《精通正则表达式》笔记 --- 选择引号内的文字

这个例子出自《精通正则表达式》，做一下笔记帮助理解和记忆。

第一版

最简单的case就是考虑包含一对引号，那么写出来的表达式应该是这样的：

".*"

但是这个未免太简单了吧，会有啥问题呢？假如输入的字符串长这样结果就会出问题拉。see...

Input String: "Hello" and "World" Regex: ".*" Match: "Hello" and "World"

为什么会全部匹配到呢？这是因为 * 是一个greedy(匹配优先)的量词，我觉得英文的意思更容易帮助我们理解。这意味着它会首先会'贪婪'得把所有的字符匹配完，匹配到最后一个字符发现没有字符可以匹配了，于是开始匹配下一个引号，它会首先回朔到最后一个引号前，然后开始匹配引号匹配引号，发现可以匹配，然后就完成了。这就是为啥整个字符串都被匹配了。

第二版

既然是因为greedy的量词导致的这个问题，那我们将其给成lazy（忽略优先）的量词 ----- *? 。当一个量词是忽略优先的话，那在匹配的时候，引擎会选择忽略这个忽略优先量词修饰的字符去匹配下一个字符，如果匹配则继续，如果不匹配则返回来匹配这个忽略优先量词修饰的字符。

看一下这个例子，将表达式稍作修改，匹配结果就变鸟。

Input String: "Hello" and "World" Regex: ".*?" Match-1: "Hello" Match-2: "World"

好了，似乎这个版本已经圆满完成我们的任务啦。

第三版

那我们将需求继续变化一下，在程序的世界里有一种东西叫做转移字符，比如有个字符串长这样子\"Hello, World!\"+\"。 直接上最终正则表达式。

Input String: \"Hello, World!\"+\" Regex: "(\\.|[^\\"])*" Match-1: No Match

正则表达式中关键的是这个(\\.|[^\\"])，这个括号在正则表达式里是起到一个多选结构的作用，表示匹配括号内任意一个子表达式即匹配。这个括号里面由两部分，第一部分是\\.，第二部分是[^\\"]。

\\.

\\.能够匹配任何的转义字符，严格来说是匹配任意\以及其后面的字符，即使它们不是真正的转义字符。

[^\"]

这个输入字符串最后一个引号是转移的引号，所以这个正则表达式没有匹配到任何的结果。这个结果是对的，这个功劳就要归结到这个[^\\"]，它的意思是匹配非\"的任意字符。当引擎匹配到字符串最后发现"还未匹配，于是进行回溯，回溯到▴那个位置\"Hello, World!\"+ ▴ \"。引擎会尝试去匹配[^\\"]，发现匹配失败，于是失败！

假如我们将[^\\"]换成[^"]，那么在刚才那个位置的时候，[^"]就会匹配\字符，然后\之后的"会被外层的引号匹配，于是它的结果就是被匹配了。这显然是很奇怪的，当然如果你想要这么匹配也可以。

其他版本

还有一种方式是利用正则表达式里面的固化分组(Atomic grouping)或者占有优先量词(Possessive)。固化分组："(?>(\\.|[^"])*)，占有优先量词："(\\.|[^"])*+"。在固化分组或者占有优先量词的匹配过程中，在固化分组内或者占有优先量词修饰的组内，如果一个字符已经被匹配那么之前的状态将会被舍弃，就防止它进行回溯。

在这个例子中，\"Hello, World!\"+\"，当匹配到这个位置的时候（\"Hello, World!\"+\" ▴）发现没有办法继续匹配下去了，引擎会选择直接匹配失败，而不是回溯到之前的备用状态进行新的匹配。

关键的概念

例子虽然简单，但是出现了正则表达式中很多关键的概念，预知详情，请阅读《精通正则表达式》

• 匹配优先量词(Greedy quantifier)
• 忽略优先量词(Lazy quantifier)
• 占有优先量词(Possessive quantifier)
• 固化分组(Atomic grouping)
• 字符组(Character Classes)
• 多选结构(Alternation)

本文纯属个人读书笔记，如有错误概不负责哟～～～