正则表达式的基本用法

Perl 有很多其它语言所没有的特性，这其中对正则表达式(regular expression)的强大支持是它最为突出的一个亮点。正则表达式使得 perl 在处理文本时具有非常强大的优势：快速，灵活而且很可靠，甚至可以说，强大文本处理能力，是 perl 在众多语言中最为闪耀的一个特点。  因此学习 perl 的过程，必然也是学习正则表达式的过程，这或许多少给 perl 的学习增加了些少的负担，但好在正则表达式并不是 perl 所独有的， 它是一门使用非常广泛的语言，在很多工具及其它编程语言中都有广泛的支持，比如：grep，awk，sed，vi 等。  它是如此的常见，以致于编程人员在很多场合都无可避免的要与之打交道，因此掌握好正则表达的好处是非常明显的，好在它的语法也很简单，学习起来也不算太难。

在 Perl 或其它一些语言及工具中，正则表达式通常也会叫为“模式"(pattern)，正则表达式本质上来说是一个字符串模板，用来确认某个字符串是否符合这个模板的格式，任何一个字符串，要么符合这个模板，要么不符合这个模板。具体到在Perl中，正则表达式是用"/"围起来的，比如：($string =~ /pattern/)。在这里我们暂且称 string 为匹配串，只有当 string 匹配了 ”pattern" 这个串时，这个表达式才是true，反之为false。如： "abc ef ffff" =~ /ef/ 为 true，"abc" =~ /ee/ 为 false。

当然上面的例子只是最简单的情形，如果正则表达式只能做这样单纯的纯字符匹配，那它就不可能这么强大。正则表达式通过一类特殊的字符,我们称为元字符或通配符(meta character)来进行字符的模糊表示,它们在匹配的过程中代表特殊的含义。下面我们就进行简单的介绍。

(1) 点号(.)，它用来匹配任意一个单字符(\n 排除在外，后面我默认不再提这个例外)。

        所以： "twoon" =~ /tw.on/   为 true

                  “twvon" =~ /tw.on/   也为 true.

        点号在正则表达式中是有特殊含义的，有时我们可能也要匹配点号，这时就需要转义一下。

        "twoo.n" =~ /twoo\.n/    为true.

        正则表达中，所有其它的通配符也都可以用同样的方式进行转义，表示直接匹配通配符，去除它的特殊含义。

        你可以看到\也是一个通配符，如果要匹配它也是同样的道理。

        "two\\on" =~ /two\\on/ 为true.

 

(2) 星号(*) : 星号代表匹配它前面一个字符任意遍(0或任意次)，它是一数量词（quantifier），必须跟在其它字符的后面，否则这个表达式不正确。

        如： ”twoon" =~ /two*n/      为true

              “twn"     =~ /two*n/     也为true.

               "twoon" =~ /*twoon/   表达式不正确，*必须跟在其它符号后面.

       同时星号也可以匹配点号(.)，点号代表任意非回车字符，因此, (.*）就代表任意字符任意次。这是一个惯常的用法，如:   /twoon.*walks/    能匹配任意包含"twoon"在前，"walks“在后的字符串。所以(.*)也被称为:any old junk. 匹配任何东西。 

   

(3) 加号(+): 加号是一个与星号(*)类似的通配符，它也是数量词，表示匹配前面的字符一次或多次（至少一次).

       它与星号的差别就在这里，星号可以匹配0次，加号则必须一次以上。  

        如："twoon" =~ /two+n/ 为true.

              "twn"    =~ /two+n/ 为false.

   

(4) 问号(?): 问号也是一个数量词，它代表匹配前一个字符0或1次。

        如： "twoon" =~ /twoo?n/ 为true

               "twoon” =~ /two?n/ 为false.

               "twn"   =~ /two？n/ 为true.

   

(5) 括号(()): 括号用来表示一个组合，前面我说数量词作用在前一个字符上，这个说法事实上不准确，应该说是作用在一个组合上，一个字符是一个组合，但多个字符也可以成为组合。括号就是用来表示一个组合，被括号括起来的就是一个组合。

        如: "twoon" =~ /tw(o)*n/ 为true.

              "twoon" =~ /tw(oo)*n/ 为true

             "twowon" =~ /t(wo)*n/ 为true.

              "twoon" =~ /t(wv)*oon/ 为false.

               “twoon" =~ /t(wo)+on/为true.

               "twon"   =~ /t(wo)+on/为false.

     括号里可以放置任何字符，也可以放置其它通配符，如  "aaabcc" =~ /(aa+b)?cc/

     

(6) 引用通配符：反斜杠加上数字是所谓引用通配符(back reference): \1 \2 \3 等，它的作用是引用前面的某个括号元组，如:  

          "twoonwo" =~ /t(wo)on\1/   为true

    乍看起来，似乎作用不明显，如上例，我们完全可以不用\1，而写成这样： /t(wo)on(wo)/

    在上面的例子里，这个质疑是可以理解的。但有时，我们的括号元组可能这样写的:  (we...) 因为点号代表任意字符，如果我们后面要作用这个元组，不用引用通配符， 我们根本无法引用，具体看例子：    

          ”weabceeweabc" =~ /(we...)ee\1/  为 true。

          “weabceeweabc" =~ /(we...)ee(we...)/ 为 true

          ”weabceewecdf" =~ /(we...)ee(we...)/  也为 true.

    从第2，3个例子，我们可以看区别。\1 表示的是与前一个元组完全一样的匹配。而 \1,\2,\3等，则分别表示，从左往右数第几个元组。

          “abcdef def abc" =~ /(...)(...) \2\1/ 为 true.

    在 perl 中，引用通配符中支持从1~9，写法上很活，你既可直接\1 \2 ...\9这样来写，也可以写成 \g{1]  ,\g{2},.....\g{9}。后面一种写法相对复杂些，但有助于perl来理解你想表达的含义。因为反斜杠在程序语言中有特殊的信念，通常表达转义，perl 在遇到反斜杠时，它会去猜你想表达的什么。所以如果你写一个类似: \123这样的东西，它就不知怎么去解析，你是想表达 \1+23，引用后面跟着数字，还是，\12+3，或 \123，转义符后面跟数字是可以表示转义一个8进制数字的。因此这里产生了歧义。perl 5.10 于是引入了 \g{N}这种表述方式来表示引用通配符。N 甚至可以是负数，当是用负数是，它表示一个相对位置。表示从当前位置开始往左数，第N个元组，如：

           "twooavvboonn"  =~ /tw(oo)a(vv)b\{-2}(nn)/   为true.

   

(7) 中括号[]： 中括号用来表示一个字符集合(character set)

     字符集合，顾名思义，就是字符的集合，集合的元素放在中括号里，表示每次匹配中其中的一个，如： "twoon” =~ /[tw]woo/ 为 true

     有时如果这个集合有很多元素，如26个字母，数字等，一个个地写在中括号里，未免太麻烦太蠢笨，这时可以用连字符(hyphen)来表示一个范围，如:[a-z]表示小写字母的集合，[a-zA-Z]表示大小写字母的集合。

     上面的用法用于提供范围来选择，但有时不匹配某个范围也是很常见的匹配需求，这时我们可以在集合的开头放一个脱字符 ^ (caret). 这种写法表示，匹配任何不在该集合中的字符，与上面的用法刚好相反。如："twoon" =~ /[^two]woon/ 为false

               “ewoon" =~ /[^two]woon/ 为true

      由上面的用法，可知 ^,- 这两种符号在集合中有特殊含义，如果我们们想在集合中表示这两个字符，就也要转义一下。如：[\^ab\-]

      有些字符集合是很常用的，如字母，数字等，perl提供了一些缩写来表示这些常用的集合，如：\d表示一个数字，等价于[0-9]，这些特殊字符包括如下 :

        \w -- (小写w) 表示字母或数字，等价于 [a-zA-Z0-9]

        \W -- (大写W)非字母且非数字，与\w相反

        \s  --  (小写s)匹配一个空格字符，包括：空格，换行，回车,tab,等价于[ \n\r\t\f]

        \S --  (大写S)匹配非空格字符，\s的相反

        \d -- 表示10进制数字，等价于 [0-9]

 

(8) 大括号:{}  

   大括号的作用是指定重复前面一个字符多少遍:

   {N} 重复N遍

   {n,m} 重复 n~m 遍

   {n,}  至少重复n遍

   {,m} 至多重复m遍

 示例："twoon" =~ /two{2}n/    为true.

    

(9) ^,& 这两个通配符用来表示在匹配串的头部或尾部匹配。

     一般我们写这种： "twoon" =~ /oo/ 正则表达式的时候，匹配是从"twoon"的开始一路匹配下去，如tw != oo,就继续往下匹配，但有时候我们可能只想匹配一下开头或结尾，这时^,&就派上用场了。^用于匹配字符串的开关，&用于匹配字符串的结尾。如:  "twoon" =~ "^tw"  为true.

            “twoon” =~ “oo"   为true

            "twoon" =~ "^oo" 就为false.

            ”twoon" = "on&"  为true.

            "twoon“ = ”oo&"  为false

 

(10) “或" 通配符:  正则表达式用竖线 | 表示或， (ab | cd) 表示匹配竖线左右的字符组之一，如果左右的字符数超过一个，它必须和括号一起使用。

        如:    "twoon” =~ /t|ewoon/   结果为true

                    "twoon" =~ /(tw|ee)oon/  结果为true

                    "twoon" =~ /(ee|gs)oon/   结果为false

          

上面简单地介绍了正则表达式中各种通配符的含义及用法，可以看出，正则表达式在语法上还算是简单的，但这并不代表它也只会做简单的事情，事实上，正则表达式也可以写得很复杂，语法的简单或复杂与该语言功能强大与否并没有太多直接的联系。学习正则表达式可以让我们在很多场合下受益，特别是在使用unix类系统下的各种工具时，只是这种语言也和很多其它很多语言一样，学而不用就很容易忘。本文只是简单的介绍了一下它的基本语法，基本写法，要想做到熟能生巧，就需要在日常工作中，多练习，多操作，多留心了。