正则表达式分组相关的知识

一、组的分类
正则中的组有捕获组和非捕获组，而捕获组又分为普通的捕获组和命名捕获组，分别为
捕获组：(exp)  
命名捕获组：(?<name>exp)  
非捕获组：(?:exp) 
 
二、组的作用
1、捕获组的作用
 
捕获组的作用是将正则表达式exp匹配到的内容保存到组里，供以后使用
 
比如这样一个字符串：
<a href="http://bbs.csdn.net" title="床上等你">CSDN</a>
我想得到网址，而它符合的规则是在<a...>标签内，那就可以这样做

C# code

string test = "<a href=\"http://bbs.csdn.net\" title=\"床上等你\">CSDN</a>";Match m = Regex.Match(test, @"<a\s*href=""([^""]*)""[^>]*>", RegexOptions.IgnoreCase);if (m.Success)MessageBox.Show(m.Groups[1].Value);

上面的正则表达式匹配到了<a href="http://bbs.csdn.net"title="床上等你">，而我们想得到网址，表达式其它部分只是为了保证取到的网址是在<a...>标签内的，所以这里用到的捕获组，把匹配到的网址保存到捕获组里，然后用m.Groups[1].Value得到这个捕获组所匹配到的内容
m.Groups[1].Value是一种对捕获的引用方式，还有另外一种引用方式m.Result("$1")，效果是一样的
 
普通捕获组是用1,2,3...这样的自然数对捕获组进行引用的
而命名捕获组可以不用去数捕获组的序号，直接通过捕获组的命称对它进行引用
 

C# code

string test = "<a href=\"http://bbs.csdn.net\" title=\"床上等你\">CSDN</a>";Match m = Regex.Match(test, @"<a\s*href=""(?<url>[^""]*)""[^>]*>", RegexOptions.IgnoreCase);if (m.Success)MessageBox.Show(m.Groups["url"].Value);

 
至于捕获组的分组命名及序号排序规则，在后面说明
 
2、非捕获组的作用
非捕获组的作用有两个，第一个比较常用，第二个了解一下即可
 
(1)、节省系统资源，提高效率
在使用“|”表示“或”的关系时，稍微复杂的情况，需要用()来限制“|”的作用范围，否则即表示“|”的左右两侧整体为“或”的关系，这是题外话，这里不详细说明了，还有用{num}来表达式匹配次数时，有时前面也要用到()限制作用范围
而使用()来限制作用范围的同时，默认情况下会把匹配到的结果保存到一个捕获组里，而大多数时候，我们是不需要保存这部分内容的，这就带来一定的副作用，浪费了系统资源，降低了效率
非捕获组的一个作用就是用来消除这种副作用的，(?:exp)用来匹配exp所表示的规则，但不将匹配结果保存到捕获组里
 
比如匹配HH:mm:ss这样的时间

C# code

MessageBox.Show(Regex.IsMatch("18:23:55", "^(?:[01][0-9]|2[0-3])(?::[0-5][0-9]){2}$").ToString());

(?:[01][0-9]|2[0-3])验证小时部分是否符合规则，但不会将匹配结果保存到捕获组里
(?::[0-5][0-9]){2}验证了分秒部分，但不会将匹配结果保存到捕获组里
 
(2)、在使用Regex.Split方法时，起到与RegexOptions .ExplicitCapture参数相同的作用，这个用得不多，了解一下就行了
 
三、捕获组分组命名及序号排序
普通捕获组是按“(”从左到右出现的先后顺序以自然数1,2,3...进行命名的
命名捕获组就是以(?<name>exp)中的name进行命名的
 
但是要注意一点，在表达式匹配成功的前提下，$0在任何情况下都表示整个表达式所匹配到的内容，m.Groups[0].Value表示整个表达式匹配到的内容，可以简写为m.Value
 
另外就是命名捕获组除了可以用name对它进行引用外，还可以通过序号对它引用，它的命名规则为：先对普通捕获组从左到右进行序号命名，然后再从开头，从左到右对命名捕获组进行序号命名，举例如下
 
<a\s*href="(?<url>[^"]*)"\s*title="([^"]*)"[^>]*>(?<text>[\s\S]*?)</a>
  2 url 1 3 text
 

C# code

string test = "<a href=\"http://bbs.csdn.net\" title=\"床上等你\">CSDN</a>";Match m = Regex.Match(test, @"<a\s*href=""(?<url>[^""]*)""\s*title=""([^""]*)""[^>]*>(?<text>[\s\S]*?)</a>", RegexOptions.IgnoreCase);if (m.Success){richTextBox1.Text += m.Groups[0].Value + "\n";       //<a href="http://bbs.csdn.net" title="床上等你">CSDN</a>    richTextBox1.Text += m.Groups[1].Value + "\n";       //床上等你    richTextBox1.Text += m.Groups[2].Value + "\n";       //http://bbs.csdn.net    richTextBox1.Text += m.Groups["url"].Value + "\n";   //http://bbs.csdn.net    richTextBox1.Text += m.Groups[3].Value + "\n";       //CSDN    richTextBox1.Text += m.Groups["text"].Value + "\n";  //CSDN}

 
四、组的另一种引用方式
除了上面 m.Groups[1].Value 和 m.Result("$1") 这两种对结果集进行处理时的引用方式外，还有在替换时的一种引用方式，举例如下
 
只保留网址和链接文字，去掉<a...>标签中其它无用信息

C# code

string test = "<a href=\"http://bbs.csdn.net\" title=\"床上等你\">CSDN</a>";string result = Regex.Replace(test, @"<a\s*href=""([^""]*)""\s*title=""([^""]*)""[^>]*>(?<text>[\s\S]*?)</a>", @"<a href=""$1"">${text}</a>", RegexOptions.IgnoreCase);MessageBox.Show(result);

 
普通捕获组就是用$number来引用，而命名捕获是用${name}来引用

预搜索
(?=exp)  
(?!exp)  
(?<=exp)  
(?<!exp)  
 
下面的说明很容易让人头晕，不看也罢，我将以另一种方式对它们的作用和用法进行说明
(?=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  
 
有的资料上翻译为零宽度断言，我习惯于预搜索这种叫法，前两个为正向预搜索，后两个为反向预搜索，当然还有其它翻译，其实都是一个意思，知道就行，不必在意
 
这四种表达式，它们与非捕获的相同之处在于，并不将匹配到的结果保存到捕获组，不同之处在于，非捕获组匹配到的内容，虽然不保存到捕获组，但却是在结果$0实实在在存在的，而以上四种表达式所匹配到的内容，一般来说，是不存在$0内的，所以说它们匹配的结果是零宽度的
 
更好的理解方式，是把它们作为附加条件，而不是正则表达式的组成部分
 
为了更好的说明，先说一下“缝隙”的概念，“缝隙”是零宽度的，它只是字符串中的一个位置，而不是实际的字符，如字符串“ab”，在“a”前面，“a”和“b”中间，还有“b”后面，分别有一个“缝隙”，也就是整个字符串有三个“缝隙”
 
(?=exp) 在所在“缝隙”的后面附加一个条件，也就是“缝隙”后面必须能够匹配exp的内容  
(?!exp) 在所在“缝隙”的后面附加一个条件，也就是“缝隙”后面必须不能够匹配exp的内容  
(?<=exp) 在所在“缝隙”的前面附加一个条件，也就是“缝隙”前面必须能够匹配exp的内容  
(?<!exp) 在所在“缝隙”的前面附加一个条件，也就是“缝隙”前面必须不能够匹配exp的内容 
 
举例说明如下：
<[^>]*>表达式任意html标签

附加一个条件
<(?!img)[^>]*>
这个就表示除<img...>标签外的所有标签，看下实际例子

C# code

string test = "<p><a href=\"http://bbs.csdn.net\" title=\"床上等你\"><img src=\"http://bbs.csdn.net\\logo.jpg\">CSDN</a></p>";MatchCollection mc = Regex.Matches(test, @"<(?!img)[^>]*>", RegexOptions .IgnoreCase);foreach(Match m in mc){richTextBox1.Text += m.Value + "\n";}

输出结果为：
<p>
<a href="http://bbs.csdn.net" title="床上等你">
</a>
</p>

这时再看一下<(?!img)[^>]*>这个正则表达式
(?!img)所在的“缝隙”是“<”和它后面的第一个字符之间的“缝隙”，它表示的意思就是，在这个“缝隙”的后面，不能是img，整个表达式的意思也就是不匹配<img...>标签

同理，<(?=img)[^>]*>表示只匹配<img...>标签

C# code

string test = "<p><a href=\"http://bbs.csdn.net\" title=\"床上等你\"><img src=\"http://bbs.csdn.net\\logo.jpg\">CSDN</a></p>";MatchCollection mc = Regex.Matches(test, @"<(?=img)[^>]*>", RegexOptions.IgnoreCase);foreach(Match m in mc){MessageBox.Show(m.Value);}

输出：
<img src="//bbs.csdn.net\logo.jpg">

(?<=<a[^>]*>)<img[^>]*>表示只匹配前面为<a...>标签的<img...>标签

C# code

string test = "<p><a href=\"http://bbs.csdn.net\" title=\"床上等你\"><img src=\"http://bbs.csdn.net\\logo.jpg\">CSDN</a></p><img src=\"http://bbs.csdn.net\\home.jpg\">";MatchCollection mc = Regex.Matches(test, @"(?<=<a[^>]*>)<img[^>]*>", RegexOptions.IgnoreCase);foreach(Match m in mc){MessageBox.Show(m.Value);}

输出：
<img src="//bbs.csdn.net\logo.jpg">

(?<!<a[^>]*>)<img[^>]*>表示只匹配前面不为<a...>标签的<img...>标签　

C# code

string test = "<p><a href=\"http://bbs.csdn.net\" title=\"床上等你\"><img src=\"http://bbs.csdn.net\\logo.jpg\">CSDN</a></p><img src=\"http://bbs.csdn.net\\home.jpg\">";MatchCollection mc = Regex.Matches(test, @"(?<!<a[^>]*>)<img[^>]*>", RegexOptions.IgnoreCase);foreach(Match m in mc){MessageBox.Show(m.Value);}

输出：
<img src="//bbs.csdn.net\home.jpg">

以上面的这个(?<=<a[^>]*>)<img[^>]*>为例，表达式中虽然有(?<=<a[^>]*>)，但是在结果m.Value中并不存在它匹配到的内容<a href="http://bbs.csdn.net"title="床上等你">，所以说它是零宽度的，只是作为一个附加条件存在