转载地址：
http://www.delphibbs.com/keylife/iblog_show.asp?xid=25712
http://blog.csdn.net/senfore/article/details/2154944
一. 工具选择
DELPHI6本身没有处理正则表达式的库，只能找第三方库。在选择方面，我的标准是：
1. 不必向开发环境注册控件
2. 接口简单
3. 符合主流的perl式正则语法
4. 专业，至少应该有个看上去专业的专门网站
5. 免费
目前符合以上标准, 比较好的RegEx类库有TRegExpr ( http://www.regexpstudio.com/ )与PerlRegEx ( http://www.regular-expressions.info/ )。
TRegExpr 是俄国人做的RE类库，应该说是目前国内最主流的免费RegEx类库了。纯DELPHI写成，支持中文，可以选择安装为开发环境控件，也可直接作为类库单 元使用（只有一个主类，一个pas文件）。美中不足是自从2004年后就没有更新了，版本一直是0.9xxx，就是不上1。而且不支持 Lookaround语法（前瞻与回溯功能）
PerlRegEx底层是用C的类库，完全符合PCRE标准（兼容Perl的正则表达式）。 文件结构比TRegExpr复杂一点，包括一个放底层obj文件的子目录和两个接口.pas文件，实际使用时只需要向项目中添加一个单元（当然也可以注册 成为控件）。之前的版本据说对中文支持不够，最新版本我在中文环境下用倒没遇到什么问题。说明文档也声称支持Unicode。
现在我是常 备两个这两个类库，但主要还是用PerlRegEx。除了迷信最后更新日期与C的执行效率外。还看中了RegexRubby这个基于同一套C类库的 RegEx编写工具，以及PerlRegEx提供了一个study方法，声称可以对正则式做点前期编译，提高执行效率。
=========================================================================
二 使用方法：
解 压了PerlRegEx包后，如果不想注册控件，除了PerlRegEx.pas、CHelpers.pas和PCRE目录外，其他的东西可以建个隐藏目 录搁置起来（没认真阅读用户协议，不知道能不能随便删。。。）。维持这两个文件与PCRE的目录结构不要变。使用时只需要把PerlRegEx.pas添 加进项目，在单元中uses PerlRegEx就可以了。
PerlRegEx提供了TPerlRegEx类。主要用法是：
RegEx : TPerlRegEx;
....
RegEx := TPerlRegEx;
try
RegEx.Subject := '要匹配的正文';
RegEx.RegEx := '正则表达式';
if RegEx.Match then ....
finally
RegEx.free
end;
如果要多次匹配并做一些处理，可以:
Matched : boolean;
....
RegEx.Match;
while RegEx.FoundMatch do
begin
....
RegEx.MatchAgain;
end;
如果要替换匹配到的内容，可以
RegEx.Subject := '要匹配的正文';
RegEx.RegEx := '正则表达式';
RegEx.Replace := '替换的字符串'
if RegEx.Match then RegEx.ReplaceAll; //结果在RegEx.subject
或者 if RegEx.Match then Result := RegEx.Replacement;
匹配到的字符串放在RegEx.MatchedExpression中，长度在RegEx.MatchedExpressionLength中，上一次匹配的结束位置在RegEx.Stop中
匹配到的子串放在RegEx.SubExpressions[i]中，子串个数在RegEx.SubExpressionCount中。
如果正则式很复杂而且常用，可创建一个生存期相对长的TPerlRegEx实例．设置好RegEx属性后，使用.Study方法对正则表达式进行预处理．据帮助文档说，文档资料会大大提高效率．
详情可参考文档。有一点文档上没有提到（又或者我看漏了），在第一次匹配之后，如果没有重新赋值subject，下一次匹配无论用Match或者MatchAgain，都是从上次的结束位置开始。所以如果要重新开始匹配，应先把RegEx.Start := 0;
==========================================================================
三. 使用和编写正则表达式要点
使用正则表达式，通常是用作三种用途：校验字符串，提取信息，处理字符串．
当 用作校验时，通常是对正文整体校验，例如通常是判断正文是否正确的邮件地址，而不是判断正文是否含有正确的邮件地址．因此应在正则表达式的两端加上行开始 锚点^与行结束锚点$．如果待校验的文字允许两端有空格，则应该在锚点前后用' *'或'/s*'(允许空格与TAB)匹配进去．
设计正则表达式的要点在于分段．对要匹配的内容分好段，就能够容易地各个击破．通常在要匹配的文字中会有一些分段的提示，例如逻辑上的单位、重复出现的模式或者不能连续重复出现的字符（串）。
以设计校验输入数字的正则条件为例，可以先列出符合条件的情况：
1234 / 12.34 / -12.34 / 12.3e4 / 12.3e-4 / .12E-34
可以看出，逻辑上的单位有：符号，整数部分，小数点，小数部分，e(或E),指数符号,指数部分
技术上的分段标志有：
符号：在开始与E后面各可能出现一次
小数点：只能出现一次，若出现，其后必须有小数部分。
e：只能出现一次，若出现，其后必须有指数部分。
所有“若出现，其后必须有。。。”的都可以考虑分为一组。可得初步方案： [+/-]?/d*(/./d+)?([Ee][+/-]*/d+)?
但 这个设计有问题，前半段的 /d*(/./d+)? 是可以匹配空串的，而需求是如果有整数部分，则小数部分可选。如果无整数部分，则必须有小数部分，直观的做法是改为(/d+(/./d+)?|/. /d+)。再认真观察一下，可以发现这个选择式无论任何情况，都是以/d+结尾，而我们实际上并不关心这个/d+是匹配到整数部分还是小数部分，至于前面 的小数点与整数部分都是可选的。因此，这部分可以改写为 /d*/.?/d+
所以最终的校验式是：^ *[+/-]?/d*/.?/d+([Ee][+/-]*/d+)? *$
使 用正则表达式提取信息是一个难点，但也是体现正则表达式强大实力的一个方面。提取信息的正则表达式必须要考虑四个方面：不误判（应该有一定语法检验能 力），不漏判，子串能匹配到正确位置。一些结构复杂或具有循环结构的正文，可能需要多次处理或使用开发语言的循环结构来辅助提取。具体技巧我现在还觉得比 较模糊，以下仅举几个例子：
1. 查找并分析 XX1>XX2,<,=,!,空格,TAB符号的任何字符串，式子两端与元素之间允许有空格或TAB
由 于这个不等式可能在上下文中，我们需要先在正文中把合语法的不等式隔离出来，否则下面的循环部分就会匹配到下一条不等式的部分。在这个例子中还算简单，找 到 '/b[^<>=!/s]+((不等符号)[^<>=!/s]+)+/b' 就可以了（其中不等符号在下面解释）。但这样只能匹配到整个式子而不能分别提取式子中的子串信息，当出现(...)+时，对应子串内容是只是最后一个匹配 到的串。
对每个匹配到的结果，因此这里需要分开两次提取，第二次需要使用循环来辅助。
先取最开始的子串，这个很容易，直接 '^/s*([^<>=/s]+)'就可以了，注意^ *是为了去掉开头多余的空格与TAB。真正的XX1在匹配到的子串1中。
接 着开始分析 '((不等符号)[^<>=!/s]+)+' 部分。整个(...)+结构需要在外部用开发语言的循环来逐次提取。先列出合法的不等符号：>=,>,=,<=,<,<& gt;,==,!>,!<,!>=,!<=,!=。因此不等符号部分应该是(!?>=?|!?& lt;=?|!?==?|<>)。
因此，要分析篇正文，就需要：
1)A匹配 '/b[^<>=!/s]+(/s*(!?>=?|!?<=?|!?==?|<>)/s*[^<>=!/s]+)+/b' 找出不等式。
2) 对每个A匹配结果, B匹配'^/s*([^<>=!/s])',提取子串1记录为变量名称。
3) 接着B匹配'/s*(!?>=?|!?<=?|!?==?|<>)/s*([^<>=!/s]+)'，提取子串1记录为符号，子串2记录为变量名称。
4) 从3)开始循环直到找不到B匹配结果
5)从1)开始循环直到找不到A匹配结果
2. 提取电话号码
这 是不久前帮朋友做的一个小程序。事情是这样的：他的公司需要撒网式找澳大利亚酿酒公司合作伙伴，他的任务就是把网上查到的酿酒公司的联系方式记录入库。记 录联系方式的数据库是把公司名称，地址，电话号码，传真号码，邮箱等信息分开不同字段储存的。于是他必须用鼠标在网页准确选下各种信息然后粘贴到数据表 中，不但工作效率低，而且据说由于鼠标精确动作太多，手腕酸得不得了。于是找我帮忙写个小程序，需求是他可以把联系方式部分整个复制下来，我的程序自动提 取出有关信息。以下是提取电话号码信息功能的设计过程：
我看了一下联系方式的可能情况，发现有时里面会包括多个电话号码，而朋友的数据库只记录一个号码。因此我决定把他选定文本中所有电话号码都提取出来，列在一个ComboBox中让他选择。在正文中标记为“Phone”或"Ph"或"P"的优先列在前面。
电话号码的写法五花八门，先考虑电话的标记，一般有以下几种：
Phone, Phone:, (Phone), P, P-, PH 等等
因 此可把匹配标记的正则表达式设计为 '(?-i)(?:/(?Phone|Ph?)[-:]?/s*/)?)'。这种写法有个缺陷是无法保证两边括号能匹配（例如能匹配到 '(Phone:'）。但在这里的目的并不是校验，括号不匹配并不影响我提取电话号码，只求简单写成这样就够了，否则就要写 成：'(?:Phone|Ph?)[-:]?|/((?:Phone|Ph?)[-:]?/s*/))' ，麻烦得多。
然后考虑电话号码本身，一个完整的固定电话号码可能是这样的：
+61 2 1234 5678 , (61 2) 1234 5678 , (61-)2-12345678, 61 (0) 2 12345678
而也可能省略国家代码(+61)或洲区号(02)简写成
02 1234 5678 , 1234 5678, 2-1234-5678
也有可能不按主号码四字一断的做法，写成
02 123 456 78 等等
构建正则表达式的过程如下：
匹 配国家代号：(?:[+( ]*61[-) ]*)? 可以看出，这个式子如果用来校验是不合格的，它能匹配到'(++61-)-'这样的正文。但我在这里是为了提取公司网页上的信息，公司不会在自己的联系 方法信息里放入这样的乱码。提取信息时，根据需求，在不误判的前提下可以假定输入信息不会出现太离谱的错误。
匹配区号：(?:/(? *0?/)? *(/d) *[-)]? *)? 同上，这个式子也可能匹配到不合法的正文。这里如果把区号与主体号码合并处理会简单很多。但我在这里想把区号提取出来，作为判断省份的一个依据。
匹 配电话号码主体：(?:/d{5,}(?:[ -]/d+)*|/d{1,4}(?:[ -]/d+)+) 如果仅考虑匹配电话号码，用/d*(?: [ -]/d+)*就行了。但澳大利亚的邮政编码刚好是四位数字，而且地址中的信箱号有可能是3到4位数字。因此这里用了个麻烦的写法，如果连续数字小于5 位，则后面必须跟一个连接号或空格，然后再跟数字，才能匹配到。
因此优先选取的号码的正则表达式是：(?-i) (?:/(?Phone|Ph?)[-:]?/s*/)?)((?:[+( ]*61[-) ]*)?(?:/(? *0?/)? *(/d) ?[-)]?/s*)?(?:/d{5,}(?:[ -]/d+)*|/d{1,4}(?:[ -]/d+)+))
电话号码在子串1，区号在子串2
第 一轮扫描正文，一边找到匹配，一边把其替换成''。完成后，就可以用((?:[+( ]*61[-) ]*)?(?:/(? *0?/)? *(/d) ?[-)]?/s*)?(?:/d{5,}(?:[ -]/d+)*|/d{1,4}(?:[ -]/d+)+)) （去掉了匹配电话标志部分）对替换后的正文，找出所有没有电话标志，但符合格式的子串。
http://www.delphibbs.com/keylife/iblog_show.asp?xid=25712
http://blog.csdn.net/senfore/article/details/2154944
一. 工具选择
DELPHI6本身没有处理正则表达式的库，只能找第三方库。在选择方面，我的标准是：
1. 不必向开发环境注册控件
2. 接口简单
3. 符合主流的perl式正则语法
4. 专业，至少应该有个看上去专业的专门网站
5. 免费
目前符合以上标准, 比较好的RegEx类库有TRegExpr ( http://www.regexpstudio.com/ )与PerlRegEx ( http://www.regular-expressions.info/ )。
TRegExpr 是俄国人做的RE类库，应该说是目前国内最主流的免费RegEx类库了。纯DELPHI写成，支持中文，可以选择安装为开发环境控件，也可直接作为类库单 元使用（只有一个主类，一个pas文件）。美中不足是自从2004年后就没有更新了，版本一直是0.9xxx，就是不上1。而且不支持 Lookaround语法（前瞻与回溯功能）
PerlRegEx底层是用C的类库，完全符合PCRE标准（兼容Perl的正则表达式）。 文件结构比TRegExpr复杂一点，包括一个放底层obj文件的子目录和两个接口.pas文件，实际使用时只需要向项目中添加一个单元（当然也可以注册 成为控件）。之前的版本据说对中文支持不够，最新版本我在中文环境下用倒没遇到什么问题。说明文档也声称支持Unicode。
现在我是常 备两个这两个类库，但主要还是用PerlRegEx。除了迷信最后更新日期与C的执行效率外。还看中了RegexRubby这个基于同一套C类库的 RegEx编写工具，以及PerlRegEx提供了一个study方法，声称可以对正则式做点前期编译，提高执行效率。
=========================================================================
二 使用方法：
解 压了PerlRegEx包后，如果不想注册控件，除了PerlRegEx.pas、CHelpers.pas和PCRE目录外，其他的东西可以建个隐藏目 录搁置起来（没认真阅读用户协议，不知道能不能随便删。。。）。维持这两个文件与PCRE的目录结构不要变。使用时只需要把PerlRegEx.pas添 加进项目，在单元中uses PerlRegEx就可以了。
PerlRegEx提供了TPerlRegEx类。主要用法是：
RegEx : TPerlRegEx;
....
RegEx := TPerlRegEx;
try
RegEx.Subject := '要匹配的正文';
RegEx.RegEx := '正则表达式';
if RegEx.Match then ....
finally
RegEx.free
end;
如果要多次匹配并做一些处理，可以:
Matched : boolean;
....
RegEx.Match;
while RegEx.FoundMatch do
begin
....
RegEx.MatchAgain;
end;
如果要替换匹配到的内容，可以
RegEx.Subject := '要匹配的正文';
RegEx.RegEx := '正则表达式';
RegEx.Replace := '替换的字符串'
if RegEx.Match then RegEx.ReplaceAll; //结果在RegEx.subject
或者 if RegEx.Match then Result := RegEx.Replacement;
匹配到的字符串放在RegEx.MatchedExpression中，长度在RegEx.MatchedExpressionLength中，上一次匹配的结束位置在RegEx.Stop中
匹配到的子串放在RegEx.SubExpressions[i]中，子串个数在RegEx.SubExpressionCount中。
如果正则式很复杂而且常用，可创建一个生存期相对长的TPerlRegEx实例．设置好RegEx属性后，使用.Study方法对正则表达式进行预处理．据帮助文档说，文档资料会大大提高效率．
详情可参考文档。有一点文档上没有提到（又或者我看漏了），在第一次匹配之后，如果没有重新赋值subject，下一次匹配无论用Match或者MatchAgain，都是从上次的结束位置开始。所以如果要重新开始匹配，应先把RegEx.Start := 0;
==========================================================================
三. 使用和编写正则表达式要点
使用正则表达式，通常是用作三种用途：校验字符串，提取信息，处理字符串．
当 用作校验时，通常是对正文整体校验，例如通常是判断正文是否正确的邮件地址，而不是判断正文是否含有正确的邮件地址．因此应在正则表达式的两端加上行开始 锚点^与行结束锚点$．如果待校验的文字允许两端有空格，则应该在锚点前后用' *'或'/s*'(允许空格与TAB)匹配进去．
设计正则表达式的要点在于分段．对要匹配的内容分好段，就能够容易地各个击破．通常在要匹配的文字中会有一些分段的提示，例如逻辑上的单位、重复出现的模式或者不能连续重复出现的字符（串）。
以设计校验输入数字的正则条件为例，可以先列出符合条件的情况：
1234 / 12.34 / -12.34 / 12.3e4 / 12.3e-4 / .12E-34
可以看出，逻辑上的单位有：符号，整数部分，小数点，小数部分，e(或E),指数符号,指数部分
技术上的分段标志有：
符号：在开始与E后面各可能出现一次
小数点：只能出现一次，若出现，其后必须有小数部分。
e：只能出现一次，若出现，其后必须有指数部分。
所有“若出现，其后必须有。。。”的都可以考虑分为一组。可得初步方案： [+/-]?/d*(/./d+)?([Ee][+/-]*/d+)?
但 这个设计有问题，前半段的 /d*(/./d+)? 是可以匹配空串的，而需求是如果有整数部分，则小数部分可选。如果无整数部分，则必须有小数部分，直观的做法是改为(/d+(/./d+)?|/. /d+)。再认真观察一下，可以发现这个选择式无论任何情况，都是以/d+结尾，而我们实际上并不关心这个/d+是匹配到整数部分还是小数部分，至于前面 的小数点与整数部分都是可选的。因此，这部分可以改写为 /d*/.?/d+
所以最终的校验式是：^ *[+/-]?/d*/.?/d+([Ee][+/-]*/d+)? *$
使 用正则表达式提取信息是一个难点，但也是体现正则表达式强大实力的一个方面。提取信息的正则表达式必须要考虑四个方面：不误判（应该有一定语法检验能 力），不漏判，子串能匹配到正确位置。一些结构复杂或具有循环结构的正文，可能需要多次处理或使用开发语言的循环结构来辅助提取。具体技巧我现在还觉得比 较模糊，以下仅举几个例子：
1. 查找并分析 XX1>XX2
由 于这个不等式可能在上下文中，我们需要先在正文中把合语法的不等式隔离出来，否则下面的循环部分就会匹配到下一条不等式的部分。在这个例子中还算简单，找 到 '/b[^<>=!/s]+((不等符号)[^<>=!/s]+)+/b' 就可以了（其中不等符号在下面解释）。但这样只能匹配到整个式子而不能分别提取式子中的子串信息，当出现(...)+时，对应子串内容是只是最后一个匹配 到的串。
对每个匹配到的结果，因此这里需要分开两次提取，第二次需要使用循环来辅助。
先取最开始的子串，这个很容易，直接 '^/s*([^<>=/s]+)'就可以了，注意^ *是为了去掉开头多余的空格与TAB。真正的XX1在匹配到的子串1中。
接 着开始分析 '((不等符号)[^<>=!/s]+)+' 部分。整个(...)+结构需要在外部用开发语言的循环来逐次提取。先列出合法的不等符号：>=,>,=,<=,<,<& gt;,==,!>,!<,!>=,!<=,!=。因此不等符号部分应该是(!?>=?|!?& lt;=?|!?==?|<>)。
因此，要分析篇正文，就需要：
1)A匹配 '/b[^<>=!/s]+(/s*(!?>=?|!?<=?|!?==?|<>)/s*[^<>=!/s]+)+/b' 找出不等式。
2) 对每个A匹配结果, B匹配'^/s*([^<>=!/s])',提取子串1记录为变量名称。
3) 接着B匹配'/s*(!?>=?|!?<=?|!?==?|<>)/s*([^<>=!/s]+)'，提取子串1记录为符号，子串2记录为变量名称。
4) 从3)开始循环直到找不到B匹配结果
5)从1)开始循环直到找不到A匹配结果
2. 提取电话号码
这 是不久前帮朋友做的一个小程序。事情是这样的：他的公司需要撒网式找澳大利亚酿酒公司合作伙伴，他的任务就是把网上查到的酿酒公司的联系方式记录入库。记 录联系方式的数据库是把公司名称，地址，电话号码，传真号码，邮箱等信息分开不同字段储存的。于是他必须用鼠标在网页准确选下各种信息然后粘贴到数据表 中，不但工作效率低，而且据说由于鼠标精确动作太多，手腕酸得不得了。于是找我帮忙写个小程序，需求是他可以把联系方式部分整个复制下来，我的程序自动提 取出有关信息。以下是提取电话号码信息功能的设计过程：
我看了一下联系方式的可能情况，发现有时里面会包括多个电话号码，而朋友的数据库只记录一个号码。因此我决定把他选定文本中所有电话号码都提取出来，列在一个ComboBox中让他选择。在正文中标记为“Phone”或"Ph"或"P"的优先列在前面。
电话号码的写法五花八门，先考虑电话的标记，一般有以下几种：
Phone, Phone:, (Phone), P, P-, PH 等等
因 此可把匹配标记的正则表达式设计为 '(?-i)(?:/(?Phone|Ph?)[-:]?/s*/)?)'。这种写法有个缺陷是无法保证两边括号能匹配（例如能匹配到 '(Phone:'）。但在这里的目的并不是校验，括号不匹配并不影响我提取电话号码，只求简单写成这样就够了，否则就要写 成：'(?:Phone|Ph?)[-:]?|/((?:Phone|Ph?)[-:]?/s*/))' ，麻烦得多。
然后考虑电话号码本身，一个完整的固定电话号码可能是这样的：
+61 2 1234 5678 , (61 2) 1234 5678 , (61-)2-12345678, 61 (0) 2 12345678
而也可能省略国家代码(+61)或洲区号(02)简写成
02 1234 5678 , 1234 5678, 2-1234-5678
也有可能不按主号码四字一断的做法，写成
02 123 456 78 等等
构建正则表达式的过程如下：
匹 配国家代号：(?:[+( ]*61[-) ]*)? 可以看出，这个式子如果用来校验是不合格的，它能匹配到'(++61-)-'这样的正文。但我在这里是为了提取公司网页上的信息，公司不会在自己的联系 方法信息里放入这样的乱码。提取信息时，根据需求，在不误判的前提下可以假定输入信息不会出现太离谱的错误。
匹配区号：(?:/(? *0?/)? *(/d) *[-)]? *)? 同上，这个式子也可能匹配到不合法的正文。这里如果把区号与主体号码合并处理会简单很多。但我在这里想把区号提取出来，作为判断省份的一个依据。
匹 配电话号码主体：(?:/d{5,}(?:[ -]/d+)*|/d{1,4}(?:[ -]/d+)+) 如果仅考虑匹配电话号码，用/d*(?: [ -]/d+)*就行了。但澳大利亚的邮政编码刚好是四位数字，而且地址中的信箱号有可能是3到4位数字。因此这里用了个麻烦的写法，如果连续数字小于5 位，则后面必须跟一个连接号或空格，然后再跟数字，才能匹配到。
因此优先选取的号码的正则表达式是：(?-i) (?:/(?Phone|Ph?)[-:]?/s*/)?)((?:[+( ]*61[-) ]*)?(?:/(? *0?/)? *(/d) ?[-)]?/s*)?(?:/d{5,}(?:[ -]/d+)*|/d{1,4}(?:[ -]/d+)+))
电话号码在子串1，区号在子串2
第 一轮扫描正文，一边找到匹配，一边把其替换成''。完成后，就可以用((?:[+( ]*61[-) ]*)?(?:/(? *0?/)? *(/d) ?[-)]?/s*)?(?:/d{5,}(?:[ -]/d+)*|/d{1,4}(?:[ -]/d+)+)) （去掉了匹配电话标志部分）对替换后的正文，找出所有没有电话标志，但符合格式的子串。
沒有留言:
張貼留言