正則表達式学习參考

1       概述

正則表達式(Regular Expression)是一种匹配模式，描写叙述的是一串文本的特征。

正如自然语言中“高大”、“牢固”等词语抽象出来描写叙述事物特征一样，正則表達式就是字符的高度抽象，用来描写叙述字符串的特征。

正則表達式（下面简称正则，Regex）通常不独立存在，各种编程语言和工具作为宿主语言提供对正则的支持，并依据自身语言的特点，进行一定的剪裁或扩展。

正则入门非常easy，有限的语法规则非常easy掌握，可是眼下正则的普及率并不高，主要是由于正则的流派众多，各种宿主语言提供的文档都过多的关注于自身的一些细节，而这些细节一般是刚開始学习的人并不须要关注的。

当然，假设想要深入的了解正則表達式，这些细节又是必须被关注的，这是后话，让我们先从正则的基础開始，进入正則表達式的世界。

2       正則表達式基础

2.1     基本概念

2.1.1  字符串组成

对于字符串“a5”，是由两个字符“a”、“5”以及三个位置组成的，这一点对于正則表達式的匹配原理理解非常重要。

2.1.2  占有字符和零宽度

正則表達式匹配过程中，假设子表达式匹配到的是字符内容，而非位置，并被保存到终于的匹配结果中，那么就觉得这个子表达式是占有字符的；假设子表达式匹配的不过位置，或者匹配的内容并不保存到终于的匹配结果中，那么就觉得这个子表达式是零宽度的。

占有字符还是零宽度，是针对匹配的内容是否保存到终于的匹配结果中而言的。

占有字符是相互排斥的，零宽度是非相互排斥的。也就是一个字符，同一时间仅仅能由一个子表达式匹配，而一个位置，却能够同一时候由多个零宽度的子表达式匹配。

2.1.3  正則表達式构成

正則表達式由两种字符构成。一种是在正則表達式中详细特殊意义的“元字符”，还有一种是普通的“文本字符”。

元字符能够是一个字符，如“^”，也能够是一个字符序列，如“\w”。

2.2     元字符（Meta Character）

2.2.1  […] 字符组(Character Classes)

字符组能够匹配[ ]中包括的随意一个字符。尽管能够是随意一个，但仅仅能是一个。

字符组支持由连字符“-”来表示一个范围。当“-”前后构成范围时，要求前面字符的码位小于后面字符的码位。

[^…] 排除型字符组。排除型字符组表示随意一个未列出的字符，相同仅仅能是一个。排除型字符组相同支持由连字符“-”来表示一个范围。

举例：

“[0-9][0-9]”在匹配“Windows 2003”时，匹配成功，匹配的结果为“20”。

“[^inW]”在匹配“Windows 2003”时，匹配成功，匹配的结果为“d”。

2.2.2  常见字符范围缩写

对于一些经常使用的字符范围，如数字等，因为很经常使用，即使使用[0-9]这种字符组仍显得麻烦，所以定义了一些元字符，来表示常见的字符范围。

举例：

“\w\s\d”在匹配“Windows 2003”时，匹配成功，匹配的结果为“s 2”。

2.2.3  . 小数点

小数点能够匹配除“\n”以外的随意一个字符。假设要匹配包含“\n”在内的全部字符，一般用[\s\S]，或者是用“.”加(?s)匹配模式来实现。

2.2.4  其他元字符

举例：

“^a”在匹配“cba”时，匹配失败，由于表达式要求開始位置后面是字符“a”，而“cba”显然是不满足的。

“\d$”在匹配“123”时，匹配成功，匹配结果为“3”，这个表达式要求匹配结尾处的数字，假设结尾处不是数字，如“123abc”，则是匹配失败的。

2.2.5  转义字符

一些不可见字符，或是在正则中具有特殊意义的元字符，如想匹配字符本身，须要用“\”对其进行转义。

下面字符在匹配其本身时，通常须要进行转义。在实际应用中，依据详细情况，须要转义的字符可能不止例如以下所列字符

　.  $  ^  {  [  (  |  )  *  +  ?  \

2.2.6  量词（Quantifier）

量词表示一个子表达式能够匹配的次数。量词能够用来修饰一个字符、字符组，或是用()括起来的子表达式。一些经常使用的量词被定义成独立的元字符。

注意：在不是动态生成的正則表達式中，不要出现“{1}”这种量词，如“\w{1}”在结果上等价于“\w”，可是会减少匹配效率和可读性，属于画蛇添足的做法。

2.2.7  分支结构（Alternation）

当一个字符串的某一子串具有多种可能时，採用分支结构来匹配，“|”表示多个子表达式之间“或”的关系，“|”是以()限定范围的，假设在“|”的左右两側没有()来限定范围，那么它的作用范围即为“|”左右两側总体。

举例：

“^aa|b$”在匹配“cccb”时，是能够匹配成功的，匹配的结果是“b”，由于这个表达式表示匹配“^aa”或“b$”，而“b$”在匹配“cccb ”时是能够匹配成功的。

“^(aa|b)$”在区配“cccb”时，是匹配失败的，由于这个表达式表示在“開始”和“结束”位置之间仅仅能是“aa”或“b”，而“cccb”显然是不满足的。

3       正則表達式进阶

3.1     捕获组（Capture Group）

捕获组就是把正則表達式中子表达式匹配的内容，保存到内存中以数字编号或手动命名的组里，以供后面引用。

普通捕获组（在不产生歧义的情况下，简称捕获组）是以数字进行编号的，编号规则是以“(”从左到右出现的顺序，从1開始进行编号。通常情况下，编号为0的组表示整个表达式匹配的内容。

命名捕获组能够通过捕获组名，而不是序号对捕获内容进行引用，提供了更便捷的引用方式，不用关注捕获组的序号，也不用操心表达式部分变更会导致引用错误的捕获组。

3.2     非捕获组

一些表达式中，不得不使用( )，但又不须要保存( )中子表达式匹配的内容，这时能够用非捕获组来抵消使用( )带来的副作用。

3.3     反向引用

捕获组匹配的内容，能够在正則表達式的外部程序中进行引用，也能够在表达式中进行引用，表达式中引用的方式就是反向引用。

反向引用通经常使用来查找反复的子串，或是限定某一子串成对出现。

举例：

“(a|b)\1”在匹配“abaa”时，匹配成功，匹配到的结果是“aa”。“(a|b)”在尝试匹配时，尽管既能够匹配“a”，也能够匹配“b”，可是在进行反向引用时，相应()中匹配的内容已经是固定的了。

3.4     环视（Look Around）

环视仅仅进行子表达式的匹配，匹配内容不计入终于的匹配结果，是零宽度的。

环视依照方向划分有顺序和逆序两种，依照是否匹配有肯定和否定两种，组合起来就有四种环视。环视相当于对所在位置加了一个附加条件。

举例：

“(?<=Windows )\d+”在匹配“Windows 2003”时，匹配成功，匹配结果为“2003”。我们知道“\d+”表示匹配一个以上的数字，而“(?<=Windows )”相当于一个附加条件，表示所在位置左側必须为“Windows ”，它所匹配的内容并不计入匹配结果。相同的正则在匹配“Office 2003”时，匹配失败，由于这里随意一串数字子串的左側都不是“Windows ”。

“(?!1)\d+”在匹配“123”时，匹配成功，匹配的结果为“23”。“\d+”匹配一个以上数字，可是附加条件“(?!1)”要求所在位置右側不能是“1”，所以匹配成功的位置是“2”前面的位置。

3.5     忽略优先和匹配优先

或者叫做正則表達式匹配的贪婪与非贪婪模式。

标准量词修饰的子表达式，在可匹配可不匹配的情况下，总会先尝试进行匹配，称这样的方式为匹配优先，或者贪婪模式。此前介绍的一些量词，“{m}”、“{m,n}”、“{m,}”、“?”、“*”和“+”都是匹配优先的。

一些NFA正则引擎支持忽略优先量词，也就是在标准量词后加一个“?”，此时，在可匹配可不匹配的情况下，总会先忽略匹配，仅仅有在由忽略优先量词修饰的子表达式，必须进行匹配才干使整个表达式匹配成功时，才会进行匹配，称这样的方式为忽略优先，或者非贪婪模式。忽略优先量词包含“{m}?”、“{m,n}?”、“{m,}?”、“??”、“*?”和“+?”。

举例：

源字符串：<div>aaa</div><div>bbb</div>

正則表達式1：<div>.*</div>      匹配结果：<div>aaa</div><div>bbb</div>

正則表達式2：<div>.*?</div>     匹配结果：<div>aaa</div>