戶輸入、搜索字符串內(nèi)的模式、還是以各種有效方式重新設(shè)置文本格式，正則表達(dá)式都非常有用。下載本文的源代碼。
引言
Microsoft®.NET Framework 對正則表達(dá)式的支持是一流的，甚至在 Microsoft® ASP.NET 中也有依賴正則表達(dá)式語言的控件。本文介紹了深入學(xué)習(xí)正則表達(dá)式的基礎(chǔ)知識和推薦內(nèi)容。

本文主要面向?qū)φ齽t表達(dá)式知之甚少或沒有使用經(jīng)驗(yàn)，但卻熟悉 ASP.NET、可借助 .NET 編程的初學(xué)者。此外，希望本文連同 regular expression cheat sheet 成為有正則表達(dá)式使用經(jīng)驗(yàn)的開發(fā)者的手頭參考資料或進(jìn)修資料。本文討論內(nèi)容如下：

通常，如果對本文或?qū)φ齽t表達(dá)式有疑問，請?jiān)L問 http://www.aspadvice.com/，通過 regex mailing list 提出問題。編寫此文時其中已有 350 多個訂戶參與。

返回頁首

正則表達(dá)式使用歷史簡介

正則表達(dá)式設(shè)計(jì)于五十年代，存在至今。正則表達(dá)式最初用于描述“正則集”，它們是一些神經(jīng)生理學(xué)家研究的模式。正則表達(dá)式最早由數(shù)學(xué)家 Stephen Kleene 提出，最終由 Ken Thompson 在兩種非常流行的文本實(shí)用程序 qed 和 grep 中使用。Jeffrey Friedl 在其著作“Mastering Regular Expressions (2^nd edition)”中對此作了進(jìn)一步闡述。建議那些希望更多了解正則表達(dá)式理論和歷史的人看看這本書。

在最近的五十年中，正則表達(dá)式逐漸從模糊深奧的數(shù)學(xué)概念發(fā)展為在各類工具和軟件包中應(yīng)用的主要功能。盡管數(shù)十年來很多 UNIX 工具都支持正則表達(dá)式，但僅僅是近十年來，它才在大部分 Windows 開發(fā)者工具包中得到體現(xiàn)。在 Microsoft® Visual Basic® 6 或 Microsoft® VBScript 中，即使情況理想，正則表達(dá)式仍難以使用。但隨著.NET Framework 的推行，正則表達(dá)式的支持發(fā)展到極點(diǎn)，所有 Microsoft 開發(fā)者和所有 .NET 語言都可以使用正則表達(dá)式。

那么，正則表達(dá)式究竟是什么呢？正則表達(dá)式是一種語言，它可以明確描述文本字符串中的模式。除了簡單描述這些模式之外，正則表達(dá)式引擎通常可用于遍歷匹配，并使用模式作為分隔符來將字符串解析為子字符串，或以智能方式替換文本或重新設(shè)置文本格式。正則表達(dá)式為解決與文本處理有關(guān)的許多常見任務(wù)提供了有效而簡捷的方式。

在討論正則表達(dá)式時，通常以正則表達(dá)式匹配（或不匹配）的文本為基礎(chǔ)分析正則表達(dá)式。本文（以及 System.Text.RegularExpressions 類）將在正則表達(dá)式交互操作中引用 3 個參與對象：正則表達(dá)式的“模式”、“輸入”字符串和字符串內(nèi)的所有模式的“匹配”。

返回頁首

簡單表達(dá)式

最簡單的正則表達(dá)式大家都已熟悉，即文字字符串。特定的字符串可通過文字本身加以描述；像 foo 這樣的正則表達(dá)式模式可精確匹配輸入的字符串 foo。在本例中，也將匹配如下輸入：The food was quite tasty，如果希望精確匹配，這可能不是預(yù)期結(jié)果。

當(dāng)然，使用正則表達(dá)式匹配等于它自身的精確字符串是沒有價值的實(shí)現(xiàn)，不能體現(xiàn)正則表達(dá)式的真正作用。假如不查找 foo，而是查找以字母 f 開頭的所有單詞，或所有 3 個字母的單詞，那該怎么辦？目前，這超出了文字字符串的合理范圍。我們需要更加深入地研究正則表達(dá)式。下面是一個文字表達(dá)式示例及一些匹配的輸入。

返回頁首

限定符

限定符提供了一種簡單方法，用于指定在模式中允許特定字符或字符集自身重復(fù)出現(xiàn)的次數(shù)。有 3 個非顯式限定符：

限定符始終引用限定符前（左邊）的模式，通常是單個字符，除非使用括號創(chuàng)建模式組。下面是一些模式示例及匹配的輸入。

除了指定給定模式準(zhǔn)確出現(xiàn) 0 或 1 次之外，? 字符還可強(qiáng)制模式或子模式匹配數(shù)目最少的字符（如果匹配輸入字符串中的多個字符）。

除了非顯式限定符（一般叫做限定符，但為區(qū)別于下一組，故稱非顯式限定符）之外，還有顯式限定符。在模式出現(xiàn)次數(shù)方面，限定符的概念非常模糊。使用顯式限定符則可準(zhǔn)確指定數(shù)字、范圍或數(shù)字集。顯式限定符位于所應(yīng)用的模式的后邊，這一點(diǎn)與正則限定符一樣。顯式限定符使用花括號 {} 及其中的數(shù)字值表示模式出現(xiàn)次數(shù)的上下限。例如，x{5} 將準(zhǔn)確匹配 5 個 x 字符 (xxxxx)。如果僅指定一個數(shù)字，則表示次數(shù)上限；如果數(shù)字后跟一個逗號，如 x{5,}，表示匹配任何出現(xiàn)次數(shù)大于 4 的 x 字符。下面是一些模式示例及匹配的輸入。

返回頁首

元字符

在正則表達(dá)式中，有一種意義特殊的構(gòu)造，即元字符。目前已知的元字符有很多，如 *、?、+ 和 {} 字符。其他字符在正則表達(dá)式語言中都有特殊的含義。這些字符包括：$ ^ . [ ( | ) ] 和 。

.（句點(diǎn)或點(diǎn)）元字符是最簡單但最常用的一個字符。它可匹配任何單字符。如果要指定某些模式可包含任意組合的字符，使用句點(diǎn)非常有用，但一定要在特定長度范圍內(nèi)。此外，我們知道表達(dá)式將對包含在較長字符串中的所有模式進(jìn)行匹配，假如只需要精確匹配模式，又該怎么辦？這在驗(yàn)證方案中經(jīng)常出現(xiàn)，例如，要確保用戶輸入的郵政編碼或電話號碼的格式正確。使用 ^ 元字符可指定字符串（或行）的開始，使用 $ 元字符可指定字符串（或行）的結(jié)束。通過將這些字符添加到模式的開始和結(jié)束處，可強(qiáng)制模式僅匹配精確匹配的輸入字符串。如果 ^ 元字符用在方括號 [ ] 指定的字符類的開頭，也有特殊的含義。具體內(nèi)容見下。

（反斜杠）元字符既可根據(jù)特殊含義“轉(zhuǎn)義”字符，也可指定預(yù)定義集合元字符的實(shí)例。同樣，具體內(nèi)容見下。為了在正則表達(dá)式中包括文字樣式的元字符，必須使用反斜杠進(jìn)行“轉(zhuǎn)義”。例如，如果要匹配以“c:”開始的字符串，可使用：^c:\。注意，要使用 ^ 元字符指出字符串必須以此模式作為開始，然后用反斜杠元字符轉(zhuǎn)義文字反斜杠。

|（管道）元字符用于交替指定，特別用于在模式中指定“此或彼”。例如，a|b 將匹配包含“a”或“b”的任何輸入內(nèi)容，這與字符類 [ab] 非常類似。

最后，括號 ( ) 用于給模式分組。它允許使用限定符讓一個完整模式出現(xiàn)多次。為了便于閱讀，或分開匹配特定的輸入部分，可能允許分析或重新設(shè)置格式。
下面列出元字符的一些使用示例。

模式 輸入（匹配） 
.
 a、b、c、1、2、3 .*
 Abc, 123, 任意字符串, 無字符時也匹配  
^c:\
 c:windows、c:\\、c:foo.txt、c: 后跟任何其他內(nèi)容 
abc$
 abc、123abc、以 abc 結(jié)束的任意字符串  
(abc){2,3}
 abcabc、abcabcabc 

字符類
字符類是正則表達(dá)式中的“迷你”語言，在方括號 [ ] 中定義。最簡單的字符類只不過是括號中的一個字符表，如 [aeiou]。在表達(dá)式中使用字符類時，可在模式的此位置使用其中任何一個字符（但只能使用一個字符，除非使用了限定符）。請注意，不能使用字符類定義單詞或模式，只能定義單個字符。

要指定任何數(shù)值數(shù)字，可以使用字符類 [0123456789]。但是，由于這樣使用字符不大方便，所以要通過在括號中使用連字符 – 來定義字符的范圍。連字符在字符類中有特殊的含義（不是在正則表達(dá)式中，因此，準(zhǔn)確地說它不能叫正則表達(dá)式元字符），且僅在連字符不是第一個字符時，連字符才在字符類中有特殊含義。要使用連字符指定任何數(shù)值數(shù)字，可以使用 [0-9]。小寫字母也一樣，可以使用 [a-z]，大寫字母可以使用 [A-Z]。連字符定義的范圍取決于使用的字符集。因此，字符在（例如）ASCII 或 Unicode 表中出現(xiàn)的順序確定了在范圍中包括的字符。如果需要在范圍中包括連字符，將它指定為第一個字符。例如：[-.?] 將匹配 4 個字符中任何一個字符（注意，最后的字符是個空格）。另請注意，正則表達(dá)式元字符在字符類中不做特殊處理，所以這些元字符不需要轉(zhuǎn)義。考慮到字符類是與其他正則表達(dá)式語言分開的一種語言，因此字符類有自己的規(guī)則和語法。

如果使用字符 ^ 作為字符類的第一個字符來否定此類，也可以匹配字符類成員以外的任何字符。因此，要匹配任何非元音字符，可以使用字符類 [^aAeEiIoOuU]。注意，如果要否定連字符，應(yīng)將連字符作為字符類的第二個字符，如 [^-]。記住，^ 在字符類中的作用與它在正則表達(dá)式模式中的作用完全不同。
下面列出操作中使用的一些字符類。

模式 輸入（匹配） 
^b[aeiou]t$
 Bat、bet、bit、bot、but

^[0-9]{5}$
 11111, 12345, 99999

^c:\
 c:windows、c:\\、c:foo.txt、c: 后跟任何其他內(nèi)容

abc$
 abc、123abc、以 abc 結(jié)束的任意字符串

(abc){2,3}
 abcabc、abcabcabc

^[^-][0-9]$
 0、1、2、… （不匹配 -0、-1、 -2 等）

在 .NET Framework 的下一版中，代碼名“Whidbey”作為一種新功能被添加到字符類中，稱作字符類差 (character class subtraction)。它的主要作用是，允許從一個字符類中減去另一個字符類，可提供更可讀的方式描述某些模式。該規(guī)范可通過以下地址訪問：

http://www.gotdotnet.com/team/clr/bcl/TechArticles/techarticles/Specs/Regex/

CharacterClassSubtraction.doc。它的語法類似 [a-z-[aeiou]]，匹配所有的小寫輔音字母。

返回頁首

預(yù)定義的集合元字符

使用目前提供的工具可以完成很多工作。但是，要使用 [0-9] 表示模式中的每個數(shù)值數(shù)字，或（更糟）使用 [0-9a-zA-Z]表示任何字母數(shù)字字符，還有一段相當(dāng)漫長的過程。為了減輕處理這些常用但冗長模式的痛苦，事先定義了預(yù)定義元字符集合。正則表達(dá)式的不同實(shí)現(xiàn)定義了不同的預(yù)定義元字符集合，下面描述的預(yù)定義元字符集合在 .NET Framework 中得到 System.Text.RegularExpressions API 的支持。這些預(yù)定義元字符的標(biāo)準(zhǔn)語法是，在反斜杠 后跟一個或多個字符。多數(shù)預(yù)定義元字符只有一個字符，它們的使用很容易，是冗長字符類的理想替代字符。以下是兩個示例：d 匹配所有數(shù)值數(shù)字，w 匹配所有單詞字符（字母數(shù)字加下劃線）。例外情況是一些特定字符代碼匹配，此時必須指定所匹配字符的地址，如 u000D 將匹配 Unicode 回車符。下面列出一些最常用的字符類及其等效的元字符。