参考手册:Ruby 语言样式——正则表达式

下面就来讲讲ruby支持的正则表达式符号(元字符)。

有这么个规则:

  * 不带\的数字和字母不是元字符
  * 带\的符号也不是元字符

下文中出现的“匹配多字节字符的正则表达式”是指,通过使用$KCODE进行设定,或显式地使用汉字选项(请参考正则表达式字面值)等方式进行的匹配多字节字符的正则表达式。

  *

  ^

  行首。与字符串的头部或换行符之后的位置相匹配。
  *

  $

  行尾。与字符串的尾部或换行符之前的位置相匹配。不包括换行符本身。

  ruby 1.8 特性:以前,只匹配字符串尾部换行符前的位置,现在则扩大到字符串的尾部。trap::Regexp

  p "\n".gsub(/$/, "o")
  => "o\n" (1.6)
  => "o\no" (1.8)

  *

  .

  匹配除换行符以外的任意一个字符。使用正则表达式选项 m(多行模式。请参考正则表达式字面值) 时,则匹配包括换行符在内的任意一个字符。在匹配多字节字符的正则表达式中,则匹配一个字(非单字节)。

  当遇到不完整的多字节字符的一部分(无法判断该字符是多字节字符?二进制?还是ASCII)时,也不会匹配。

  p /./e =~ "あ"[0,1]  # => nil

  *

  \w

  字母和数字。等同于[0-9A-Za-z]。

  若为匹配多字节字符的正则表达式时,则也会匹配日语的全角字符。
  *

  \W

  非字母和数字。\w以外的单个字符。
  *

  \s

  空字符。相当于[ \t\n\r\f]
  *

  \S

  非空字符。[ \t\n\r\f] 以外的单个字符。
  *

  \d

  数字。即[0-9]
  *

  \D

  非数字
  *

  \A

  字符串头部。与^不同的是,它不受有无换行符的影响 。
  *

  \Z

  字符串尾部。若字符串以换行符结尾,则匹配换行符前的位置。

  ruby 1.8 特性:以前,只匹配字符串尾部换行符前的位置,现在则扩大到字符串的尾部。trap::Regexp

  p "\n".gsub(/\Z/, "o")
  => "o\n" (1.6)
  => "o\no" (1.8)

  *

  \z

  字符串结尾。与$以及\Z不同的是,它不受有无换行符的影响。
  *

  \b

  在字符范围描述符之外时表示词边界(匹配从\w到\W)。在字符范围描述符之内时表示退格符(0x08)。
  *

  \B

  非词边界
  *

  \G

  在上次成功匹配的地方(之后)进行匹配(不留余地)。只有在首次使用时才会匹配到头部(与\A相同)。

  可以用在scan和gsub中。当您想在上次匹配的地方之后再进行匹配的话,可以使用。

  举个简单(没什么用)的例子。

  # 从头取出3位数字(数字必须相连)。
  str = "123456 789"
  str.scan(/\G\d\d\d/) {|m| p m }

  *

  [ ]

  指定字符范围。请参考字符范围
  * 。

  *

  前面元素至少出现0次。尽可能匹配较长的部分。
  *

  *?

  负责指定数量(quantifiers)。表示前面元素至少出现0次(尽量匹配短的部分)
  *

  +

  负责指定数量(quantifiers)。表示前面元素至少出现1次
  *

  +?

  负责指定数量(quantifiers)。表示前面元素至少出现1次(尽量匹配短的部分)
  * {m}
  * {m,}
  *

  {m,n}

  指定元素重复出现的次数(interval quantifier)。分别表示前面元素重复出现
    o m 次
    o 至少 m 次
    o 至少 m 次,至多 n 次

  {,n} 或 {,} 将导致匹配失败。

  str = "foofoofoo"
  p str[/(foo){1}/] # => "foo"
  p str[/(foo){2,}/] # => "foofoofoo"
  p str[/(foo){1,2}/] # => "foofoo"

  正则表达式 ?, *, + 分别等同于 {0,1}, {0,} {1,} 。
  * {m}?
  * {m,}?
  *

  {m,n}?

  指定元素重复出现的次数(interval quantifier)。分别表示前面元素重复出现
    o m 次
    o 至少 m 次
    o 至少 m 次,至多 n 次

  (尽量匹配短的部分)。
  *

  ?

  负责指定数量(quantifiers)。表示前面元素至多出现1次。
  *

  ??

  负责指定数量(quantifiers)。表示前面元素至多出现1次(尽量匹配短的部分)
  *

  |

  选择(alternative)。
  *

  ( )

  正则表达式的群组化。与括号中的正则表达式相匹配的字符串将被保存下来,供后方参考使用。
  *

  \1, \2 ... \n

  后方参考(back reference)。请参考后方参考。
  *

  (?# )

  注释。括号中的任意字符串将被忽视。
  *

  (?: )

  不具备后方参考功能的群组化。它不为\1,\2(或$1,$2)提供服务,是一种单纯的群组功能。

  /(abc)/ =~ "abc"
  p $1
  => "abc"

  /(?:abc)/ =~ "abc"
  p $1
  => nil

  *

  (?= )

  先行(lookahead)。使用模式(pattern)指定位置(不留间隔)

  (?=re1)re2

  表示将匹配同时符合re1和re2的要求的字符串。

  re1(?=re2)

  という山附は、稿に re2 とマッチする矢机误が鲁く、正则表达式 re1 です。

  p /foo(?=bar)/ =~ "foobar"  # => 0
  p $&  # => "foo" (bar の婶尸の攫鼠はない)

  *

  (?! )

  否定先行(negative lookahead)。使用否定的模式(pattern)来指定位置(不留间隔)

  (?!re1)re2

  该正则表达式表示,匹配re1但不匹配re2。

  # 除000以外的3位数字
  re = /(?!000)\d\d\d/
  p re =~ "000" # => nil
  p re =~ "012" # => 0
  p re =~ "123" # => 0

  # C语言标识符 (首位是[A-Za-z_]然后是[0-9A-Za-z_]的字符串)
  /\b(?![0-9])\w+\b/

  *

  (?> )

  禁用回缩功能。

  该功能尚处于试验阶段。将来有可能被停用,请您注意使用。特别是不要在广义库中使用。
  *

  (?ixm-ixm)

  正则表达式中的i选项、x选项、m选项的开关。请您参考正则表达式字面值来了解选项的详细内容。

  re = /A(?i)a(?-i)A/
  p re =~ "AaA"   # => 0
  p re =~ "AAA"   # => 0
  p re =~ "AAa"   # => nil

  *

  (?ixm-ixm: )

  括号中的i选项、x选项、m选项的开关。在括号范围内有效。

  re = /A(?i:a)A/
  p re =~ "AaA"   # => 0
  p re =~ "AAA"   # => 0
  p re =~ "AAa"   # => nil

后方参考

正则表达式 \1 \2 ... \n 表示后方参考。\n表示将匹配第n个括号(正则表达式的()表示群)的内容保存起来,供后面使用。

/((foo)bar)\1\2/



/((foo)bar)foobarfoo/

是一样的。

例:

re = /(foo|bar|baz)\1/
p re =~ 'foofoo' # => 0
p re =~ 'barbar' # => 0
p re =~ 'bazbaz' # => 0
p re =~ 'foobar' # => nil

对应的括号必须位于后方参考表达式的左侧。

若后方参考表达式位于对应的括号中时,匹配常常会失败。当后方参考表达式中的数字是1位,且没有对应的括号时,匹配也将失败。

p /(\1)/ =~ "foofoofoo" # => nil
p /(foo)\2/ =~ "foo\2" # => nil

虽然可以指定2位以上的后方参考表达式,但是不要把它同反斜线表示法的\nnn(对应于8进制数nnn的字符)混为一谈。当数字只有1位时,通常是后方参考表达式。当指定了一个超过2位的数字时,若没有对应括号的话,则被看作是8进制代码。

相反地,若在正则表达式中使用1位的8进制代码时,必须以0打头,例如\01等(不可能存在形如\0这样的后方参考表达式,因此不会混淆)。

p /\1/ =~ "\1" # => nil  # 无对应括号的后方参考
p /\01/ =~ "\1" # => 0   8 进制代码
p /\11/ =~ "\11" # => 0   8 进制代码

# 8 进制代码 (因为没有对应括号)
p /(.)\10/ =~ "1\10" # => 0

# 后方参考 (因为有对应的括号)
p /((((((((((.))))))))))\10/ =~ "aa" # => 0

# 8 进制代码 (因为没有像"\0" + "8" -> \08 这样的8进制代码)
p /(.)\08/ =~ "1\0008" # => 0

# 如果想在后方参考表达式之后插入数字的话,就必须使用括号加以分隔。
p /(.)(\1)1/ =~ "111" # => 0

字符范围

正则表达式 [] 负责指定字符范围。这将匹配 [] 内列出的任何一个字符。

例如/[abc]/表示只要匹配"a", "b", "c"中任何一个即可。也可以按照ASCII代码顺序,在连续的字符串之间插入“-”后写成/[a-c]/也是一样的效果。另外,若头上是“^”的话,表示要匹配指定字符之外的一个字符。

若“^”不在头上的话,表示匹配该字符本身。同时,当“-”出现在头或尾上时,表示匹配该字符本身。

p /[a^]/ =~ "^" # => 0
p /[-a]/ =~ "-" # => 0
p /[a-]/ =~ "-" # => 0
p /[-]/ =~ "-" # => 0

空的字符范围将引发错误。

p /[]/ =~ ""
p /[^]/ =~ "^"
# => invalid regular expression; empty character class: /[^]/

当“]”出现在头上(或否定的“^”之后)时,表示“]”本身,而并非字符范围的结尾。

p /[]]/ =~ "]"   # => 0
p /[^]]/ =~ "]"  # => nil

可以使用反斜线对"^", "-", "]" 以及 "\\"(反斜线)进行转义,使其匹配该字符本身。

p /[\^]/ =~ "^" # => 0
p /[\-]/ =~ "-" # => 0
p /[\]]/ =~ "]" # => 0
p /[\\]/ =~ "\\" # => 0

在[]中可以使用反斜线表示法以及正则表达式\w, \W, \s, \S, \d, \D (这些都是表示字符范围的简写法)。

请注意,下列包含否定意味的字符范围也将匹配换行符(正则表达式 \W,\D 也是如此)。

p /[^a-z]/ =~ "\n"  # => 0

字符范围中也可以使用下列特殊的表达法,但是,将来这些表达法是否会继续得到支持还未可知(所以此处从略,欲知详情请参考grep(1)的手册)。

[:alnum:] 数字和字母 0-9a-zA-Z
[:alpha:] 字母 a-zA-Z
[:blank:] 空白类
[:cntrl:] 控制字符
[:digit:] 数字
[:graph:] 除空白以外的可打印可视字符
[:lower:] 小写字母
[:print:] 可视字符
[:punct:] 符号
[:space:] 空白字符
[:upper:] 大写字母
[:xdigit:] 16进制字符

例: (包括"[]"在内,"[:...:]"表示1个字符。并非文字类的"[]")

p /[[:alnum:]][[:cntrl:]]/ =~ "a\x01" # => 0

注: 全角字符不在考虑范围之内。即使指定让正则表达式对汉字进行匹配时,[:alpha:]等也不会匹配全角的字母。

p /[[:alpha:]]/e =~ "A"   # => nil

回缩(backtrack)

用特殊括号(?> )将正则表达式括起来后,与该正则表达式相匹配的字符串中的回缩功能就将失效。举例如下。

例如在通常的正则表达式中

p /(a*)ab/ === 'aaab'

是匹配的。该匹配过程如下所示。

 1. 正则表达式 a* 从索引0开始匹配3个a
 2. 正则表达式 a 匹配失败
 3. 正则表达式 a* 将匹配部分稍稍“缩小”一下,匹配2个a(使用了回缩功能)
 4. 正则表达式 a 与字符a匹配
 5. 正则表达式 b 与字符b匹配

但是,如果用括号(?> )把正则表达式括起来的话,就不再匹配了。详细过程如下。

 1. 正则表达式 a* 从索引0开始匹配3个a
 2. 正则表达式 a 匹配失败
 3. a* 想把匹配部分回缩一下,但由于特殊括号的作用,回缩功能失效。
 4. 正则表达式 a* 从索引1开始匹配2个a

接下来的匹配都不成功,最终导致整体匹配失败。

简单说来,通常的正则表达式是“贪婪型的匹配”,而(?> )则是“超贪婪型的匹配”,因为它一旦匹配成功就决不放手。
范例

为了便于您拷贝使用,我们将其代入到以$re_开头的全局变量中。
数值

  *

  浮点数(包括整数)

  $re_float = /[-+]?(?:[0-9]+(\.[0-9]*)?|(\.[0-9]+))([eE][-+]?[0-9]+)?/

  p $re_float =~ "1.23"  # => 0
  p $&.to_f      # => 1.23
  p $re_float =~ ".23"  # => 0
  p $&.to_f      # => 0.23
  p $re_float =~ "1.23e1" # => 0
  p $&.to_f      # => 12.3
  p $re_float =~ "1.23e-1" # => 0
  p $&.to_f      # => 0.123

用逗号将数字划分成3位一组的形式

  *

  方法1:使用回行和先行的方法(回行(lookbehind)需要Oniguruma库的支持)

  p "tone of 12345Hz".gsub(/(?<=\d)(?=(?:\d\d\d)+(?!\d))/, ',')
  => ruby 1.8.0 (2003-08-07) [i586-linux]
   "tone of 12,345Hz"

  *

  方法2:只使用先行的方法

  p "tone of 12345Hz".gsub(/(\d)(?=(?:\d\d\d)+(?!\d))/, '\1,')
  => ruby 1.8.0 (2003-08-07) [i586-linux]
   "tone of 12,345Hz"

  *

  方法3:不使用先行的方法

  s = "tone of 12345Hz"
  nil while s.gsub!(/(.*\d)(\d\d\d)/, '\1,\2')
  p s
  => ruby 1.8.0 (2003-08-07) [i586-linux]
   "tone of 12,345 Hz"