1、概述

正則表達(dá)式(Regular Expression)是一種匹配模式，描述的是一串文本的特征。
正如自然語(yǔ)言中“高大”、“堅(jiān)固”等詞語(yǔ)抽象出來(lái)描述事物特征一樣，正則表達(dá)式就是字符的高度抽象，用來(lái)描述字符串的特征。
正則表達(dá)式（以下簡(jiǎn)稱(chēng)正則，Regex）通常不獨(dú)立存在，各種編程語(yǔ)言和工具作為宿主語(yǔ)言提供對(duì)正則的支持，并根據(jù)自身語(yǔ)言的特點(diǎn)，進(jìn)行一定的剪裁或擴(kuò)展。

正則入門(mén)很容易，有限的語(yǔ)法規(guī)則很容易掌握，但是目前正則的普及率并不高，主要是因?yàn)檎齽t的流派眾多，各種宿主語(yǔ)言提供的文檔都過(guò)多的關(guān)注于自身的一些細(xì)節(jié)，而這些細(xì)節(jié)通常是初學(xué)者并不需要關(guān)注的。

當(dāng)然，如果想要深入的了解正則表達(dá)式，這些細(xì)節(jié)又是必須被關(guān)注的，這是后話，讓我們先從正則的基礎(chǔ)開(kāi)始，進(jìn)入正則表達(dá)式的世界。

2、正則表達(dá)式基礎(chǔ)

2.1 基本概念

2.1.1 字符串組成

對(duì)于字符串“a5”，是由兩個(gè)字符“a”、“5”以及三個(gè)位置組成的，這一點(diǎn)對(duì)于正則表達(dá)式的匹配原理理解很重要。

2.1.2  占有字符和零寬度

正則表達(dá)式匹配過(guò)程中，如果子表達(dá)式匹配到的是字符內(nèi)容，而非位置，并被保存到最終的匹配結(jié)果中，那么就認(rèn)為這個(gè)子表達(dá)式是占有字符的；如果子表達(dá)式匹配的僅僅是位置，或者匹配的內(nèi)容并不保存到最終的匹配結(jié)果中，那么就認(rèn)為這個(gè)子表達(dá)式是零寬度的。

占有字符還是零寬度，是針對(duì)匹配的內(nèi)容是否保存到最終的匹配結(jié)果中而言的。

占有字符是互斥的，零寬度是非互斥的。也就是一個(gè)字符，同一時(shí)間只能由一個(gè)子表達(dá)式匹配，而一個(gè)位置，卻可以同時(shí)由多個(gè)零寬度的子表達(dá)式匹配。

2.1.3  正則表達(dá)式構(gòu)成

正則表達(dá)式由兩種字符構(gòu)成。一種是在正則表達(dá)式中具體特殊意義的“元字符”，另一種是普通的“文本字符”。

元字符可以是一個(gè)字符，如“^”，也可以是一個(gè)字符序列，如“\w”。

2.2     元字符（Meta Character）

2.2.1  […] 字符組(Character Classes)

字符組可以匹配[ ]中包含的任意一個(gè)字符。雖然可以是任意一個(gè)，但只能是一個(gè)。

字符組支持由連字符“-”來(lái)表示一個(gè)范圍。當(dāng)“-”前后構(gòu)成范圍時(shí)，要求前面字符的碼位小于后面字符的碼位。

[^…] 排除型字符組。排除型字符組表示任意一個(gè)未列出的字符，同樣只能是一個(gè)。排除型字符組同樣支持由連字符“-”來(lái)表示一個(gè)范圍。

舉例：

“[0-9][0-9]”在匹配“Windows 2003”時(shí)，匹配成功，匹配的結(jié)果為“20”。

“[^inW]”在匹配“Windows 2003”時(shí)，匹配成功，匹配的結(jié)果為“d”。

2.2.2  常見(jiàn)字符范圍縮寫(xiě)

對(duì)于一些常用的字符范圍，如數(shù)字等，由于非常常用，即使使用[0-9]這樣的字符組仍顯得麻煩，所以定義了一些元字符，來(lái)表示常見(jiàn)的字符范圍。

舉例：

“\w\s\d”在匹配“Windows 2003”時(shí)，匹配成功，匹配的結(jié)果為“s 2”。

2.2.3  . 小數(shù)點(diǎn)

小數(shù)點(diǎn)可以匹配除“\n”以外的任意一個(gè)字符。如果要匹配包括“\n”在內(nèi)的所有字符，一般用[\s\S]，或者是用“.”加(?s)匹配模式來(lái)實(shí)現(xiàn)。

2.2.4  其它元字符

舉例：

“^a”在匹配“cba”時(shí)，匹配失敗，因?yàn)楸磉_(dá)式要求開(kāi)始位置后面是字符“a”，而“cba”顯然是不滿足的。

“\d$”在匹配“123”時(shí)，匹配成功，匹配結(jié)果為“3”，這個(gè)表達(dá)式要求匹配結(jié)尾處的數(shù)字，如果結(jié)尾處不是數(shù)字，如“123abc”，則是匹配失敗的。

2.2.5  轉(zhuǎn)義字符

一些不可見(jiàn)字符，或是在正則中具有特殊意義的元字符，如想匹配字符本身，需要用“\”對(duì)其進(jìn)行轉(zhuǎn)義。

以下字符在匹配其本身時(shí)，通常需要進(jìn)行轉(zhuǎn)義。在實(shí)際應(yīng)用中，根據(jù)具體情況，需要轉(zhuǎn)義的字符可能不止如下所列字符

　.  $  ^  {  [  (  |  )  *  +  ?  \

2.2.6  量詞（Quantifier）

量詞表示一個(gè)子表達(dá)式可以匹配的次數(shù)。量詞可以用來(lái)修飾一個(gè)字符、字符組，或是用()括起來(lái)的子表達(dá)式。一些常用的量詞被定義成獨(dú)立的元字符。

注意：在不是動(dòng)態(tài)生成的正則表達(dá)式中，不要出現(xiàn)“{1}”這樣的量詞，如“\w{1}”在結(jié)果上等價(jià)于“\w”，但是會(huì)降低匹配效率和可讀性，屬于畫(huà)蛇添足的做法。

2.2.7  分支結(jié)構(gòu)（Alternation）

當(dāng)一個(gè)字符串的某一子串具有多種可能時(shí)，采用分支結(jié)構(gòu)來(lái)匹配，“|”表示多個(gè)子表達(dá)式之間“或”的關(guān)系，“|”是以()限定范圍的，如果在“|”的左右兩側(cè)沒(méi)有()來(lái)限定范圍，那么它的作用范圍即為“|”左右兩側(cè)整體。

舉例：

“^aa|b$”在匹配“cccb”時(shí)，是可以匹配成功的，匹配的結(jié)果是“b”，因?yàn)檫@個(gè)表達(dá)式表示匹配“^aa”或“b$”，而“b$”在匹配“cccb ”時(shí)是可以匹配成功的。

“^(aa|b)$”在區(qū)配“cccb”時(shí)，是匹配失敗的，因?yàn)檫@個(gè)表達(dá)式表示在“開(kāi)始”和“結(jié)束”位置之間只能是“aa”或“b”，而“cccb”顯然是不滿足的。

3 、正則表達(dá)式進(jìn)階

3.1  捕獲組（Capture Group）

捕獲組就是把正則表達(dá)式中子表達(dá)式匹配的內(nèi)容，保存到內(nèi)存中以數(shù)字編號(hào)或手動(dòng)命名的組里，以供后面引用。

普通捕獲組（在不產(chǎn)生歧義的情況下，簡(jiǎn)稱(chēng)捕獲組）是以數(shù)字進(jìn)行編號(hào)的，編號(hào)規(guī)則是以“(”從左到右出現(xiàn)的順序，從1開(kāi)始進(jìn)行編號(hào)。通常情況下，編號(hào)為0的組表示整個(gè)表達(dá)式匹配的內(nèi)容。

命名捕獲組可以通過(guò)捕獲組名，而不是序號(hào)對(duì)捕獲內(nèi)容進(jìn)行引用，提供了更便捷的引用方式，不用關(guān)注捕獲組的序號(hào)，也不用擔(dān)心表達(dá)式部分變更會(huì)導(dǎo)致引用錯(cuò)誤的捕獲組。

3.2     非捕獲組

一些表達(dá)式中，不得不使用( )，但又不需要保存( )中子表達(dá)式匹配的內(nèi)容，這時(shí)可以用非捕獲組來(lái)抵消使用( )帶來(lái)的副作用。

3.3  反向引用

捕獲組匹配的內(nèi)容，可以在正則表達(dá)式的外部程序中進(jìn)行引用，也可以在表達(dá)式中進(jìn)行引用，表達(dá)式中引用的方式就是反向引用。

反向引用通常用來(lái)查找重復(fù)的子串，或是限定某一子串成對(duì)出現(xiàn)。

舉例：

“(a|b)\1”在匹配“abaa”時(shí)，匹配成功，匹配到的結(jié)果是“aa”。“(a|b)”在嘗試匹配時(shí)，雖然既可以匹配“a”，也可以匹配“b”，但是在進(jìn)行反向引用時(shí)，對(duì)應(yīng)()中匹配的內(nèi)容已經(jīng)是固定的了。

3.4 環(huán)視（Look Around）

環(huán)視只進(jìn)行子表達(dá)式的匹配，匹配內(nèi)容不計(jì)入最終的匹配結(jié)果，是零寬度的。

環(huán)視按照方向劃分有順序和逆序兩種，按照是否匹配有肯定和否定兩種，組合起來(lái)就有四種環(huán)視。環(huán)視相當(dāng)于對(duì)所在位置加了一個(gè)附加條件。

舉例：

“(?<=Windows )\d+”在匹配“Windows 2003”時(shí)，匹配成功，匹配結(jié)果為“2003”。我們知道“\d+”表示匹配一個(gè)以上的數(shù)字，而“(?<=Windows )”相當(dāng)于一個(gè)附加條件，表示所在位置左側(cè)必須為“Windows ”，它所匹配的內(nèi)容并不計(jì)入匹配結(jié)果。同樣的正則在匹配“Office 2003”時(shí)，匹配失敗，因?yàn)檫@里任意一串?dāng)?shù)字子串的左側(cè)都不是“Windows ”。

“(?!1)\d+”在匹配“123”時(shí)，匹配成功，匹配的結(jié)果為“23”。“\d+”匹配一個(gè)以上數(shù)字，但是附加條件“(?!1)”要求所在位置右側(cè)不能是“1”，所以匹配成功的位置是“2”前面的位置。

3.5 忽略?xún)?yōu)先和匹配優(yōu)先

或者叫做正則表達(dá)式匹配的貪婪與非貪婪模式。

標(biāo)準(zhǔn)量詞修飾的子表達(dá)式，在可匹配可不匹配的情況下，總會(huì)先嘗試進(jìn)行匹配，稱(chēng)這種方式為匹配優(yōu)先，或者貪婪模式。此前介紹的一些量詞，“{m}”、“{m,n}”、“{m,}”、“?”、“*”和“+”都是匹配優(yōu)先的。

一些NFA正則引擎支持忽略?xún)?yōu)先量詞，也就是在標(biāo)準(zhǔn)量詞后加一個(gè)“?”，此時(shí)，在可匹配可不匹配的情況下，總會(huì)先忽略匹配，只有在由忽略?xún)?yōu)先量詞修飾的子表達(dá)式，必須進(jìn)行匹配才能使整個(gè)表達(dá)式匹配成功時(shí)，才會(huì)進(jìn)行匹配，稱(chēng)這種方式為忽略?xún)?yōu)先，或者非貪婪模式。忽略?xún)?yōu)先量詞包括“{m}?”、“{m,n}?”、“{m,}?”、“??”、“*?”和“+?”。

舉例：

源字符串：<div>aaa</div><div>bbb</div>

正則表達(dá)式1：<div>.*</div>      匹配結(jié)果：<div>aaa</div><div>bbb</div>

正則表達(dá)式2：<div>.*?</div>     匹配結(jié)果：<div>aaa</div>