zoukankan      html  css  js  c++  java
  • 正则表达式:元字符 简

    类别

    元字符

    描述

    起、始、转义

    ^

    匹配输入字符串的开始位置。

    $

    匹配输入字符串的结束位置。

    \

    将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。

    个数匹配

    *

    匹配前面的子表达式零次或多次。

    +

    匹配前面的子表达式一次或多次。

    ?

    匹配前面的子表达式零次或一次。

    {n}

    匹配确定的n次。

    {n,}

    至少匹配n次。

    {n,m}

    最少匹配n次且最多匹配m次。请注意在逗号和两个数之间不能有空格。

    ?

    非贪婪的匹配模式,紧跟(*,+,?,{n},{n,},{n,m})后面。默认的贪婪模式。

    字符集合

    .

    匹配除“\n”之外的任何单个字符。

    (pattern)

    匹配pattern并获取这一匹配。

    x|y

    匹配x或y。

    [xyz]

    匹配所包含的xyz任意一个字符。

    [^xyz]

    匹配未包含的非xyz任意字符。

    [a-z]

    匹配指定范围内的任意字符。

    [^a-z]

    匹配任何不在指定范围内的任意字符。

    特定集合

    \d

    匹配一个数字字符。等价于[0-9]。

    \D

    匹配一个非数字字符。等价于[^0-9]。

    \s

    匹配任何空白字符,包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。

    \S

    匹配任何非空白字符。等价于[^ \f\n\r\t\v]。

    \w

    匹配包括下划线的任何单词字符。等价于“[A-Za-z0-9_]”。

    \W

    匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。

    字符边界
    数字

    \b

    匹配一个单词边界,也就是指单词和空格间的位置。

    \B

    匹配非单词边界。

    \num

    匹配num,其中num是一个正整数。

    特殊符号

    \f

    匹配一个换页符。等价于\x0c和\cL。

    \n

    匹配一个换行符。等价于\x0a和\cJ。

    \r

    匹配一个回车符。等价于\x0d和\cM。

    \t

    匹配一个制表符。等价于\x09和\cI。

    \v

    匹配一个垂直制表符。等价于\x0b和\cK。

    其余进制匹配

    \cx

    匹配由x指明的控制字符。

    \xn

    匹配n,其中n为十六进制转义值。

    \n

    标识一个八进制转义值或一个向后引用。

    \nm

    标识一个八进制转义值或一个向后引用。

    \nml

    如果n为八进制数字(0-3),且m和l均为八进制数字(0-7),则匹配八进制转义值nml。

    \un

    匹配n,其中n是一个用四个十六进制数字表示的Unicode字符。

    非获取匹配

    (?:pattern)

    匹配pattern但不获取匹配结果。

    (?=pattern)

    正向肯定预查,在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配,

    (?!pattern)

    正向否定预查,在任何不匹配pattern的字符串开始处匹配查找字符串。

    (?<=pattern)

    反向肯定预查,与正向肯定预查类似,只是方向相反

    (?<!pattern)

    反向否定预查,与正向否定预查类似,只是方向相反。

  • 相关阅读:
    手把手教你利用create-nuxt-app脚手架创建NuxtJS应用
    初识NuxtJS
    webpack打包Vue应用程序流程
    用选择器代替表格列的筛选功能
    Element-UI
    Spectral Bounds for Sparse PCA: Exact and Greedy Algorithms[贪婪算法选特征]
    Sparse Principal Component Analysis via Rotation and Truncation
    Generalized Power Method for Sparse Principal Component Analysis
    Sparse Principal Component Analysis via Regularized Low Rank Matrix Approximation(Adjusted Variance)
    Truncated Power Method for Sparse Eigenvalue Problems
  • 原文地址:https://www.cnblogs.com/olmlo/p/3099497.html
Copyright © 2011-2022 走看看