x|y

如果没有包围在()里，其范围是整个正则表达式。

例如：

  • “z|food”能匹配“z”或“food”。
  • “(?:z|f)ood”则匹配“zood”或“food”。

Unicode处理

在.NET、Java、JavaScript、Python的正则表达式中，可以用\uXXXX表示一个Unicode字符，其中XXXX为四位16进制数字。

Unicode Property：字符属于标点、空格、字母等等。每个Unicode字符只能属于唯一Unicode Property。
.NET、Java、PHP和Ruby等语言支持。具体分类为：

  • 字符

    1
    \p{L}
    • \p{Ll}或\p{Lowercase_Letter}：小写字符（必须有大写的形式）。
    • \p{Lu}或\p{Uppercase_Letter}：大写字符（必须有小写的形式）。
    • \p{Lt}或\p{Titlecase_Letter}：全词首字母大写的字符。
    • \p{L&}或\p{Cased_Letter}：存在大小写形式的字符（Ll, Lu, Lt的组合）。
    • \p{Lm}或\p{Modifier_Letter}：音标修饰字符。
    • \p{Lo}或\p{Other_Letter}：不具有大小写的字符或字形。

  • 附加符号

    1
    \p{M}
    • \p{Mn}或\p{Non_Spacing_Mark}：与其他字符结合，不额外占用空间的字符，例如日耳曼语元音变音。
    • \p{Mc}或\p{Spacing_Combining_Mark}：与其他字符结合，额外占用空间的字符，例如马拉雅拉姆文#元音字母及附标。
    • \p{Me}或\p{Enclosing_Mark}：包含其他字符的字符，例如圆圈、方块。

  • 分隔符p{Z}

    • \p{Zs}或\p{Space_Separator}：a whitespace character that is invisible, but does take up space.
    • \p{Zl}或\p{Line_Separator}：line separator character U+2028.
    • \p{Zp}或\p{Paragraph_Separator}：paragraph separator character U+2029.

  • 符号

    1
    \p{S}
    • \p{Sm}或\p{Math_Symbol}：数学符号。
    • \p{Sc}或\p{Currency_Symbol}：通货符号。
    • \p{Sk}或\p{Modifier_Symbol}：组合为其他字符的符号。
    • \p{So}或\p{Other_Symbol}：其他符号。

  • 数值字符

    1
    \p{N}
    • \p{Nd}或\p{Decimal_Digit_Number}：所有文本中的数字0至9字符，不含形意符号。
    • \p{Nl}或\p{Letter_Number}：看起来像字母的符号，包含罗马数字。
    • \p{No}或\p{Other_Number}：上角标或下角标数字，或者其他不属于0至9的数字。不含形意符号。

  • 标点符号

    1
    \p{P}
    • \p{Pd}或\p{Dash_Punctuation}：任何种类的连字号或连接号。
    • \p{Ps}或\p{Open_Punctuation}：任何种类开括号。
    • \p{Pe}或\p{Close_Punctuation}：任何种类闭括号。
    • \p{Pi}或\p{Initial_Punctuation}：任何种类开引号。
    • \p{Pf}或\p{Final_Punctuation}：任何种类闭引号。
    • \p{Pc}或\p{Connector_Punctuation}：连接词的标点符号，如下划线。
    • \p{Po}或\p{Other_Punctuation}：其他标点符号。

  • 其它符号

    1
    \p{C}

    （包括不可见控制字符与未用码位）

    • \p{Cc}或\p{Control}：ASCII或Latin-1控制字符0x00-0x1F与0x7F-0x9F。
    • \p{Cf}或\p{Format}：不可见的格式化指示字符。
    • \p{Co}或\p{Private_Use}：私用码位。
    • \p{Cs}或\p{Surrogate}：UTF-16编码的代理对的一半。
    • \p{Cn}或\p{Unassigned}：未被使用的码位。

Unicode Block：按照编码区间划分Unicode字符，每个Unicode Block中的字符编码属于一个编码区间。例如Java语言\p{ InCJK_Compatibility_Ideographs }，.NET语言\p{IsCJK_Compatibility_Ideographs}。

Unicode Script：按照字符所属的书写系统来划分Unicode字符。PHP和Ruby（版本不低于1.9）支持Unicode Script。例如\p{Han}表示汉字（中文字符）。

示例

用户昵称的正则匹配, 合法的字符有 0-9, A-Z, a-z, _, 汉字

1
2
3
4
5
func IsValidEmailNickName(nickName string) bool {
	nickNamePattern := `^[_.a-z0-9A-Z\p{Han}]+$`
	nickNameRegexp := regexp.MustCompile(nickNamePattern)
	return nickNameRegexp.MatchString(nickName)
}

pythonic的NickName

1
2
3
4
5
6
7
8
// 用户昵称的正则匹配, 合法的字符有 0-9, A-Z, a-z, _, 汉字
// 字符 '_' 只能出现在中间且不能重复, 如 "__"
nicknamePattern = `^[a-z0-9A-Z\p{Han}]+(_[a-z0-9A-Z\p{Han}]+)*$`

// 用户名的正则匹配, 合法的字符有 0-9, A-Z, a-z, _
// 第一个字母不能为 _, 0-9
// 最后一个字母不能为 _, 且 _ 不能连续
usernamePattern = `^[a-zA-Z][a-z0-9A-Z]*(_[a-z0-9A-Z]+)*$`