摘要：本文給出了在C#下利用正則表達式實現字符串搜索功能的方法，通過對.Net框架下的正則表達式的研究及實例分析，總結了正則表達式的元字符、規則、選項等。
關鍵字：正則表達式、元字符、字符串、匹配
1、正則表達式簡介
正則表達式提供了功能強大、靈活而又高效的方法來處理文本。正則表達式的全面模式匹配表示法可以快速地分析大量的文本以找到特定的字符模式；提取、編輯、替換或刪除文本子字符串；或將提取的字符串添加到集合以生成報告。對於處理字符串（例如 Html處理、日志文件分析和 HTTP 標頭分析）的許多應用程序而言，正則表達式是不可缺少的工具。
.NET 框架正則表達式並入了其他正則表達式實現的最常見功能，被設計為與 Perl 5 正則表達式兼容，.NET 框架正則表達式還包括一些在其他實現中尚未提供的功能，.Net 框架正則表達式類是基類庫的一部分，並且可以和面向公共語言運行庫的任何語言或工具一起使用。
2、字符串搜索
正則表達式語言由兩種基本字符類型組成：原義（正常）文本字符和元字符。正是元字符組為正則表達式提供了處理能力。當前，所有的文本編輯器都有一些搜索功能，通常可以打開一個對話框，在其中的一個文本框中鍵入要定位的字符串，如果還要同時進行替換操作，可以鍵入一個替換字符串，比如在 Windows操作系統中的記事本、Office系列中的文檔編輯器都有這種功能。這種搜索最簡單的方式，這類問題很容易用String類的 String.Replace()方法來解決，但如果需要在文檔中識別某個重復的，該怎麼辦？編寫一個例程，從一個String類中選擇重復的字是比較復雜的，此時使用語言就很適合。
一般表達式語言是一種可以編寫搜索表達式的語言。在該語言中，可以把文檔中要搜索的文本、轉義序列和特定含義的其他字符組合在一起，例如序列\ b表示一個字的開頭和結尾（子的邊界），如果要表示正在查找的以字符th開頭的字，就可以編寫一般表達式\BTh（即序列字符界是-t-h）。如果要搜索所有以th結尾的字，就可以編寫th\b（序列t-h-字邊界）。但是，一般表達式要比這復雜得多，例如，可以在搜索操作中找到存儲部分文本的工具性程序（facility）。
3、.Net 框架的正則表達式類
下面通過介紹 .NET 框架的正則表達式類，熟悉一下.Net框架下的正則表達式的使用方法。
3.1 Regex 類表示只讀正則表達式
Regex 類包含各種靜態方法，允許在不顯式實例化其他類的對象的情況下使用其他正則表達式類。以下代碼示例創建了 Regex 類的實例並在初始化對象時定義一個簡單的正則表達式。請注意，使用了附加的反斜槓作為轉義字符，它將 \s 匹配字符類中的反斜槓指定為原義字符。
Regex r; // 聲明一個 Regex類的變量
r = new Regex("\\s2000"); // 定義表達式
3.2 Match 類表示正則表達式匹配操作的結果
以下示例使用 Regex 類的 Match 方法返回 Match 類型的對象，以便找到輸入字符串中第一個匹配。此示例使用 Match 類的 Match.Success 屬性來指示是否已找到匹配。
Regex r = new Regex("abc"); // 定義一個Regex對象實例
Match m = r.Match("123abc456"); // 在字符串中匹配
if (m.Success)
{
Console.WriteLine("Found match at position " + m.Index); //輸入匹配字符的位置
}
3.3 MatchCollection 類表示非重疊匹配的序列
該集合為只讀的，並且沒有公共構造函數。MatchCollection 的實例是由 Regex.Matches 屬性返回的。使用 Regex 類的 Matches 方法，通過在輸入字符串中找到的所有匹配填充 MatchCollection。下面代碼示例演示了如何將集合復制到一個字符串數組（保留每一匹配）和一個整數數組（指示每一匹配的位置）中。
MatchCollection mc;
String[] results = new String[20];
int[] matchposition = new int[20];
Regex r = new Regex("abc"); //定義一個Regex對象實例
mc = r.Matches("123abc4abcd");
for (int i = 0; i < mc.Count; i++) //在輸入字符串中找到所有匹配
{
results[i] = mc[i].Value; //將匹配的字符串添在字符串數組中
matchposition[i] = mc[i].Index; //記錄匹配字符的位置
}
3.4 GroupCollection 類表示捕獲的組的集合
該集合為只讀的，並且沒有公共構造函數。GroupCollection 的實例在 Match.Groups 屬性返回的集合中返回。下面的控制台應用程序查找並輸出由正則表達式捕獲的組的數目。
using System;
using System.Text.RegularExpressions;
public class RegexTest
{
public static void RunTest()
{
Regex r = new Regex("(a(b))c"); //定義組
Match m = r.Match("abdabc");
Console.WriteLine("Number of groups found = " + m.Groups.Count);
}
public static void Main()
{
RunTest();
}
}
該示例產生下面的輸出：
Number of groups found = 3
3.5 CaptureCollection 類表示捕獲的子字符串的序列
由於限定符，捕獲組可以在單個匹配中捕獲多個字符串。Captures屬性（CaptureCollection 類的對象）是作為 Match 和 group 類的成員提供的，以便於對捕獲的子字符串的集合的訪問。例如，如果使用正則表達式 ((a(b))c)+（其中 + 限定符指定一個或多個匹配）從字符串"abcabcabc"中捕獲匹配，則子字符串的每一匹配的 Group 的 CaptureCollection 將包含三個成員。
下面的程序使用正則表達式 (Abc)+來查找字符串"XYZAbcAbcAbcXYZAbcAb"中的一個或多個匹配，闡釋了使用 Captures 屬性來返回多組捕獲的子字符串。
using System;
using System.Text.RegularExpressions;
public class RegexTest
{
public static void RunTest()
{
int counter;
Match m;
CaptureCollection cc;
GroupCollection gc;
Regex r = new Regex("(Abc)+"); //查找"Abc"
m = r.Match("XYZAbcAbcAbcXYZAbcAb"); //設定要查找的字符串
gc = m.Groups;
//輸出查找組的數目
Console.WriteLine("Captured groups = " + gc.Count.ToString());
// Loop through each group.
for (int i=0; i < gc.Count; i++) //查找每一個組
{
cc = gc[i].Captures;
counter = cc.Count;
Console.WriteLine("Captures count = " + counter.ToString());
for (int ii = 0; ii < counter; ii++)
{
// Print capture and position.
Console.WriteLine(cc[ii] + " Starts at character " +
cc[ii].Index); //輸入捕獲位置
}
}
}
public static void Main() {
RunTest();
}
}
此例返回下面的輸出結果：
Captured groups = 2
Captures count = 1
AbcAbcAbc Starts at character 3
Captures count = 3
Abc Starts at character 3
Abc Starts at character 6
Abc Starts at character 9
3.6 Capture 類包含來自單個子表達式捕獲的結果
在 Group 集合中循環，從 Group 的每一成員中提取 Capture 集合，並且將變量 posn 和 length 分別分配給找到每一字符串的初始字符串中的字符位置，以及每一字符串的長度。
Regex r;
Match m;
CaptureCollection cc;
int posn, length;
r = new Regex("(abc)*");
m = r.Match("bcabcabc");
for (int i=0; m.Groups[i].Value != ""; i++)
{
cc = m.Groups[i].Captures;
for (int j = 0; j < cc.Count; j++)
{
posn = cc[j].Index; //捕獲對象位置
length = cc[j].Length; //捕獲對象長度
}
}
把組合字符組合起來後，每次都會返回一個組對象，就可能並不是我們希望的結果。如果希望把組合字符作為搜索模式的一部分，就會有相當大的系統開銷。對於單個的組，可以用以字符序列"?:"開頭的組禁止這麼做，就像URI樣例那樣。而對於所有的組，可以在RegEx.Matches()方法上指定RegExOptions.ExplicitCapture標志。
4、利用正則表達式實現字符串搜索
4.1 在C#中使用.Net一般表達式引擎
下面將通過一個樣例的開發，執行並顯示一些搜索的結果，說明一般表達式的一些特性，以及如何在C#中使用.Net一般表達式引擎。說明使用字符串時應在前面加上符號@。
String Text=@"I can not find my position in Beijing";
把這個文本稱為輸入字符串，為了說明一般表達式.Net類，本文先進行一次純文本的搜索，這次搜索不帶任何轉義序列或一般表達式命令。假定要查找所有字符串ion，把這個搜索字符串稱為模式。使用一般表達式和上面聲明的變量Text，編寫出下面的代碼：
String Pattern = "ion";
MatchCollection Matches = Regex.Matches(Text,Pattern,RegexOptions);
foreach(Match NextMatch in Matches)
{ Console.WriteLine(NextMatch.Index); }
在這段代碼中，使用了System.Text.RegularExpressions名稱空間中Regex類的靜態方法Match()。這個方法的參數是一些輸入文本、一個模式和RegexOptions每句中的一組可選標志。Matches()返回MatchCollection，每個匹配都用一個Match對象來表示。在上面的代碼中，只是在集合中迭代，使用Match類的Index屬性，返回輸入文本中匹配所在的索引。運行這段代碼，將得到1個匹配項。
一般集合的功能主要取決於模式字符串。原因是模式字符串不僅僅包含純文本。如前所述。還包含元字符和轉義序列，元字符是給出命令的特殊字符，而轉義序列的工作方式與C#的轉義序列相同，它們都是以反斜槓\開頭的字符，具有特殊的含義。例如，假定要查找以n開頭的字，就可以使用轉義序列\b，它表示一個字的邊界（字的邊界是以某個字母數字標的字符開頭，或者後面是一個空白字符或標點符號），下面編寫如下代碼：
String Pattern = @"\bn";
MatchCollection Matches = Regex.Matches(Text,Pattern,RegexOptions.IgnoreCase
RegexOptions.ExplicitCapture);
要在運行時把\b傳遞給.Net一般表達式引擎，反斜槓\不應被C#編譯器解釋為轉義序列。如果要查找以序列ion結尾的字，可以使用下面的代碼：
String Pattern = @"ion\b";
如果要查找以字母n開頭，以序列ion結尾的所有字，需要一個以\bn開頭，以ion\b結尾的模式，中間內容怎麼辦？需要告訴計算機n和ion中間的內容可以是任意長度的字符，只要字符不是空白即可，正確的模式如下所示：
String Pattern = @"\bn\S*ion\b";
4.2 特定字符或轉義序列
大多數重要的正則表達式語言運算符都是非轉義的單個字符。轉義符 \（單個反斜槓）通知正則表達式分析器反斜槓後面的字符不是運算符。例如，分析器將星號 (*) 視為重復限定符，而將後跟星號的反斜槓 (\*) 視為 Unicode 字符 002A。
使用一般表達式要習慣的一點是，查看像這樣怪異的字符序列，但這個序列的工作是非常邏輯化的。轉義序列\S表示任何不適空白的字符。*稱為數量詞，其含義是前面的字符可以重復任意次，包括0次。序列\S*表示任何不適空白的字符。因此，上面的模式匹配於以n開頭，以ion結尾的任何單個字。下表中列出的字符轉義在正則表達式和替換模式中都會被識別。
表1：特定字符或轉義序列
特定字符或轉義序列 含義 樣例 匹配的樣例
^ 輸入文本的開頭 ^B B，但只能是文本中的第一個字符
$ 輸入文本的結尾 X$ X，但只能是文本中的最後一個字符
. 除了換行字符（\n）以外的所有單個字符 i.ation isation、ization
* 可以重復0次或多次的前導字符 ra*t rat、raat等
+ 可以重復1次或多次的前導字符 ra+t rt、rat、raat等
？ 可以重復0次或1次的前導字符 ra?t 只有rt和rat匹配
\s 任何空白字符 \sa [space]a,\ta,\na（\t和\n與C#的\t和\n含義相同）
\S 任何不是空白的字符 \SF aF,rF,cF，但不能是\tf
\b 字邊界 ion\b 以ion結尾的任何字
\B 不是字邊界的位置 \BX\B 字中間的任何X
如果要搜索一個元字符，也可以通過帶有反斜槓的轉義字符來表示。例如，.表示除了換行字符以外的任何字符，而\.表示一個點。
可以把可替換的字符放在方括號中，請求匹配包含這些字符。例如，[1 c]表示字符可以是1或者是c。如果要搜索map或者man，可以使用序列"ma[n p]"（僅指引號內字符，下面雷同）。在方括號中，也可以制定一個范圍，例如"[a-z]"表示所有的小寫字母（使用連字號 (-) 允許指定連續字符范圍），"[B-F]"表示B到F之間的所有大寫字母，"[0-9]"表示一個數字，如果要搜索一個整數（該序列只包含0到9的字符），就可以編寫"[0-9]+"（注意，使用+字符表示至少要有這樣一個數字，但可以有多個數字，所以9、83和3443等都是匹配的。）
下面看看一般表達式的結果，編寫一個實例RegularExpressionsZzy。建立幾個一般表達式，顯示其結果，讓用戶了解一下表達式是如何工作的。
該實例的核心是一個方法WriteMatches()，它把MatchCollection中的所有匹配以比較詳細的方式顯示出來。對於每個匹配，它都會顯示該匹配在輸入字符串中所在的索引，匹配的字符串和一個略長的字符串，其中包含輸入文本中至多8個外圍字符，其中至少有5個字符放在匹配的前面，至多5個字符放在匹配的後面（如果匹配的位置在輸入文本的開頭或結尾5個字符內，則結果中匹配前後的字符就會少於4個）。換言之，靠近輸入文本末尾的匹配應是"and messaging ofd"，匹配的前後各有5個字符，但位於輸入文本的最後一個字上的匹配就應是"g of data"，匹配的字後只有一個字符。因為在該字符的後面是字符串的結尾。這個長字符串可以更清楚地表明一般表達式是在什麼地方查找到匹配的：
static void WriteMatches(string text, MatchCollection matches)
{
Console.WriteLine("Original text was: \n\n" + text + "\n");
Console.WriteLine("No. of matches: " + matches.Count);
foreach (Match nextMatch in matches)
{
int Index = nextMatch.Index;
string result = nextMatch.ToString();
int charsBefore = (Index < 5) ? Index : 5;
int fromEnd = text.Length - Index - result.Length;
int charsAfter = (fromEnd < 5) ? fromEnd : 5;
int charsToDisplay = charsBefore + charsAfter + result.Length;
Console.WriteLine("Index: {0}, \tString: {1}, \t{2}",Index, result,
text.Substring(Index - charsBefore, charsToDisplay));
}
}
在這個方法中，處理過程是確定在較長的字符串中有多少個字符可以顯示，而無需超限輸入文本的開頭或結尾。注意在Match對象上使用了另一個屬性Value，它包含標識該匹配的字符串，而且，RegularExpressionsZzy只包含名為Find_po，Find_n等的方法，這些方法根據本文執行某些搜索操作。
4.3 正則表達式選項
可以使用影響匹配行為的選項修改正則表達式模式。可以通過兩種基本方法設置正則表達式選項：其一是可以在 Regex(pattern, options) 構造函數中的 options 參數中指定，其中 options 是 RegexOptions 枚舉值的按位"或"組合；其二是使用內聯 (?imnsx-imnsx:) 分組構造或 (?imnsx-imnsx) 其他構造在正則表達式模式內設置它們。
在內聯選項構造中，一個選項或一組選項前面的減號 (-) 用於關閉這些選項。例如，內聯構造 (?ix-ms) 將打開 IgnoreCase 和 IgnorePatternWhiteSpace 選項而關閉 Multiline 和 Singleline 選項。
表2：RegexOptions 枚舉的成員以及等效的內聯選項字符
RegexOption 成員 內聯字符 說明
None 無 指定不設置任何選項。
IgnoreCase i 指定不區分大小寫的匹配。
Multiline m 指定多行模式。更改 ^ 和 $ 的含義，以使它們分別與任何行的開頭和結尾匹配，而不只是與整個字符串的開頭和結尾匹配。
ExplicitCapture n 指定唯一有效的捕獲是顯式命名或編號的 (?...) 形式的組。這允許圓括號充當非捕獲組，從而避免了由 (?:...) 導致的語法上的笨拙。
Compiled 無 指定正則表達式將被編譯為程序集。生成該正則表達式的 Microsoft 中間語言 (MSIL) 代碼；以較長的啟動時間為代價，得到更快的執行速度。
Singleline s 指定單行模式。更改句點字符 (.) 的含義，以使它與每個字符（而不是除 \n 外的所有字符）匹配。
IgnorePatternWhitespace x 指定從模式中排除非轉義空白並啟用數字符號 (#) 後面的注釋。請注意，空白永遠不會從字符類中消除。
RightToLeft 無指定搜索是從右向左而不是從左向右進行的。具有此選項的正則表達式將移動到起始位置的左邊而不是右邊。（因此，起始位置應指定為字符串的結尾而不是開頭。）為了避免構造具有無限循環的正則表達式的可能性，此選項不能在中流指定。但是，(?<) 回顧後發構造提供了可用作子表達式的類似替代物。
ECMAScript 無 指定已為表達式啟用了符合 ECMAScript 的行為。此選項僅可與 IgnoreCase 和 Multiline 標志一起使用。將 ECMAScript 同任何其他標志一起使用將導致異常。
例如，Find_po在字開頭處查找以"po"開頭的字符串：
static void Find_po()
{
string text = @" I can not find my position in Beijing ";
string pattern = @"\bpo\S*ion\b";
MatchCollection matches = Regex.Matches(text, pattern, RegexOptions.IgnoreCase
RegexOptions.IgnorePatternWhitespace RegexOptions.ExplicitCapture);
WriteMatches(text, matches);
}
這段代碼還使用了名稱空間RegularExpressions：
using System;
using System.Text.RegularExpressions;
4.4 匹配、組和捕獲
一般表達式的一個很好的特性是可以把字符組合起來，方式與C#中的復合語句一樣。在C#中，可以通過把任意數量的語句放在花括號中的方式把它們組合在一起。其結果就像一個復合語句那樣。在一般表達式模式中，也可以把任何字符組合起來（包括元字符和轉義序列），像處理一個字符那樣處理它們。唯一的區別是要使用圓括號，而不是花括號，得到的序列成為一個組。
例如，模式"(an)+"定位序列an的任以重復。量詞+只應用於它前面的一個字符，但因為我們把字符組合起來了，所以它現在把重復的an作為一個單元來對待。"(an)."應用到輸入文本"bananas came to Europe late in the annals of history"上，會從bananas中選擇出anan。另一方面，如果使用an+，則將從annals中選擇ann，從bananas中選擇出兩個 an。為什麼(an)+選擇的是anan，而沒有把單個的an作為一個匹配。匹配規則是不能重復的，如果有可能重復，在默認情況下就選擇較長的匹配。
但是，組的功能要比這強大得多。在默認情況下，把模式的一部分組合為一個組時，就要求一般表達式引擎記住可以按照這個組來匹配，也可以按照整個模式來匹配。換言之，可以把組當作一個要匹配的模式，如果要把字符串分解為各個部分，這種模式就是非常有效的。
例如，URI的格式是" :// : "，其中端口是可選的。它的一個樣例是http://www.comprg.com.cn:8080。假定要從一個URI中提取協議、地址和端口，而且緊鄰URI的後面可能有空白（但沒有標點符號），就可以使用下面的表達式："\b(\S+)://(\S+)(?::(\S+))?\b"
該表達式的工作方式如下：首先，前導和尾部的\b序列確保只需要考慮完全是字的文本部分，在這個文本部分中，第一組"(\S+)://"會選擇一個或多個不適空白的字符，其後是"://"。在HTTPURI的開頭會選擇出http://。花括號表示把http存儲為一個組。後面的"(\S+)" 則在上述URI中選擇www. comprg.com.cn，這個組在遇到詞的結尾時或標記另一個組的冒號"(:)"時結束。
下一個組選擇端口（本例是:8080）。後面的？表示這個組在匹配中是可選的，如果沒有:xxxx，也不會妨礙匹配的標記。
這是非常重要的，因為端口在URI中一般不指定，實際上，在大多數情況下，URI是沒有端口號的。但是，事情會比較復雜。如果要求冒號可以出現，也可以不出現，但不希望把這個冒號也存儲在組中。為此，可以嵌套兩個組：內部的"(\S+)"組選擇冒號後面的內容（本例中是8080），外面的組包含內部的組，後面是一個冒號，該冒號又在序列"?:"的後面。這個序列表示該組不應保存（只需要保存"8080"，不需要保存":8080"）。不要把這兩個冒號混淆了，第一個冒號是序列"?:"的一部分，表示不保存這個組，第二個冒號是要搜索的文本。
在這個字符串上運行該模式：I always visit http://www. comprg.com.cn 得到的匹配是http://www. comprg.com.cn。在這個匹配中，僅提到了三個組，還有第四個組表示匹配本身。理論上，每個組都可以選擇0次、1次或者多次匹配。單個的匹配就稱為捕獲。在第一個組"(\S+)"，有一個捕獲http。第二個組也有一個捕獲www. comprg.com.cn，但第三個組沒有捕獲，因為在這個URI中沒有端口號。注意該字符串在其本身上包含第二個http://。雖然它匹配於第一個組，但不會被搜索出來，因為整個搜索表達式不匹配於這部分文本。
再比如下面這個例子，以下代碼示例使用 Match.Result 來從 URL提取協議和端口號。例如，"http://www.yahoo.com.cn:8080/index.Html"將返回"http:8080"。
String Extension(String url)
{
Regex r = new Regex(@"^(? \w+)://[^/]+?(? :\d+)?/",
RegexOptions.Compiled);
return r.Match(url).Result("${proto}${port}");
}
5、小結
.NET 框架正則表達式類是基類庫的一部分，並且可以和面向公共語言運行庫的任何語言或工具（包括 ASP.NET和 Visual Studio .NET）一起使用。本文給出了在C#下利用正則表達式實現字符串搜索功能的方法，通過對.Net框架下的正則表達式的研究及實例分析，總結了正則表達式的規則、選項等，方便以後朋友們的應用。
