正则表达式

正则表达式（regular expression，简写为 regexes）是用来操作和检验字符串数据的一种强大的工具。正则表达式是一串特殊的字符，它转换为某种算法，根据这个算法来匹配文本。

正则表达式有一套自己的简单语言，用于精确地描述要匹配的对象。只需使用一行代码正则表达式就可以匹配文本，如果不使用正则表达式可能就需要编写多行代码。但是，正刚表达式也有它的缺点，它的创建可能比较复杂，而且含义比较模糊。它与许多成功的语言（如 Prel）相同。一旦习惯了，则非常容易使用。

使用正则表达式解决的最常见的问题数据验证。但正则表达式并不是在数据验证时才使用，在需要操作基于文本的数据的任何场合（如替换，查找），都可以使用正则表达式。

并非所有的正则表达式实现都是一样的。在不同的应用程序/平台/语言里，正则表达式的语法和功能可能会有所不同。

.NET 中的正则表达式

在 .NET 中，正则表达式的功能由命名空间System.Text.RegularExpressions提供。可以从运行在 Microsoft .NET Framework 内的任何平台或语言中使用该功能。命名空间System.Text.RegularExpressions主要包含以下类：

• Regex，包含了正则表达式，以及使用正则表达式的各种方法
• MatchCollection，包含了一个正则表达式找到的所有匹配项
• Match，包含了一次匹配中所有匹配的文本
• GroupCollection，包含了一次匹配中的所有分组
• Group，包含一个分组集合中一个组的细节
• CaptureCollection，包含一个组的所有 Capture 对象
• RegexCompilationInfo，提供了把 Regex 编译为一个独立程序集所需的细节。

上述类中最常用的是 Regex 类，其他的类提供了专门的实用函数，但并不常用。Regex 类有以下一些常用方法：

• IsMatch()，指示 Regex 构造函数中指定的正则表达式在指定的输入字符串中是否找到了匹配项。
• Match()，在输入字符串中搜索匹配正则表达式模式的子字符串，并将第一个匹配项作为单个 Match 对象返回。
• Matches()，在输入字符串中搜索正则表达式的所有匹配项并返回所有匹配。
• Replace()，在指定的输入字符串内，使用指定的替换字符串替换与某个正则表达式模式匹配的字符串。
• Split()，在由正则表达式匹配定义的位置将输入字符串拆分为一个子字符串数组。

正则表达式的选项需要使用 Regex.Options 属性给出，它是一个 RegexOption 枚举集合，你可以对这个枚举集合的各有关成员如 IgnoreCase、Multiline、Singleline 等进行设置。只有掌握了正确的正则表达式语法，RegexOption 的选项才有意义。默认状态下所有的标示都没有设定。也就是说默认的查找是区分大小写的，查找顺序是从左到右。如果需要设置多个标志，可使用|字符把每一个标志放在一起执行 OR 操作。

后记

最近将要接手维护一个数据清洗的系统，朋友说道：

一只爬虫的最基本素养就是熟练掌握运用正则表达式。

大概了解了一下，要清洗的数据有大量的文本要处理，其实爬虫和数据清理都需要熟练掌握正则表达式，趁有时间是时候重新学习一下正则表达式了。正好收拾东西时发现一本有关正则表达式的旧书，《C# 字符串和正则表达式参考手册》（ISBN：9787302063278，出版日期：2003.02.01）。花了一个下午快速的读完，发觉 .NET 的 API 操作不是问题，正则表达式的语法也很容易学习，真正的挑战是学会如何运用那些语法把实际问题分解为一系列正则表达式并最终解决，同时正则表达式的验证也是一个难题。《C# 字符串和正则表达式参考手册》这本书对字符串的处理也有详尽的描述，对于一般的问题，String 类的方法就能很好解决，结合了正则表达式 Regex 类才能发挥巨大威力。不过，由于年代久远，已经找不到这本书配套的源代码了，无论是从原书出版社 Wrox 的站点 http://www.wrox.com/WileyCDA/ 还是清华大学出版社的官网都找不到相关资源了。

最后，要了解最新的 .NET 正则表达式 API 可在 .NET 官网中查阅。

regex golf

参考

System.Text.RegularExpressions Namespace