Regular Expression入門
前言
- Regular expression一般翻譯做「正規表達式」之類的，但其實翻譯不重要，因為看了翻譯還是不知道他的用途。
- 在字串裡搜尋字串是大家很常用的功能，例如在硬碟內找某個檔案，或者是在文章內找某個字。
- 但更常用的是搜尋「某個pattern」，例如想要找「連續7個數字」或是「三個字母接一個特殊字元，後面又有1或2個數字」，就需要用到regular expression！
- 很多程式語言（或者script）都會有regular expression，使用上大同小異，花點時間學習這些火星文，一生受用無窮。
- 以下以autohotkey環境來講解，其實大部分也是翻譯自autohotkey的官方文件。
- 測試regular expression的工具
RegExMatch
FoundPos := RegExMatch(Haystack, NeedleRegEx [, UnquotedOutputVar = "", StartingPosition = 1])
- 一定要有的參數：Haystack是被搜尋的文字，Needle則是所搜尋的pattern，也就是底下要學的東西。
- 選擇性參數：match後的結果會儲存在OutputVar變數裡，StartingPosition可以指定從Haystack的第幾個字元開始搜尋。
- 這個函數會傳回第一個找到pattern的字元位置，如果沒找到的話是 0 。
- 相較於autohotkey很多函數/變數是大小寫不區分，regular expression預設是區分大小寫的。
Regular Expression
- 一般字元
- 大部分的字元都可以直接用在regular expression內，搜尋起來就是和傳統的搜尋文字一樣，例如 RegExMatch("abcde","bcd") 會傳回 2 。
- 特殊字元
- 在regular expression裡有特殊意義，要用 \ 去escape，才會是原本的字元：\ . * ? + [ { | ( ) ^ $
- 例如要找中括號，不能用 RegExMatch("()[]{}","[") ，而是要用 RegExMatch("()[]{}","\[") 。
- Symbols
- .：一個點表示除了斷行以外的任何一個字元。
- \d：表示任何一個數字，也就是0到9。如果要表達「一個非數字」，則用\D (大寫)。
- \w：表示任何一個文字，包括數字、大小寫的a到z，還有底線 _ 。如果要表達「一個非文字」，則用\W (大寫)。
- \s：表示某種空白字元，包括空白、tab (\t)，斷行 (\r和\n)等。如果要表達「一個非空白」，則用\S (大寫)。
- [...]：一對中括號內為候選字，正面表列
- [abc]：找某一個字元，可以是a，也可以是b或是c。
- [a-z]：找某一個字元，可以是a到z。同理可以用在[A-Z]、[0-9]，或是組合用[b-s4-7]。
- 候選字中某些特殊字元可以不用escape，例如 * ? + 都不用加 \ ，當然如果怕搞混加上去也沒關係。
- [^...]：最前面標一個^表示是黑名單，找一個字元且這個字元不在黑名單中。
- 數量詞
- 前面的Symbol都是指單一字元，數量詞一定接在某個symbol右邊，也就是說數量詞作用在左邊那一個symbol。
- *：表示0個或是0個以上。
- ?：表示0個或是1個。
- +：表示1個或是1個以上。
- {min,max}：表示min個以上、max個以下。例如a{2,3}表示連在一起的兩個或三個a。
- Syntax
- \b：表示一個「文字邊界」，例如 cat\b 不會match到 catfish ，因為cat是fish連在一起的。\B(大寫)則表示「非文字邊界」。
- ^ $：把^放在整個pattern的最前面表示「開頭」，把$放在整個pattern的最後面表示「結尾」，例如 ^bcd 或 abc$ 都無法match到 abcd。
- |：表是「或」，例如 (Sun|Mon|Tues|Wednes|Thurs|Fri|Satur)day 可以match到 Sunday 或 Monday 或 ... 或 Saturday。
- ( )：小括號一方面可以讓pattern比較容易閱讀，一方面被括起來的部分會成為一個submatch。
- Options
- 在pattern的左邊，以一個右括號)隔開option和pattern，各個options可以連起來寫，或是用空白、tab分開。
- i：表示case insensitive，例如 i)abc 可以match到 ABC。
- m：表示multiline模式，影響的是^和$，在多行文字時本來表示「全部文字」的頭尾，會變成「一行文字」的頭尾。
- s：讓一個點.表示「所有」字元，包括斷行。
- U：ungreedy
- 預設情況下如果是不定數量的數量詞* + ? { }，regular expression會符合「盡量多」的字元，所以 1\d+1 會match到全部的 1000010000101，稱作greedy。
- 如果在數量詞後加一個問號?，則變成ungreedy，1\d+?1 只會match到 100001。
- 如果有U設定，則預設為ungreedy，加問號變greedy。
- Submatch (subpattern)
- 剛才提到小括號可以形成submatch，例如 RegExMatch("zzabcdefzz","ab(.*)e(f)",match) ，match變數會儲存 abcdef，match1變數會儲存 cd，match2變數會儲存 f。
- 如果小括號只是為了語法，而不是為了submatch，可以用(?: )表示這個括號不是submatch，例如 RegExMatch("zzabcdefzz","ab(?:.*)e(f)",match) ，match變數會儲存 abcdef，match1變數會儲存 f。
- (<?P<...> )：Named subpattern，例如 RegExMatch("20140102","(?P<Year>\d{4})(?P<Month>\d{2})(?P<Day>\d{2})",match) 執行後，match是 20140101，而matchYear變數是2014，matchMonth變數是01，matchDay變數是02。
- Assertion
- 雖然是用小括號，但不是submatch也不包含在match裡，僅僅是當成一個條件。
- (?= )：positive look ahead，例如 a(?=b) 會match一個a，這個a要接著b。
- (?! )：negative look ahead，例如 a(?!b) 會match一個a，這個a後面不能接著b。
- (?<= )：positive look behind，例如 (?<=a)b 會match一個b，這b左邊接著a。
- (?<! )：negative look behind，例如 (?<!a)b 會match一個b，這b左邊不能接著a。
Further Reading
沒有留言:
張貼留言