（转）精通正则表达式（元字符）

原文地址：http://www.cnblogs.com/zhuimengdeyuanyuan/archive/2013/02/05/2892988.html

　13年1月初在公司开了一次正则表达式的讲座，在这里希望把那一个月努力专研的一些东西分享一下，先分享一本大家熟悉的书《精通正则表达式》，的确是好书，不过要不是工作原因，我才不会一个月内看了两遍呢！实在是枯燥的很啊！不过最近发现的确对自己很有帮助，还可以时常在工作中要到，有时候也能帮群里解决一些问题。我这里算是把那本书精简了一下的版本吧！没书上的详细，不过结合了网上一些资料加上自己的试验。

　　1、历史起源　　

　　正则表达式的“鼻祖”或许可一直追溯到科学家对人类神经系统工作原理的早期研究。美国新泽西州的Warren McCulloch和出生在美国底特律的Walter Pitts这两位神经生理方面的科学家，研究出了一种用数学方式来描述神经网络的新方法，他们创新地将神经系统中的神经元描述成了小而简单的自动控制元，从而作出了一项伟大的工作革新。

　　在1956 年,美国的一位名叫Stephen Kleene的数学科学家，他在Warren McCulloch和Walter Pitts早期工作的基础之上，发表了一篇题目是《神经网事件的表示法》的论文，利用称之为正则集合的数学符号来描述此模型，引入了正则表达式的概念。正则表达式被作为用来描述其称之为“正则集的代数”的一种表达式，因而采用了“正则表达式”这个术语。

　　之后一段时间，人们发现可以将这一工作成果应用于其他方面。Ken Thompson就把这一成果应用于计算搜索算法的一些早期研究，Ken Thompson是 Unix的主要发明人，也就是大名鼎鼎的Unix之父。Unix之父将此符号系统引入编辑器QED，然后是Unix上的编辑器ed，并最终引入grep。

　　Unix的grep家族包括grep、egrep和fgrep。egrep和fgrep的命令只跟grep有很小不同。egrep是grep的扩展，支持更多的元字符，fgrep就是把所有的字母都看作单词，也就是说，正则表达式中的元字符表示回其自身的字面意义，不再特殊。

　　众多UNIX工具支持正则表达式，近二十年来，在WINDOW的阵营下，正则表达式的思想和应用在大部分 Windows 开发者工具包中得到支持和嵌入应用！目前主流的开发语言（PHP、C#、Java、C++、VB、Javascript、Ruby以及python等）、数以亿万计的各种应用软件中，都可以看到正则表达式优美的舞姿。

　　2、Egrep元字符　　

　　文本检索式正则表达式最简单的应用之一——许多文本编辑器和文字处理软件都提供了正则表达式检索的功能。最简单也是最流行的就是egrep。几乎所有流派（在这里我把不同的语言或处理软件称作流派）支持的元字符都是根据egrep进行的扩展或者修改。

　　2.1Egrep元字符^$

　　脱字符号‘^’和美元符号‘$’分别代表了一行的开始和结束。

　　例如：`^cat`代表需要匹配以cat开头的一行。希望大家按照字符来理解正则表达式的习惯：不要将`^cat`理解为“匹配以cat开头的行”，而是理解为“匹配的是以c作为一行的第一个字符，紧接一个a，紧接一个t的文本。

　　（注：后面的我都会把正则表达式用``括起来）

　　如上两种理解并无差异，但按照字符来解读更易于明白正则表达式的内部逻辑。脱字符号和美元符号的特别之处在于，它们匹配的是一个位置，而不是具体的文本。egrep会如何解释`^cat$`、`^$`和单个的`^`呢？

　　`^cat$` 文字意义：匹配的条件是，行开头（显然，每一行都有开头 ），然后是字母cat，然后是行末尾。
　　　　　　　　应用意义：只包含cat的行——没有多余的单词、空白字符……只有cat。
　　`^$` 文字意义：匹配的条件是，行开头，然后就是行末尾。
　　　　　　　　应用意义：空行（没有任何字符，包括空白字符）。
　　`^` 　　 文字意义：匹配条件是行的开头。
　　　　　　　　应用意义：无意义！因为每一行都有开头，所以每一行都能匹配——空行也不例外。

　　例子1：

            var reg=/^[abc][abc][0123456789]/;
            var result1=reg.exec("ca4at");
            var result2=reg.exec("1catg");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子2：

            var reg=/cat$/;
            var result1=reg.exec("cat");
            var result2=reg.exec("catg");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子3：

            var reg=/^cat$/;
            var result1=reg.exec("cat");
            var result2=reg.exec("catcat");
            document.write(result1+" "+result2);

　　结果：

　　

　　2.2Egrep元字符[]-

　　如果我们需要搜索的单词是“grey”，同时又不能确定它是否写作“gray”，就可以使用正则表达式结构体‘[]’，也称作字符组。所以我们可以写作`gr[ae]y`，这里需要注意：字符组只要满足一个字符就可以匹配成功；字符组里面的顺序一般情况下可以随意。

　　如果我们想匹配1到6中的任意数字，我们可以写作`[123456]`，我们也可以通过字符组元字符‘-’（连字符）表示，也就是`[1-6]`，同样的效果。`[0-9]`和`[a-z]`是常用的匹配数字和小写字母的简便方式。多重范围也是允许的，如`[0-9a-zA-F]`。我们还可以随心所欲的把字符范围与普通文本结合起来：`[0-9A-Z_!.?]`能够匹配一个数字、大写字母、下划线、惊叹号、点号或者是问号。

　　请注意，只有在字符组内部，连字符才可能是元字符——否则它就只能匹配普通的连字符。这里用可能是因为如果连字符出现在字符组的开头，它代表的就只是匹配一个普通连字符，而不是一个范围。同样的道理，问号和点号通常被当做元字符处理，但在字符组中则不是如此。如`[-a-z]`就是匹配一个连字符或者小写字母。

　　例子1：　

            var reg=/gr[ae]y/;
            var result1=reg.exec("grygrey");
            var result2=reg.exec("grygraey");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子2：　

            var reg=/^[abc][abc][0123456789]/;
            var result1=reg.exec("ca4at");
            var result2=reg.exec("1catg");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子3：

            var reg=/^[a-z]/;
            var result1=reg.exec("c24at");
            var result2=reg.exec("1catg");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子4：

            var reg=/^[0-9a-z_]$/;
            var result1=reg.exec("_");
            var result2=reg.exec("catcat");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子5：

            var reg=/^[-!][0-9][a-z]/;
            var result1=reg.exec("-7fff");
            var result2=reg.exec("!75fff");
            document.write(result1+" "+result2);

　　结果：

　　

　　2.3Egrep元字符[^]

　　用“[^]”取代“[]”，这个字符组就会匹配任何未列出的字符，我们称作排除型字符组。我们注意到这里的‘^’和我们表示首行的脱字符是一样的，字符确实相同，但意义截然不同，在字符组内部必须是紧接在字符组的第一个方括号之后，它才表示一个元字符。

　　如果我们用`q[^u]`来匹配字符串伊拉克“Iraq”是否会成功？这里需要强调一下一个字符组，即使是排除型字符组，也需要匹配一个字符。上面的匹配伊拉克字符串会失败，因为q后面没有字符，而`[^u]`必须匹配一个字符，无论是空格、换行符或者其他单词，都必须至少有一个。

　　例子1：

            var reg1=/[^a-z]/;
            var result1=reg1.exec("a24at");
            var result2=reg1.exec("catg");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子2：

            var reg1=/^[0-9a-z_^]$/;
            var reg2=/^[^^0-9]/;
            var result1=reg1.exec("^");
            var result2=reg1.exec("catcat");
            var result3=reg2.exec("-7fff");
            var result4=reg2.exec("^75fff");
            document.write(result1+" "+result2+" "+result3+" "+result4);

　　结果：

　　

　　例子3：

            var reg=/q[^0-9]/;
            var result1=reg.exec("a2qat");
            var result2=reg.exec("Iraq");
            document.write(result1+" "+result2);

　　结果：

　　

　　2.4Egrep元字符.

　　元字符‘.’是用来匹配任意字符（除换行以外）的字符组的简便写法。如果我们需要在表达式中使用一个“匹配任何字符”的占位符，用点号就很方便。例如：我们需要搜索2013/01/04、2013-01-04或者2013.01.04，我们可以使用`2013.01.04`或者`2013[-./]01[-./]04[-./]`都可以，但是哪种好呢？

　　在`2013[-./]01[-./]04[-./]`中的点号不是元字符，因为它在字符组内部（记住在字符组里面和外面，元字符的定义和意义是不一样的）。这里的连字符同样也不是字符，因为它们都紧接在[或者[^之后。点号是元字符时能够匹配任意字符，所以也可以匹配如“2013301504”的字符串，所以`2013[-./]01[-./]04[-./]`更加精确，但是更难读，也更难写。 `2013.01.04`更容易理解，但是不够细致。

　　例子：　

            var reg=/2013.01.04/;
            var result1=reg.exec("reg2013-01-04");
            var result2=reg.exec("2013-1-04");
            document.write(result1+" "+result2);

　　结果：

　　

　　2.5Egrep元字符| ()

　　‘|’是一个非常简捷的元字符，它的意思是“或”。回头来看`gr[ea]y`的例子，我们还可以写作`grey|gray`或者是`gr(e|a)y`。后者用括号来划定多选结构的范围（正常情况下括号也是元字符），对于表达式`gr(e|a)y`来说括号是必须的，不然就变成了`gre|ay`，而这个代表匹配gre或者ay。

　　`Jeffrey|Jeffery`、`Jeff(rey|ery)`和`Jeff(re|er)y`三个表达式是等价的。gr[ea]y`与`gr(e|a)y`的例子可能会让人觉得多选结构与字符组没太大区别，但是请不要混淆这两个的概念。一个字符组只能匹配目标文本中的单个字符，而每个多选结构自身可能是完整的正则表达式，都可以匹配任意长度的文本。

　　例子1：

            var reg=/grey|gray/;
            var result1=reg.exec("reggray");
            var result2=reg.exec("greay");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子2：

            var reg=/(ca)t/;
            var result1=reg.exec("ttcatty");
            var result2=reg.exec("ctat");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子3：

            var reg=/gr(e|a)y/;
            var result1=reg.exec("sagrey");
            var result2=reg.exec("greay");
            document.write(result1+" "+result2);

　　结果：

　　

　　2.6Egrep元字符?+*

　　现在来看color和colour的匹配。他们区别在后面的单词比前面的多一个u，我们可以使用`colou?r`来解决这个问题。元字符‘?’代表可选项。再来看`four(th)?`，这里‘?’作用的元素是整个括号，括号内的表达式可以任意复杂，但是“从括号外来看”它们是一个整体。

　　‘+’（加号）和‘*’（星号）的作用于问号类似。元字符‘+’表示“之前紧邻的元素出现一次或多次”，而‘*’表示“之前紧邻的元素出现任意多次，或者不出现”。问号、加号和星号这三个元字符统称为量词，因为它们限定了所作用元素的重现次数。

　　接下来看类似<HR·SIZE=14>这样的HTML tag，它表示一条高度为14像素的穿越屏幕的水平线。在最后的尖括号之前可能出现任意多个空格，此外在等号两边也容易出现任意多个空格，最后在HR和SIZE之间必须至少一个空格。所以我们得到`<HR·+SIZE·*=·*14·*>`。如果我们找的tag的14这个数字希望是任意的，那么可以使用`<HR·+SIZE·*=·*[0-9]+·*>`。

　　（注：后面都使用’·’代表一个空格）

　　如果我们希望SIZE也是可有可无的呢？改成`<HR(·+SIZE·*=·*[0-9]+)?·*>`就可以达到效果。总结：问号、星号和加号：

　　

　　例子1：

            var reg=/colou?r/;
            var result1=reg.exec("color");
            var result2=reg.exec("colouur");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子2：

            var reg=/four(th)?/;
            var result1=reg.exec("fourth");
            var result2=reg.exec("fourt");
            var result3=reg.exec("fuorth");
            document.write(result1+" "+result2+""+ result3);

　　结果：

　　

　　例子3：

            var reg=/ab+/;
            var result1=reg.exec("abbbc");
            var result2=reg.exec("abdb");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子4：

            var reg=/(abc*)/;
            var result1=reg.exec("abcccdd");
            var result2=reg.exec("abdb");
            var result3=reg.exec("acc")
            document.write(result1+" "+result2+" "+result3);

　　结果：

　　

　　例子5：

            var reg=/(ab *f)/;
            var result1=reg.exec("ab   fdd");
            var result2=reg.exec("abfdb");
            var result3=reg.exec("acc")
            document.write(result1+" "+result2+" "+result3);

　　结果：

　　

　　2.7Egrep元字符

　　某些版本的egrep支持使用元字符序列来自定义重现次数的区间“{min,max}”这称为“区间量词”。有人就使用`[a-zA-Z]{1,5}`来匹配美国的股票代码（1到5个字母），问号对应的区间量词是“{0,1}”。JavaScript也支持这种形式。

　　例子1：

            var reg=/abc{3}/;
            var result1=reg.exec("abcccccdd");
            var result2=reg.exec("abccdb");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子2：

            var reg=/abc{1,}/;
            var result1=reg.exec("abcccdd");
            var result2=reg.exec("abdb");
            document.write(result1+" "+result2);

　　结果：

　　

　　例子3：

            var reg=/abc{0,1}/;
            var result1=reg.exec("abcccdd");
            var result2=reg.exec("abdb");
            var result3=reg.exec("acc")
            document.write(result1+" "+result2+" "+result3);

　　结果：

　　

　　2.8Egrep元字符\1

　　目前为止我们已经见过括号可以限制多选的范围、将若干字符组合为一个单元。括号还有一个很有用途的功能——记忆文本。括号记下来的文本都是存在\n里面的，这里的\n不是换行符，n是一个具体的数字，如：`([a-z])([0-9])\1\2`中\1记录的就是一个小写字母，\2记录的就是一个一位的数字。

　　例子：

            var reg=/a(b)c\1/;
            var result1=reg.exec("abcbccccdd");
            var result2=reg.exec("accdb");
            document.write(result1+" "+result2);

　　结果：

　　

　　2.9Egrep元字符(?:)

　　此为非捕获型小括号，只用于分隔字符，组成单元，不用于记录，由于`()`会记录内部匹配的信息，所以需要占用部分内存，当用户不需要记录此匹配的信息时可以使用`(?:)`，例如`ab(?:c)d(ef)g\1`需要匹配的是字符串…abcdefgef…，而不是…abcdefgc…。

　　例子：

            var reg=/ab(?:c)d(ef)g\1/;
            var result1=reg.exec("11abcdefgef22");
            var result2=reg.exec("abcdefgc");
            document.write(result1+" "+result2);

　　结果：

　　

　　2.10Egrep元字符\

　　如果我们需要匹配的某个字符本身就是元字符，我们就需要使用‘\’。比如我们之前提到过的匹配2013.01.04就需要写作`2013\.01\.04`。如果反斜线后紧跟的不是元字符，那么就需要依流派、版本来定了，例如在某些egrep的版本里面使用`\<`和`\>`来单词的左右边界符，在javascript中使用的是`\b`，这两种流派同样都支持`\1`这种形式。

　　例子：

            var reg=/\([a-zA-Z]+\)/;
            var result1=reg.exec("tt(cat)ty");
            var result2=reg.exec("c(tat");
            document.write(result1+" "+result2);

　　结果：

　　

　　到此基本介绍了常用的简单的元字符，不过在每一种语言里面元字符都不一样，需要读者自己注意。

　　其实这些都是最基础的正则表达式的使用，只能算是入门，主要是给刚接触正则表达式的朋友了解的。后面再细讲正则表达式的核心——正则引擎。最终用来提高我们的表达式的效率。