c# 正则表达式基础知识

一、使用原理

1. 模式匹配机制：
   • 在 C# 中，正则表达式通过定义一种模式来描述文本的特征。例如，\d表示匹配任意一个数字字符。当使用正则表达式进行匹配时，正则表达式引擎会从输入文本的起始位置开始，逐个字符地将输入文本与模式进行比较。
   • 引擎尝试找到一个连续的字符序列，该序列与整个模式完全匹配。如果找到了这样的序列，则匹配成功；否则，匹配失败。
2. 回溯机制：
   • 当正则表达式中存在可选部分（如a?表示a可选出现一次或不出现）或重复部分（如a+表示a出现一次或多次）时，可能会出现多种匹配的可能性。在这种情况下，正则表达式引擎会使用回溯机制。
   • 例如，对于模式a(b|c)+和输入文本abcc，引擎首先匹配a，然后遇到(b|c)+，它会尝试匹配b，接着匹配第一个c，然后再次匹配c。如果后续还有更多文本，并且匹配失败，引擎会回溯到上一个选择点，尝试其他可能的匹配路径，直到找到成功匹配或确定无法匹配为止。
3. 捕获组：
   • 捕获组是正则表达式中的一个重要概念，它允许你将匹配的一部分文本提取出来。通过将模式的一部分用圆括号()括起来，可以定义一个捕获组。
   • 例如，对于模式(\d{3})-(\d{3})-(\d{4})（用于匹配美国电话号码格式，如123 - 456 - 7890），有三个捕获组。在匹配成功后，可以通过Match.Groups属性访问这些捕获组，每个捕获组包含了相应部分的匹配文本。
4. 编译与执行：
   • 在 C# 中，当使用Regex类进行正则表达式操作时，Regex类会将正则表达式模式编译成一种内部表示形式，以便更高效地执行匹配操作。
   • 如果需要多次使用同一个正则表达式模式，可以使用Regex.CompileToAssembly方法将正则表达式编译成程序集，进一步提高性能。这在一些需要频繁进行正则匹配的场景（如文本处理的循环中）非常有用。

二、应用场景

1. 数据验证：
   • 邮箱地址验证：确保用户输入的邮箱地址符合正确的格式，例如user@domain.com。常见的正则表达式模式为^[a-zA-Z0 - 9_.+-]+@[a-zA-Z0 - 9 -]+\.[a-zA-Z0 - 9-.]+$。
   • 电话号码验证：验证电话号码是否符合特定地区的格式。例如，美国电话号码可以用^\d{3}-\d{3}-\d{4}$来验证，其中^\d{3}表示以三个数字开头，-\d{3}表示中间是一个短横线和三个数字，-\d{4}$表示最后是一个短横线和四个数字。
2. 文本提取：
   • 从网页中提取链接：在处理网页内容时，需要提取其中的所有链接。可以使用类似https?://[^\s/$.?#].[^\s]*的正则表达式，它能匹配http或https开头的链接。
   • 从日志文件中提取特定信息：例如，在日志文件中提取时间戳、错误代码等信息。假设日志格式为[2023 - 01 - 01 12:00:00] INFO - Message，可以用\[\d{4}-\d{2}-\d{2}\s\d{2}:\d{2}:\d{2}\]来提取时间戳部分。
3. 文本替换：
   • 格式化文本：将文本中的日期格式从MM/dd/yyyy替换为yyyy - MM - dd。可以使用正则表达式(\d{2})/(\d{2})/(\d{4})来匹配原日期格式，并通过替换操作将其转换为新的格式。
   • 屏蔽敏感信息：在处理用户数据时，可能需要屏蔽敏感信息，如电话号码中的部分数字。可以用(\d{3})\d{4}(\d{4})匹配电话号码，并将中间四位数字替换为****，得到类似123****5678的结果。
4. 搜索过滤：
   • 在文档中搜索特定模式：在大量的文档中搜索包含特定关键词或模式的段落。例如，在一篇技术文档中搜索所有包含TODO:标记的行，使用^TODO:.*的正则表达式，其中^TODO:表示以TODO:开头，.*表示任意字符（包括换行符）。
   • 筛选文件列表：在处理文件系统中的文件列表时，可以使用正则表达式来筛选符合特定命名模式的文件。例如，筛选出所有以report_开头，以.txt结尾的文件，可以用^report_.*\.txt$。
5. 词法分析：
   • 编程语言解析：在编译器或解释器中，正则表达式用于将输入的代码分解成一个个词法单元（token）。例如，在解析 C# 代码时，使用正则表达式来识别关键字（如if、else）、标识符（变量名、函数名）、运算符（如+、-）等。
   • 标记语言解析：对于标记语言（如 HTML、XML），正则表达式可用于解析标签、属性等。例如，在解析 HTML 时，用<([a-zA-Z]+)(?:\s+[a-zA - Z0 - 9_-]+="[^"]*")*>来匹配标签及其属性。

三、常见正则符号含义

1. 字符类：
   • [abc]：匹配方括号内的任意一个字符，即a、b或c。例如，[123]可以匹配1、2或3。
   • [a - z]：匹配小写字母范围内的任意一个字符。例如，[a - f]可以匹配a到f之间的任意一个小写字母。
   • [^abc]：匹配除了方括号内字符之外的任意一个字符。例如，[^0 - 9]可以匹配除数字之外的任意字符。
2. 预定义字符类：
   • \d：匹配任意一个数字字符，等价于[0 - 9]。例如，\d{3}可以匹配三个连续的数字。
   • \D：匹配任意一个非数字字符，等价于[^0 - 9]。
   • \w：匹配任意一个字母、数字或下划线字符，等价于[a - zA - Z0 - 9_]。例如，\w+可以匹配一个或多个由字母、数字或下划线组成的单词。
   • \W：匹配任意一个非字母、数字或下划线字符，等价于[^a - zA - Z0 - 9_]。
   • \s：匹配任意一个空白字符（空格、制表符、换行符等），等价于[\f\n\r\t\v]。例如，\s+可以匹配一个或多个连续的空白字符。
   • \S：匹配任意一个非空白字符，等价于[^ \f\n\r\t\v]。
3. 限定符：
   • *：匹配前面的元素零次或多次。例如，a*可以匹配空字符串、a、aa、aaa等。
   • +：匹配前面的元素一次或多次。例如，a+可以匹配a、aa、aaa等，但不能匹配空字符串。
   • ?：匹配前面的元素零次或一次。例如，a?可以匹配空字符串或a。
   • {n}：匹配前面的元素恰好n次。例如，a{3}只能匹配aaa。
   • {n,}：匹配前面的元素至少n次。例如，a{3,}可以匹配aaa、aaaa、aaaaa等。
   • {n,m}：匹配前面的元素至少n次，最多m次。例如，a{3,5}可以匹配aaa、aaaa、aaaaa。
4. 分组与捕获：
   • (pattern)：将pattern作为一个分组，用于捕获匹配的文本。例如，对于模式(\d{3})-(\d{3})-(\d{4})匹配电话号码123 - 456 - 7890，可以通过Match.Groups[1]获取第一个\d{3}匹配的123，Match.Groups[2]获取456，Match.Groups[3]获取7890。
   • (?:pattern)：将pattern作为一个非捕获分组。它用于分组但不捕获匹配的文本，这样可以避免在Match.Groups中产生额外的捕获组。例如，(?:a|b)+匹配a或b的一次或多次出现，但不会在Match.Groups中创建捕获组。
5. 边界匹配：
   • ^：匹配字符串的开头。例如，^Hello可以匹配以Hello开头的字符串。
   • $：匹配字符串的结尾。例如，World$可以匹配以World结尾的字符串。
   • \b：匹配单词边界，即单词与非单词字符的边界。例如，\bHello\b可以匹配独立的Hello单词，而不会匹配HelloWorld中的Hello。
   • \B：匹配非单词边界。例如，\BHello\B可以匹配HelloWorld中Hello部分（因为Hello前后都不是单词边界）。
6. 转义字符：
   • \：用于转义特殊字符，使它们失去特殊含义，仅表示其字面意思。例如，\.表示匹配一个点号，因为点号在正则表达式中有特殊含义（匹配任意字符）。同样，\*表示匹配一个星号。

四、详细案例代码

1. 验证邮箱地址

using System;
using System.Text.RegularExpressions;

class Program
{
    static void Main()
    {
        string email = "test.user123@example - domain.com";
        string pattern = @"^[a-zA-Z0 - 9_.+-]+@[a-zA-Z0 - 9 -]+\.[a-zA-Z0 - 9-.]+$";
        bool isValid = Regex.IsMatch(email, pattern);
        Console.WriteLine($"Email {email} is valid: {isValid}");
    }
}

解释：

• ^表示匹配字符串的开头。
• [a-zA-Z0 - 9_.+-]+：匹配一个或多个字母、数字、下划线、点、加号或减号，这是邮箱用户名部分。
• @：匹配邮箱地址中的@符号。
• [a-zA-Z0 - 9 -]+：匹配域名部分，由字母、数字和短横线组成。
• \.：转义后的点号，匹配实际的点号。
• [a-zA-Z0 - 9-.]+：匹配顶级域名部分，由字母、数字、短横线和点号组成。
• $：表示匹配字符串的结束。

1. 提取 URL 链接

using System;
using System.Text.RegularExpressions;

class Program
{
    static void Main()
    {
        string text = "Check out these links: https://www.example.com, http://another - site.net, ftp://ftp.example.org";
        string pattern = @"https?://[^\s/$.?#].[^\s]*";
        MatchCollection matches = Regex.Matches(text, pattern);
        foreach (Match match in matches)
        {
            Console.WriteLine(match.Value);
        }
    }
}

解释：

• https?：?表示?前面的s是可选的，即匹配http或https。
• ://：匹配协议与域名之间的分隔符。
• [^\s/$.?#]：匹配一个非空白字符且不是/、$、.、?、#的字符，这是域名的起始字符。
• [^\s]*：匹配任意数量的非空白字符，用于匹配域名和路径部分。

1. 替换文本中的电话号码

using System;
using System.Text.RegularExpressions;

class Program
{
    static void Main()
    {
        string text = "Contact me at 123 - 456 - 7890 or 555 - 123 - 4567";
        string pattern = @"\d{3}-\d{3}-\d{4}";
        string replacement = "(***)-***-****";
        string newText = Regex.Replace(text, pattern, replacement);
        Console.WriteLine(newText);
    }
}

解释：

• \d{3}：匹配三个连续的数字。
• -\d{3}：匹配一个短横线和三个连续的数字。
• -\d{4}：匹配一个短横线和四个连续的数字。
• Regex.Replace方法将匹配到的电话号码格式替换为(***)-***-****。

1. 搜索日志文件中的错误信息

using System;
using System.IO;
using System.Text.RegularExpressions;

class Program
{
    static void Main()
    {
        string logFile = "app.log";
        string pattern = @"ERROR:\s.*";
        try
        {
            string[] lines = File.ReadAllLines(logFile);
            foreach (string line in lines)
            {
                if (Regex.IsMatch(line, pattern))
                {
                    Console.WriteLine(line);
                }
            }
        }
        catch (IOException e)
        {
            Console.WriteLine($"Error reading file: {e.Message}");
        }
    }
}

解释：

• ERROR:：匹配ERROR:字符串。
• \s：匹配一个空白字符（通常是空格）。
• .*：匹配任意字符（包括换行符）零次或多次，用于匹配错误信息的具体内容。

1. 提取 HTML 标签内的文本

using System;
using System.Text.RegularExpressions;

class Program
{
    static void Main()
    {
        string html = "<p>Hello, World!</p><div>Some content</div><span>Another text</span>";
        string pattern = @">(.*?)<";
        MatchCollection matches = Regex.Matches(html, pattern);
        foreach (Match match in matches)
        {
            Console.WriteLine(match.Groups[1].Value);
        }
    }
}

解释：

• >：匹配 HTML 标签的结束符号。
• (.*?)：这是一个非贪婪捕获组。.*表示匹配任意字符零次或多次，?表示非贪婪模式，即尽可能少地匹配字符，以找到第一个>和<之间的内容。
• <：匹配 HTML 标签的开始符号。
• 通过Match.Groups[1].Value获取捕获组中匹配的文本，即 HTML 标签内的文本内容。