正则指引之匹配模式

jopen 10年前

所谓匹配模式（match mode），指的是匹配时使用的规则。设置特定的模式，可能会改变对正则表达式的识别，也可能会改变正则表达式中字符的匹配规定。常用的匹配模式一共有4种：不区分大小写模式，单行模式，多行模式，注释模式。

不区分大小写模式

在看这个模式的应用实例之前，必须首先了解模式的指定方式。通常，有两种办法指定匹配模式：以模式修饰符指定，或者以预定义的常量作为特殊参数传入来指定。模式修饰符即模式对应的单个字符，使用时将其填入特定结构(?modifier)中（其中的modifier为模式修改符），嵌在正则表达式的开头。比如不区分大小写的匹配模式对应的模式修饰符是 i （case Insensitive），对 the 指定此模式，完整的正则表达式就是 (?i)the 。另一种指定模式的方式是使用预定义的常量作为参数，传入正则函数。在Java中，属于Pattern类。下表展示了常用语言中不区分大小写模式的预定义常量：

语言                                              
常量                                                                        
.NET
 RegexOptions.IgnoreCase
Java
 Pattern.CASE_INSENSITIVE
JavaScript
 /regex/i
PHP
 /regex/i
Python
 re.I
re.IGNORECASE
Ruby
 Regexp::IGNORECASE
/regex/i

以Java为例： 

//不区分大小写模式  String text1 = "aaa AAA aaaaa AAAA";  Pattern p1 = Pattern.compile("\\b(a{3,5})\\b",Pattern.CASE_INSENSITIVE);  Matcher m1 = p1.matcher(text1);  while(m1.find()){      System.out.println(m1.group(1));  }
//不区分大小写模式（使用模式修饰符）  String text1 = "aaa AAA aaaaa AAAA";  Pattern p1 = Pattern.compile("(?i)\\b(a{3,5})\\b");  Matcher m1 = p1.matcher(text1);  while(m1.find()){      System.out.println(m1.group(1));  }

单行模式

元字符点号（.）几乎能匹配任何字符，唯有换行符 \n 是例外。但是，有时候确实需要匹配“任何字符”，比如在处理HTML源代码时，经常会遇到跨越多行的脚本代码： 

<script type="text/javascript">  ...code....  ...code....  </script>

正则文档里一般都会说明“点号不能匹配换行符”，不过许多人并不习惯仔细阅读文档，所以认为点号 . 能匹配任何字符，当然也就包括换行符，所以直接的想法是用<script\s.*?</script>来匹配。接下来你就会发现最多只能进行到第一行末尾。之前提到过，可以用[\s\S]之类的字符组匹配“任意字符”，所以正则表达式<script\s[\s\S]*?</script>能解决问题。

不过对大多数人来说，点号更加自然，也更简洁，所以正则表达式提供了单行模式。在这种模式下，所有文本似乎只在一行里，换行符是这一行中的“普通字符”，所以可以由点号 . 匹配。单行模式对应的模式修饰符是 s （Single line），所以如果用模式修饰符，可以在表达式的开头用(?s)指定： 

//单行模式（使用模式修饰符）  String text1 = "<script tyte='text/javascript'>dddddddddd\r\nrrrrrrrrrrrr</script>";  Pattern p1 = Pattern.compile("(?s)<script\\s.*?</script>");  Matcher m1 = p1.matcher(text1);  while(m1.find()){      System.out.println(m1.group());  }
//单行模式（使用叁数）  String text1 = "<script tyte='text/javascript'>dddddddddd\r\nrrrrrrrrrrrr</script>";  Pattern p1 = Pattern.compile("<script\\s.*?</script>",Pattern.DOTALL);  Matcher m1 = p1.matcher(text1);  while(m1.find()){      System.out.println(m1.group());  }

常用语言中单行模式的预定义常量：

语言                                                   
常量                                                                    
.NET
 RegexOptions.Singleline
Java
 Pattern.DOTALL
JavaScript
 不支持此模式
PHP
 /regex/s
Python
 re.S
re.DOTALL
Ruby
 Regexp::MULTILINE
/regex/m

你可能注意到了，单行模式在不同语言中的称呼很不一样。比如在Java和Python中叫 DOTALL（也就是点号通配），这个名字确实更高明。不过，“单行模式”成了约定俗成的称呼。

多行模式

单行模式影响的是点号的匹配规则：在默认模式下，点号 . 可以匹配除换行符之外的任何字符，在单行模式下，点号 . 可以匹配包括换行符在内的任何字符；多行模式影响的是^和$的匹配规则：在默认模式下，^和$匹配的是整个字符串的起始位置和结束位置，但在多行模式下，它们也能匹配字符串内部某一行文本的起始位置和结束位置。

假设，需要找到下面文本中所有数字字符开头的行：

1 line

NO digit

2 line

解决这个问题，需要定位到每行的起始位置，尝试匹配一个数字字符，如果成功，则匹配之后的整行文本。多行模式的模式修饰符是 m （Multiline），所以在表达式的开头用(?m)指定多行模式，这样^可以定位到字符串内部每一行的起始位置；匹配数字字符的表达式是 \d ，因为没有指定单行模式，点号 . 不能匹配换行符，.*可以匹配“之后的整行文本”，整个表达式就是 (?m)^\d.* 。示例： 

//多行模式（使用修饰符）  String text1 = "1 line\r\nNo digit\r\n2 line";  Pattern p1 = Pattern.compile("(?m)^\\b\\d+\\b");  Matcher m1 = p1.matcher(text1);  while(m1.find()){      System.out.println(m1.group());  }
//多行模式（使用参数）  String text1 = "1 line\r\nNo digit\r\n2 line";  Pattern p1 = Pattern.compile("^\\b\\d+\\b",Pattern.MULTILINE);  Matcher m1 = p1.matcher(text1);  while(m1.find()){      System.out.println(m1.group());  }

下表列出常用语言中预定义常量的写法：

语言                                                     
常量                                                                                
.NET
 RegexOptions.Multiline
Java
 Pattern.NULTILINE
JavaScript
 /regex/m
PHP
 /regex/m
Python
 re.M
re.MULTILINE
Ruby
 默认即为多行模式

注释模式

有时，用到的正则表达式可能非常复杂，不但难以编写和阅读，也难以维护。如果正则表达工也像程序源代码一样，可以添加注释，阅读和维护就容易多了。为了解决这个问题，许多语言支持使用 (?#comment)的记法添加注释，comment就是注释的内容。所以，这样的表达式：^\d.*?$，就可以写成这样：

^(?#start of the line)\d(?#digit).*(?#sest of the line)

.NET，Python，Ruby，PHP都支持这种记法，Java与javascript则不支持。

来自：http://my.oschina.net/fhd/blog/370714