要想查找数字，字母或数字，空白是很简单的，因为已经有了对应这些字符集合的元字符，但是如果你想匹配没有预定义元字符的字符集合(比如元音字母a,e,i,o,u),应该怎么办？

很简单，你只需要在方括号里列出它们就行了，像 [aeiou]就匹配 任何一个英文元音字母， [.?!]匹配 标点符号(.或?或!)。

我们也可以轻松地指定一个字符 范围，像 [0-9]代表的含意与 \d就是完全一致的： 一位数字；同理 [a-z0-9A-Z_]也完全等同于 \w（如果只考虑英文的话）。

下面是一个更复杂的表达式： \(?0\d{2}[) -]?\d{8}。

“(”和“)”也是元字符，后面的 分组节 里会提到，所以在这里需要使用 转义 。

这个表达式可以匹配 几种格式的电话号码，像 (010)88886666，或 022-22334455，或 02912345678等。我们对它进行一些分析吧：首先是一个转义字符 \(,它能出现0次或1次( ?),然后是一个 0，后面跟着2个数字( \d{2})，然后是 )或 -或 空格中的一个，它出现1次或不出现( ?)，最后是8个数字( \d{8})。

不幸的是，刚才那个表达式也能匹配 010)12345678或 (022-87654321这样的“不正确”的格式。要解决这个问题，我们需要用到 分枝条件。正则表达式里的 分枝条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用 |把不同的规则分隔开。听不明白？没关系，看例子：

0\d{2}-\d{8}|0\d{3}-\d{7}这个表达式能 匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号(如010-12345678)，一种是4位区号，7位本地号(0376-2233445)。

\(?0\d{2}\)?[- ]?\d{8}|0\d{2}[- ]?\d{8}这个表达式 匹配3位区号的电话号码，其中区号可以用小括号括起来，也可以不用，区号与本地号间可以用连字号或空格间隔，也可以没有间隔。你可以试试用分枝条件把这个表达式扩展成也支持4位区号的。

\d{5}-\d{4}|\d{5}这个表达式用于匹配美国的邮政编码。美国邮编的规则是5位数字，或者用连字号间隔的9位数字。之所以要给出这个例子是因为它能说明一个问题： 使用分枝条件时，要注意各个条件的顺序 。如果你把它改成 \d{5}|\d{5}-\d{4}的话，那么就只会匹配5位的邮编(以及9位邮编的前5位)。原因是匹配分枝条件时，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管其它的条件了。

我们已经提到了怎么重复单个字符（直接在字符后面加上限定符就行了）；但如果想要重复多个字符又该怎么办？你可以用小括号来指定 子表达式(也叫做 分组)，然后你就可以指定这个子表达式的重复次数了，你也可以对子表达式进行其它一些操作(后面会有介绍)。

(\d{1,3}\.){3}\d{1,3}是一个 简单的IP地址匹配表达式。要理解这个表达式，请按下列顺序分析它： \d{1,3}匹配 1到3位的数字， (\d{1,3}\.){3}匹配 三位数字加上一个英文句号(这个整体也就是这个 分组)重复3次，最后再加上 一个一到三位的数字( \d{1,3})。

IP地址中每个数字都不能大于255. 经常有人问我, 01.02.03.04 这样前面带有0的数字, 是不是正确的IP地址呢? 答案是: 是的, IP 地址里的数字可以包含有前导 0 (leading zeroes).

不幸的是，它也将匹配 256.300.888.999这种不可能存在的IP地址。如果能使用算术比较的话，或许能简单地解决这个问题，但是正则表达式中并不提供关于数学的任何功能，所以只能使用冗长的分组，选择，字符类来描述一个正确的IP地址： ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

理解这个表达式的关键是理解 2[0-4]\d|25[0-5]|[01]?\d\d?，这里我就不细说了，你自己应该能分析得出来它的意义。

有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外，其它任意字符都行的情况，这时需要用到 反义：

例子： \S+匹配 不包含空白符的字符串。

<a[^>]+>匹配 用尖括号括起来的以a开头的字符串。

使用小括号指定一个子表达式后， 匹配这个子表达式的文本 (也就是此分组捕获的内容)可以在表达式或其它程序中作进一步的处理。默认情况下，每个分组会自动拥有一个 组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2，以此类推。

呃……其实,组号分配还不像我刚说得那么简单：

分组0对应整个正则表达式

实际上组号分配过程是要从左向右扫描两遍的：第一遍只给未命名组分配，第二遍只给命名组分配－－因此所有命名组的组号都大于未命名的组号

你可以使用 (?:exp)这样的语法来剥夺一个分组对组号分配的参与权．

后向引用用于重复搜索前面某个分组匹配的文本。例如， \1代表 分组1匹配的文本。难以理解？请看示例：

\b(\w+)\b\s+\1\b可以用来匹配 重复的单词，像 go go, 或者 kitty kitty。这个表达式首先是 一个单词，也就是 单词开始处和结束处之间的多于一个的字母或数字( \b(\w+)\b)，这个单词会被捕获到编号为1的分组中，然后是 1个或几个空白符( \s+)，最后是 分组1中捕获的内容（也就是前面匹配的那个单词）( \1)。

你也可以自己指定子表达式的 组名。要指定一个子表达式的组名，请使用这样的语法： (?<Word>\w+)(或者把尖括号换成 '也行： (?'Word'\w+)),这样就把 \w+的组名指定为 Word了。要反向引用这个分组 捕获的内容，你可以使用 \k<Word>,所以上一个例子也可以写成这样： \b(?<Word>\w+)\b\s+\k<Word>\b。

使用小括号的时候，还有很多特定用途的语法。下面列出了最常用的一些：

表3.常用的反义代码

代码/语法	说明
匹配任意不是字母，数字，下划线，汉字的字符	匹配任意不是空白符的字符	匹配任意非数字的字符	匹配不是单词开头或结束的位置	匹配除了x以外的任意字符	[^aeiou]	匹配除了aeiou这几个字母以外的任意字符

我们已经讨论了前两种语法。第三个 (?:exp)不会改变正则表达式的处理方式，只是这样的组匹配的内容 不会像前两种那样被捕获到某个组里面，也不会拥有组号。“我为什么会想要这样做？”——好问题，你觉得为什么呢？

地球人，是不是觉得这些术语名称太复杂，太难记了？我也有同感。知道有这么一种东西就行了，它叫什么，随它去吧！人若无名，便可专心练剑；物若无名，便可随意取舍……

接下来的四个用于查找在某些内容(但并不包括这些内容)之前或之后的东西，也就是说它们像 \b, ^, $那样用于指定一个位置，这个位置应该满足一定的条件(即断言)，因此它们也被称为 零宽断言。最好还是拿例子来说明吧：

断言用来声明一个应该为真的事实。正则表达式中只有当断言为真时才会继续进行匹配。

(?=exp)也叫 零宽度正预测先行断言，它 断言自身出现的位置的后面能匹配表达式exp。比如 \b\w+(?=ing\b)，匹配 以ing结尾的单词的前面部分(除了ing以外的部分)，如查找 I'm singing while you're dancing.时，它会匹配 sing和 danc。

(?<=exp)也叫 零宽度正回顾后发断言，它 断言自身出现的位置的前面能匹配表达式exp。比如 (?<=\bre)\w+\b会匹配 以re开头的单词的后半部分(除了re以外的部分)，例如在查找 reading a book时，它匹配 ading。

假如你想要给一个很长的数字中每三位间加一个逗号(当然是从右边加起了)，你可以这样查找需要在前面和里面添加逗号的部分： ((?<=\d)\d{3})+\b，用它对 1234567890进行查找时结果是 234567890。

下面这个例子同时使用了这两种断言： (?<=\s)\d+(?=\s)匹配 以空白符间隔的数字(再次强调，不包括这些空白符)。

负向零宽断言

前面我们提到过怎么查找 不是某个字符或不在某个字符类里 的字符的方法(反义)。但是如果我们只是想要 确保某个字符没有出现，但并不想去匹配它 时怎么办？例如，如果我们想查找这样的单词--它里面出现了字母q,但是q后面跟的不是字母u,我们可以尝试这样：

\b\w*q[^u]\w*\b匹配 包含 后面不是字母u的字母q 的单词。但是如果多做测试(或者你思维足够敏锐，直接就观察出来了)，你会发现，如果q出现在单词的结尾的话，像 Iraq , Benq ，这个表达式就会出错。这是因为 [^u]总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的 [^u]将会匹配q后面的单词分隔符(可能是空格，或者是句号或其它的什么)，后面的 \w*\b将会匹配下一个单词，于是 \b\w*q[^u]\w*\b就能匹配整个 Iraq fighting。 负向零宽断言能解决这样的问题，因为它只匹配一个位置，并不 消费 任何字符。现在，我们可以这样来解决这个问题： \b\w*q(?!u)\w*\b。

零宽度负预测先行断言 (?!exp)， 断言此位置的后面不能匹配表达式exp。例如： \d{3}(?!\d)匹配 三位数字，而且这三位数字的后面不能是数字； \b((?!abc)\w)+\b匹配 不包含连续字符串abc的单词。

同理，我们可以用 (?<!exp), 零宽度负回顾后发断言来 断言此位置的前面不能匹配表达式exp： (?<![a-z])\d{7}匹配 前面不是小写字母的七位数字。

请详细分析表达式 (?<=<(\w+)>).*(?=<\/\1>)，这个表达式最能表现零宽断言的真正用途。

一个更复杂的例子： (?<=<(\w+)>).*(?=<\/\1>)匹配 不包含属性的简单HTML标签内里的内容。 (?<=<(\w+)>)指定了这样的 前缀： 被尖括号括起来的单词(比如可能是<b>)，然后是 .*(任意的字符串),最后是一个 后缀 (?=<\/\1>)。注意后缀里的 \/，它用到了前面提过的字符转义； \1则是一个反向引用，引用的正是 捕获的第一组，前面的 (\w+)匹配的内容，这样如果前缀实际上是<b>的话，后缀就是</b>了。整个表达式匹配的是<b>和</b>之间的内容(再次提醒，不包括前缀和后缀本身)。

小括号的另一种用途是通过语法 (?#comment)来包含注释。例如： 2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。

要包含注释的话，最好是启用“忽略模式里的空白符”选项，这样在编写表达式时能任意的添加空格，Tab，换行，而实际使用时这些都将被忽略。启用这个选项后，在#后面到这一行结束的所有文本都将被当成注释忽略掉。例如，我们可以前面的一个表达式写成这样：

      (?<=    # 断言要匹配的文本的前缀
      <(\w+)> # 查找尖括号括起来的字母或数字(即HTML/XML标签)
      )       # 前缀结束
      .*      # 匹配任意文本
      (?=     # 断言要匹配的文本的后缀
      <\/\1>  # 查找尖括号括起来的内容：前面是一个"/"，后面是先前捕获的标签
      )       # 后缀结束

贪婪与懒惰

当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配 尽可能多 的字符。以这个表达式为例： a.*b，它将会匹配 最长的以a开始，以b结束的字符串。如果用它来搜索 aabab的话，它会匹配整个字符串 aabab。这被称为 贪婪匹配。

有时，我们更需要 懒惰匹配，也就是匹配 尽可能少 的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号 ?。这样 .*?就意味着 匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧：

a.*?b匹配 最短的，以a开始，以b结束的字符串。如果把它应用于 aabab的话，它会匹配 aab（第一到第三个字符）和 ab（第四到第五个字符）。

为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？简单地说，因为正则表达式有另一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权——The match that begins earliest wins。

表4.常用分组语法

分类	代码/语法	说明
(exp)	匹配exp,并捕获文本到自动命名的组里	(?<name>exp)	匹配exp,并捕获文本到名称为name的组里，也可以写成(?'name'exp)	(?:exp)	匹配exp,不捕获匹配的文本，也不给此分组分配组号	(?=exp)	匹配exp前面的位置	(?<=exp)	匹配exp后面的位置	(?!exp)	匹配后面跟的不是exp的位置	(?<!exp)	匹配前面不是exp的位置	(?#comment)	这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释让人阅读

在C#中，你可以使用 Regex(String, RegexOptions)构造函数 来设置正则表达式的处理选项。如：Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);

上面介绍了几个选项如忽略大小写，处理多行等，这些选项能用来改变处理正则表达式的方式。下面是.Net中常用的正则表达式选项：

表5.懒惰限定符

代码/语法	说明
重复任意次，但尽可能少重复	重复1次或更多次，但尽可能少重复	重复0次或1次，但尽可能少重复	{n,m}?	重复n到m次，但尽可能少重复	{n,}?	重复n次以上，但尽可能少重复

一个经常被问到的问题是：是不是只能同时使用多行模式和单行模式中的一种？答案是：不是。这两个选项之间没有任何关系，除了它们的名字比较相似（以至于让人感到疑惑）以外。

平衡组/递归匹配

这里介绍的平衡组语法是由.Net Framework支持的；其它语言／库不一定支持这种功能，或者支持此功能但需要使用不同的语法。

有时我们需要匹配像 ( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构，这时简单地使用 \(.+\)则只会匹配到最左边的左括号和最右边的右括号之间的内容(这里我们讨论的是贪婪模式，懒惰模式也有下面的问题)。假如原来的字符串里的左括号和右括号出现的次数不相等，比如 ( 5 / ( 3 + 2 ) ) )，那我们的匹配结果里两者的个数也不会相等。有没有办法在这样的字符串里匹配到最长的，配对的括号之间的内容呢？

为了避免 (和 \(把你的大脑彻底搞糊涂，我们还是用尖括号代替圆括号吧。现在我们的问题变成了如何把 xx <aa <bbb> <bbb> aa> yy这样的字符串里，最长的配对的尖括号内的内容捕获出来？

这里需要用到以下的语法构造：

(?'group') 把捕获的内容命名为group,并压入 堆栈(Stack)

(?'-group') 从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败

(?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话，继续匹配yes部分的表达式，否则继续匹配no部分

(?!) 零宽负向先行断言，由于没有后缀表达式，试图匹配总是失败

如果你不是一个程序员（或者你自称程序员但是不知道堆栈是什么东西），你就这样理解上面的三种语法吧：第一个就是在黑板上写一个"group"，第二个就是从黑板上擦掉一个"group"，第三个就是看黑板上写的还有没有"group"，如果有就继续匹配yes部分，否则就匹配no部分。

我们需要做的是每碰到了左括号，就在压入一个"Open",每碰到一个右括号，就弹出一个，到了最后就看看堆栈是否为空－－如果不为空那就证明左括号比右括号多，那匹配就应该失败。正则表达式引擎会进行回溯(放弃最前面或最后面的一些字符)，尽量使整个表达式得到匹配。

<                         #最外层的左括号
    [^<>]*                #最外层的左括号后面的不是括号的内容
            (?'Open'<)    #碰到了左括号，在黑板上写一个"Open"
            [^<>]*       #匹配左括号后面的不是括号的内容
            (?'-Open'>)   #碰到了右括号，擦掉一个"Open"
            [^<>]*        #匹配右括号后面不是括号的内容
    (?(Open)(?!))         #在遇到最外层的右括号前面，判断黑板上还有没有没擦掉的"Open"；如果还有，则匹配失败
>                         #最外层的右括号

平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配 嵌套的<div>标签： <div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>.

还有些什么东西没提到

上边已经描述了构造正则表达式的大量元素，但是还有很多没有提到的东西。下面是一些未提到的元素的列表，包含语法和简单的说明。你可以在网上找到更详细的参考资料来学习它们--当你需要用到它们的时候。如果你安装了MSDN Library,你也可以在里面找到.net下正则表达式详细的文档。这里的介绍很简略，如果你需要更详细的信息，而又没有在电脑上安装MSDN Library,可以查看 关于正则表达式语言元素的MSDN在线文档 。

表6.常用的处理选项

名称	说明
IgnoreCase(忽略大小写)	匹配时不区分大小写。	Multiline(多行模式)	更改 ^和 $的含义，使它们分别在任意一行的行首和行尾匹配，而不仅仅在整个字符串的开头和结尾匹配。(在此模式下, $的精确含意是:匹配\n之前的位置以及字符串结束前的位置.)	Singleline(单行模式)	更改 .的含义，使它与每一个字符匹配（包括换行符\n）。	IgnorePatternWhitespace(忽略空白)	忽略表达式中的非转义空白并启用由 #标记的注释。	ExplicitCapture(显式捕获)	仅捕获已被显式命名的组。

好吧,我承认,我骗了你,读到这里你肯定花了不止30分钟.相信我,这是我的错,而不是因为你太笨.我之所以说"30分钟",是为了让你有信心,有耐心继续下去.既然你看到了这里,那证明我的阴谋成功了.被忽悠的感觉很爽吧？

要投诉我,或者觉得我其实可以忽悠得更高明,欢迎来 我的微博 让我知道. 如果你有关于正则表达式的问题, 可以到 stackoverflow 网站上提问, 记得要添加 regex 标签. 如果你更习惯于用中文交流, 可以到微博上用 #正则# 标签提出问题.

网上的资源及本文参考文献

精通正则表达式（第3版）

微软的正则表达式教程

System.Text.RegularExpressions.Regex类(MSDN)

专业的正则表达式教学网站(英文)

关于.Net下的平衡组的详细讨论（英文）

2006-3-27 第一版

2006-10-12 第二版

增加了对处理中文时的一些说明

更改了几个术语的翻译（采用了MSDN的翻译方式）

增加了平衡组的介绍

放弃了对The Regulator的介绍，改用Regex Tester

2007-3-12 V2.1

增加了对处理选项(RegexOptions)的介绍

2007-5-28 V2.2

删除了几个不太合适的示例，添加了几个实用的示例

其它一些微小的更改

2007-8-3 V2.21

修改/添加了对$,\b的精确说明

承认了作者是个骗子

给RegexTester添加了Singleline选项的相关功能

2008-4-13 v2.3

修改了页面布局，删除了专门的参考节

针对读者的反馈，调整了部分内容

2009-4-11 v2.31

添加了一些注释说明

调整了一些措词

2011-8-17 v2.32

2013-1-10 v2.33

修正了几个细节上的错误和不准确的地方

修正了几个小的错误

重新组织了对零宽断言的介绍

修改了几处文字错误

调整了部分章节的次序

修改了几处文字错误

更改了工具介绍，换用自行开发的正则表达式测试器

说明包含前导0的IP地址是合法的

表7.尚未详细讨论的语法

代码/语法	说明
报警字符(打印它的效果是电脑嘀一声)	通常是单词分界位置，但如果在字符类里使用代表退格	制表符，Tab	竖向制表符	Escape	ASCII代码中八进制代码为nn的字符	ASCII代码中十六进制代码为nn的字符	\unnnn	Unicode代码中十六进制代码为nnnn的字符	ASCII控制字符。比如\cC代表Ctrl+C	字符串开头(类似^，但不受处理多行选项的影响)	字符串结尾或行尾(不受处理多行选项的影响)	字符串结尾(类似$，但不受处理多行选项的影响)	当前搜索的开头	\p{name}	Unicode中命名为name的字符类，例如\p{IsGreek}	(?>exp)	贪婪子表达式	(?<x>-<y>exp)	(?im-nsx:exp)	在子表达式exp中改变处理选项	(?im-nsx)	为表达式后面的部分改变处理选项	(?(exp)yes|no)	把exp当作零宽正向先行断言，如果在这个位置能匹配，使用yes作为此组的表达式；否则使用no	(?(exp)yes)	同上，只是使用空表达式作为no	(?(name)yes|no)	如果命名为name的组捕获到了内容，使用yes作为表达式；否则使用no	(?(name)yes)	同上，只是使用空表达式作为no