Ruby内建了对正则表达式的支持，提供了相对完备的正则表达式功能。但Ruby 1.8的正则表达式也存在不少限制，最突出的是不支持逆序环视。Ruby 1.9采用全新的Oniguruma（鬼车）正则引擎，补充了包括逆序环视在内的许多功能，最重要的是全面支持Unicode（但是也造成了一些奇怪的现象，下面你会看到）​。不过考虑到目前Ruby 1.9并没有完全取代Ruby 1.8，所以我们会讲解Ruby 1.8和Ruby 1.9的差异，末尾详细说明了Ruby 1.9中正则表达式的功能变化。​

1、预备知识

Ruby的正则表达式对象是Regexp。​最常见的生成方法类似/regex/，即在首尾两个斜线/之间，用正则文字给出正则表达式，比如/\d+/。

为继续讲解方便，先介绍进行正则表达式匹配的方法：Ruby中的正则匹配非常简单，直接使用操作符=～连接正则表达式与字符串即可。如果可以匹配，则返回第一次匹配发生的起始位置，否则返回nil。请注意，正则表达式和字符串的左右顺序并不影响结果。

Ruby中有两种字符串：双引号字符串和单引号字符串。两者的主要区别在于：双引号字符串需要进行字符串转义处理，而单引号字符串不需要进行字符串转义处理。​所以如果要作为正则表达式的字符串，最好使用单引号字符串，这样就可以直接使用\d，而不用写成\d；作为普通文本的字符串，则最好使用双引号字符串。

2、正则功能详解

2.1、列表

下表列出了Ruby的正则功能。

2.2、字符组

Ruby中的正则引擎可以正确识别ASCII编码，但无法正确识别GBK编码，因此无法避免GBK编码的“错误匹配”问题​。

解决的办法是使用Unicode编码环境，指定程序使用Unicode编码的办法是在源文件的顶部写上这样一行：

Ruby 1.9之后版本的正则表达式才提供了相对完备的Unicode支持，如果你使用的是Ruby 1.8，正则表达式中又有非ASCII字符，则最好在表达式末尾写上u显式指定Unicode模式（Ruby1.9中，正则表达式默认使用Unicode编码，所以不用显式指定）​。

解决的办法是使用Unicode编码环境，指定程序使用Unicode编码的办法是在源文件的顶部写上这样一行：

Ruby 1.9之后版本的正则表达式才提供了相对完备的Unicode支持，如果你使用的是Ruby 1.8，正则表达式中又有非ASCII字符，则最好在表达式末尾写上u显式指定Unicode模式（Ruby1.9中，正则表达式默认使用Unicode编码，所以不用显式指定）​。

另外要注意的是，在Ruby 1.8中，即便指定程序使用Unicode编码，匹配位置仍然是按照字节计算的，Ruby1.9中则是按照字符计算的。

在Ruby中可以用字符组[\u{4E00}-\u{9FFF}]匹配任意中文字符，需要注意的是，这种写法只有Ruby 1.9以上版本才支持，并且使用时必须显式指定Unicode模式。

Ruby支持POSIX字符组。在Ruby 1.8中，POSIX字符组只能匹配ASCII字符（指定Unicode模式也不行）​，而且不可使用[:ascii:]和[:word:]；而在Ruby 1.9中，POSIX字符组可以匹配Unicode字符，同时支持[:ascii:]和[:word:]。

2.3、Unicode属性

Ruby 1.9支持使用Unicode Script，只是使用UnicodeScript时，必须显式指定u模式，否则会报错。所以，如果要匹配中文字符，则可以使用\p{Han}。

2.4、字符组简记法

Ruby的字符组简记法都采用ASCII编码匹配规则。如果指 定了Unicode模式，则会换用Unicode匹配规则。​

2.5、单词边界

在Ruby 1.8中，如果没有指定Unicode模式，\w采用ASCII匹配规则，单词边界\b也采用这种匹配规则​。

如果指定了Unicode模式，则\b也采用Unicode匹配规则。

Ruby 1.9中的\w虽然采用ASCII匹配规则，但\b的表现与Ruby 1.8中指定Unicode方式一样，这一点值得特别注意。

2.6、行起始/结束位置

Ruby默认采用多行模式，所以^不但可以匹配整个字符串的开始位置，还可以匹配字符串内部的文本行的起始位置；而\A无论在什么情况下都匹配整个字符串的起始位置。

同样，因为默认采用多行模式，所以$可以匹配文本内部行的结束位置，\Z、\z匹配的是整个字符串的结束位置（如果结束位置有换行符，则\Z匹配这个换行符之前的位置）​。

重复一次，Ruby的m模式不等于其他语言中的多行模式，而是等于通常的单行模式，它只影响点号.的匹配。

2.7、环视

在Ruby中的肯定顺序环视(?=…)和否定顺序环视(?!…)内可以使用任意形式的子表达式。

对逆序环视的支持则不那么好：Ruby 1.8完全不支持逆序环视；Ruby 1.9支持逆序环视，但是逆序环视中的表达式匹配的文本长度必须是固定的，完全不能使用+、*、?之类的量词：如果使用了多选结构，只能出现竖线，比如regex1|regex2，而不能出现括号，比如(regex1|regex2)。

2.8、匹配模式

下表列出了Ruby的正则表达式支持的匹配模式。

匹配模式可以在表达式中以(?modifier)指定，或者在结束分隔符之后写上模式对应的修饰符，也可以在生成Regexp对象时，通过预定义常量作为参数指定。

Ruby支持用(?-modifier)停用某个模式。

2.9、捕获分组的引用

在Ruby中，如果要在正则表达式内部引用捕获分组，则应当使用\num记法，其中num为对应捕获分组的编号。

如果要在替换时引用捕获分组，则应当使用$num记法。

如果使用了命名分组，在表达式内部则应当使用\k<name>来引用。

在replacement字符串中同样使用\k<name>来引用。

3、正则API简介

3.1、Regexp

Ruby中的正则表达式对象是Regexp，一般使用/regex/来生成。如果习惯更为“正统”的模式，也可以用Regexp.new()来生成，参数是表达式对应的字符串。

之前讲过，Ruby中有两种字符串，其中双引号字符串需要进行字符串转义处理，而单引号字符串不需要进行字符串转义处理。所以，作为正则表达式的字符串，最好使用单引号字符串。

如果要指定匹配模式，可以添加第2个参数（虽然实际参数是一个整数，但是Ruby其实有3个预定义常量，即Regexp::IGNORECASE、Regexp::EXTENDED、Regexp::MULTILINE）​。

Ruby中也可以混用多个模式，用|连接预定义常量。

Regexp.new()的第1个参数也可以不用字符串，而是用类似/regex/的形式。

如果使用这种形式，那么有三种形式指定匹配模式，下面各举一个例子，其结果相同。

另外还有Regexp.compile()方法，它与Regexp.new()完全一致。

值得注意的还有Regexp对象的编码。在Ruby 1.9中，Regexp对象自身是具有编码的，在默认情况下，如果正则表达式中出现的都是ASCII字符，且程序采用了兼容ASCII的编码，则正则表达式默认采用ASCII编码；否则，采用与程序相同的编码。调用Regexp.encoding?可以得到编码信息。

要正确使用具有编码属性的正则表达式，只有两种情况：Regexp与字符串使用相同的编码；或者Regexp使用ASCII编码，而字符串使用兼容ASCII的编码，否则会报错。

如果不确定使用的Regexp对象的编码是否兼容ASCII，可以使用fix_encoding?来判断。不兼容的情况下会返回true；如果一个Regexp对象的编码兼容ASCII，它可以尝试匹配任何使用了ASCII编码的字符串，而不会报错。

3.2、Regexp.match(text)

之前看到的匹配都是依靠操作符=～进行的，许多读者可能不熟悉，所以这里先详细介绍它。=～用来执行正则表达式和字符串的匹配，返回匹配成功的起始位置；如果匹配不成功，则返回nil。因此，可以用这个办法来进行数据验证（验证数据时，别忘了在正则表达式两端加上\A和\z）​。

如果匹配成功，会生成一个MatchData对象，通过Regexp.last_match可以获得它，其中包含了匹配的详细信息。

也可以不用显式通过MatchData对象来获得这些信息，Ruby提供了若干特殊变量，使用它们同样也可以达到目的。下表列出了常用的特殊变量。

Regexp.match(text)方法与=～差不多，主要的区别在于，它返回的并不是匹配的起始位置，而是一个MatchData对象，如果匹配不成功，则返回nil。所以，上面的代码可以这样获得MatchData。

Regex.match(string)与=～的另一点不同是，它可以通过可选参数设定偏移值，设定尝试匹配的开始位置，这样就可以在字符串中逐次找到匹配。在下面的例子中，每次匹配成功之后，记录下匹配的结束位置，作为下次开始尝试的起点，就实现了逐次匹配。

3.3、Regexp.quote(text)和Regexp.escape(text)

这两个方法是等价的，它们消除text中可能出现的任何元字符的特殊含义。

3.4、String.index(Regexp)

这个方法默认等价于=～操作，如果匹配成功，则返回匹配开始的位置，否则返回nil。

如果不指定第2个参数，它等价于Regex.match()或者=～。

它也可以指定第2个参数，设定开始尝试匹配的偏移值。此时可以遍历文本，获得逐次匹配的结果。

3.5、String.scan(Regexp)

=～操作符和Regexp.match(string)方法只能进行单次匹配，如果希望一次性找到某个正则表达式在字符串中的所有匹配，就应该使用String.scan(Regexp)，它返回各次匹配所对应文本组成的数组。

如果正则表达式包含捕获分组，则返回数组的元素本身也是数组。

请注意，这时候并不会返回整个表达式匹配的文本（也就是编号为0的捕获分组捕获的文本）​，如果需要得到整个表达式匹配的文本，可以给整个表达式首尾加上括号。

也可以用String.scan()进行更复杂的字符串处理，方法是在括号后面加上{|match,…|block}，其中match,…表示各捕获分组匹配的文本，而block则是对这些文本进行处理的程序代码，比如下面这样。

3.6、String.slice(Regexp)

这个方法返回Regexp在String中能匹配的文本。

也可以设定第2个参数，指定对应捕获分组的编号，返回对应的捕获分组匹配的文本。

如果正则表达式可以在文本中找到多次匹配，那么String.slice(Regexp)只返回第一次匹配的结果。

如果将String.slice(Regexp)写成String.slice!(Regexp)，则String自身也受到影响：在返回匹配文本的同时，还会从原字符串中删除匹配的结果。

3.7、String.split(Regexp)

这个方法用正则表达式来切分字符串，它返回一个数组，其中的元素是切分之后的文本。

如果切分的末尾留下空字符串，在默认情况下会忽略它，而字符串开头的空字符串不会忽略。

这个方法也可以指定第2个参数，它是一个整数，假设为n，按照n取值的不同，有几种情况，以下分别举例说明。

3.8、String.sub(Regexp,Str)

String.sub(Regexp,Str)用来执行正则表达式替换，Regexp是匹配想要替换文本的表达式，而Str是希望更新的字符串，调用之后只会对Regexp第一次能匹配的文本进行替换。

如果第1个参数不是Regexp而是普通字符串，则进行普通字符串替换。

也可以在String参数中，用\num引用Regexp对应捕获分组所匹配的文本。

如果需要进行更灵活的替换，则可以使用String.sub(Regexp){| match | block}方式，其中的match是Regexp所匹配的文本，即一个String对象，我们可以写一段代码作为block，进行更复杂的处理，比如将单词转换为大写。

如果需要在block中获得其他匹配的内容，可以使用之前讲过的$1、$2、$`等特殊变量。

String.sub(Regexp,String)方法并不会修改原来的字符串，它会先复制原字符串，对其进行修改之后返回。如果String对象包含的内容很多，复制可能比较消耗资源，因此Ruby也提供了直接对原字符串生效的方法String.sub!(Regexp,String)。

如果表达式在String中能多次匹配，String.sub()只会对第一次匹配进行替换；如果需要对所有匹配都进行替换，则需要使用String.gsub(Regexp,String)。下面来看这个方法。

3.9、String.gsub(Regexp,String)

这个方法在使用上完全等价于String.sub(Regexp,String)，唯一不同的是它会对每次匹配都进行替换。

相应的，String.gsub!(Regexp,String)也会修改原来的字符串。

4、常用操作示例

4.1、验证

4.2、提取

逐步提取:

一次性提取:

4.3、替换

简单替换：

在replacement中使用整个表达式匹配的文本：

4.4、切分

5、Ruby 1.9的新变化

Ruby 1.8的正则表达式还不够完善，许多常用的特性不能支持，而Ruby 1.9采用了全新的Oniguruma（鬼车）引擎，对正则表达式的支持则强大了很多。下面列出Ruby1.9中正则表达式的主要变化，更详细的信息请参考http://oniguruma.rubyforge.org/oniguruma/。

新增了合并多个表达式的方法

这个方法返回的仍然是一个Regexp，它“合拢”了参数中所有的Regexp，任何一段文本，只要能被其中某个表达式匹配，就能被Regexp匹配。

关于这个方法，有一个常见的误区：在数据验证时，想当然地将各条件对应的表达式用Regexp.union()“归并”​，但如果这些条件必须同时满足，就很可能出错。

比如需要验证的字符串有这样两条要求：第一，全部由数字或字母组成；第二，长度在6～12之间。如果想当然地用Regexp.union()，就会出错。

这是因为Regexp.union()“归并”的表达式并不要求“同时生效”​，只要其中有一条能匹配，则匹配成功。此处字符串0123可以由表达式^[a-zA-Z0-9]*$匹配，所以返回结果0。

新增了逆序环视

新增了忽略优先量词

新增了字符组中的集合运算操作符&&

新增了指定Unicode码值的表示法

如果指定了多字节编码，十进制和十六进制的数字序列可以用来表示单个多字节字符，因此可以在字符组中指定多字节字符的范围。

如果不知道自己使用的Ruby的版本，或者不确认其使用了Oniguruma引擎，则可以使用下面的函数来判断。

如果希望无缝兼容Ruby 1.8和1.9，不妨自己包装一个方法，根据要处理的字符串来生成对应编码的Regexp。