02-量词的匹配模式
02-量词的匹配模式
正则中的三种模式，贪婪匹配、非贪婪匹配和独占模式
为什么会有贪婪与非贪婪模式？
为节约cpu资源
在这 6 种元字符中，我们可以用 {m,n} 来表示 （*）（+）（?） 这 3 种元字符：
| 元字符 | 同义表示 | 示例 |
|---|---|---|
| * | ab* 可以匹配 a 或 abbb…… |
|
| + | ab+ 可以匹配 ab 或 abbb…… |
|
| ? | (\+86-)?\d{11} 可以匹配 +86-138456728433 或者 138456728433 |
贪婪、非贪婪与独占模式
贪婪匹配（Greedy）
在正则中，表示次数的量词默认是贪婪的，在贪婪模式下，会尝试尽可能最大长度去匹配。
>>> import re
>>> re.findall(r'a*', 'aaabb') # 贪婪模式
['aaa', '', '', '']
>>> re.findall(r'a*?', 'aaabb') # 非贪婪模式
['', 'a', '', 'a', '', 'a', '', '', '']
从下面这个示例中，我们可以很容易看出两者对比上的差异。左右的文本是一样的，其中有两对双引号。不同之处在于，左边的示例中，不加问号时正则是贪婪匹配，匹配上了从第一个引号到最后一个引号之间的所有内容；而右边的图是非贪婪匹配，找到了符合要求的结果。
独占模式
独占模式（Possessive）不管是贪婪模式，还是非贪婪模式，都需要发生回溯才能完成相应的功能。但是在一些场景下，我们不需要回溯，匹配不上返回失败就好了，因此正则中还有另外一种模式，独占模式，它类似贪婪匹配，但匹配过程不会发生回溯，因此在一些场合下性能会更好。
# 贪婪模式
regex = “xy{1,3}z” # 我得理解 没有 `?` 就是莽，一脚踩下去（默认符合当前条件|现状 >= 当前条件） 不行再退回 匹配下一条件
text = “xyyz”
在匹配时，y{1,3}会尽可能长地去匹配，当匹配完 xyy 后，由于 y 要尽可能匹配最长，即三个，但字符串中后面是个 z 就会导致匹配不上，这时候正则就会向前回溯，吐出当前字符 z，接着用正则中的 z 去匹配。
# 非贪婪模式
regex = “xy{1,3}?z” # 有 `?` 就是投石问路，当前条件以经部分满足（现状 =< 当前条件）查看下一条件是否满足 不行再退回，匹配当前条件
text = “xyyz”
由于 y{1,3}? 代表匹配 1 到 3 个 y，尽可能少地匹配。匹配上一个 y 之后，也就是在匹配上 text 中的 xy 后，正则会使用 z 和 text 中的 xy 后面的 y 比较，发现正则 z 和 y 不匹配，这时正则就会向前回溯，重新查看 y 匹配两个的情况，匹配上正则中的 xyy，然后再用 z 去匹配 text 中的 z，匹配成功。
独占模式
具体的方法就是在量词后面加上加号（+）
regex = “xy{1,3}+yz” # 尽可能多滴匹配（莽着走）错了也不会回头
text = “xyyz”
需要注意的是 Python 和 Go 的标准库目前都不支持独占模式，会报错，如下所示：
Javascript貌似也不支持，报错信息：Nothing to repeat
>>> import re
>>> re.findall(r'xy{1,3}+yz', 'xyyz')
error: multiple repeat at position 7
# 报错显示，加号（+）被认为是重复次数的元字符了。如果要测试这个功能，我们可以安装 PyPI 上的 regex 模块
#========================================================================#
# 注意：需要先安装 regex 模块，pip install regex
>>> import regex
>>> regex.findall(r'xy{1,3}z', 'xyyz') # 贪婪模式
['xyyz']
>>> regex.findall(r'xy{1,3}+z', 'xyyz') # 独占模式
['xyyz']
>>> regex.findall(r'xy{1,2}+yz', 'xyyz') # 独占模式
[] # 不回溯导致 'xy{1,2}+yz' z 前面 的 y 匹配不上 ，返回空字符串
你也可以使用 Java 或 Perl 等其它语言来测试独占模式，查阅相关文档，看一下你所用的语言对独占模式的支持程度。
如果你用 a{1,3}+ab 去匹配 aaab 字符串，a{1,3}+ 会把前面三个 a 都用掉，并且不会回溯，这样字符串中内容只剩下 b 了，导致正则中加号后面的 a 匹配不到符合要求的内容，匹配失败。
如果是贪婪模式 a{1,3} 或非贪婪模式 a{1,3}? 都可以匹配上。
这里我简单总结一下，独占模式性能比较好，可以节约匹配的时间和 CPU 资源，但有些情况下并不能满足需求，要想使用这个模式还要看具体需求（比如我们接下来要讲的案例），另外还得看你当前使用的语言或库的支持程度。
模式示例
^([符合要求的组成1]|[符合要求的组成2])+$
# 脱字符（^）代表以这个正则开头，
# 美元符号（$）代表以正则结尾，我们后面会专门进行讲解。
# 这里可以先理解成整个店铺名称要能匹配上正则，即起到验证的作用。
最后总结
正则中量词默认是贪婪匹配，如果想要进行非贪婪匹配需要在量词后面加上问号。贪婪和非贪婪匹配都可能会进行回溯，独占模式也是进行贪婪匹配，但不进行回溯，因此在一些场景下，可以提高匹配的效率，具体能不能用独占模式需要看使用的编程语言的类库的支持情况，以及独占模式能不能满足需求。
练习
有一篇英文文章，里面有很多单词，单词和单词之间是用空格隔开的，在引号里面的一到多个单词表示特殊含义，即引号里面的多个单词要看成一个单词。现在你需要提取出文章中所有的单词。我们可以假设文章中除了引号没有其它的标点符号，有什么方法可以解决这个问题呢？如果用正则来解决，你能不能写出一个正则，提取出文章中所有的单词呢（不要求结果去重）？
we found “the little cat” is in the hat, we like “the little cat”其中 the little cat 需要看成一个单词
// 文字中的双引号是 中文！
\w+|“[^”]*”
# 建议第一种
# \w 表示英文单词 （单个字母也算）
# \W 表示非英文单词
# ^ 表示取反 `[^”]` 表示 匹配中文右引号之外的所有字符
