正则表达式
前言
正则表达式（Regular Expression,RegEx）是一种匹配模式，描述的是一串文本特征。目前有两种匹配引擎，DFA(Deterministic finite automaton，确定型有穷自动机)和NFA(Non-deterministic finite automaton，非确定型有穷自动机)。NFA是以表达式为主，DFA以文本为主。正则表达式的匹配过程如下，以Java为例，通过Pattern p = Pattern.compile("表达式")将正则表达式文本编译成正则表达式对象，然后调用p.matcher("带匹配字符串")进行匹配。
image.png
正则表达式由两类字符构成，一类是具有特殊意义的"元字符"，另一类是普通的文本字符。元字符可以是一个字符，如"^"，也可以是一个字符序列，如"\d"。
元字符
-
.:匹配除换行符（\n）以外的任意的一个字符 -
\：转义字符，使特殊字符具有本来的意义 -
^：匹配字符串开始的位置，不匹配任何字符 -
$：匹配字符串结束的位置，不匹配任何字符
元字符--字符组(字符范围)
-
[...]：匹配方括号中的任意一个字符 -
[^...]：字符集取反，表示只要不是括号中出现的字符都可以匹配 -
\d：任意一个数字，相当于[0-9] -
\D：任意一个非数字字符，\d取反，相当于[^0-9] -
\w：任意一个字母或数字或下划线，相当于[a-zA-Z0-9_] -
\W：\w取反，相当于[^a-zA-Z0-9_] -
\s：任意空白字符，相当于[\r\n\f\t\v] -
\S:任意非空白字符，\s取反，相当于[^\r\n\f\t\v]
元字符--量词
-
{m}，表示匹配m次 -
{m,n}，表示最少匹配m次，最多匹配n次 -
{m,}，表示最少匹配m次 -
?，表示匹配0或1次 -
*，表示匹配0或任意多次 -
+，表示匹配1或任意多次
元字符--分支结构
-
|：多个子表达式之间取或的关系
元字符--分组（也称子表达式）
用()表示，表示匹配多个字符
特性
- 贪婪模式和非贪婪模式
贪婪模式，顾名思义就是一种贪得无厌的模式，即匹配尽可能多的字符。举例来说，待匹配字符串<div>testtest</div> <div>testtest</div>,正则表达式<div>.+</div>,匹配的结果是整个字符串，而不是在第一个</div>就结束，所以贪婪模式是正则表达式重复匹配时的默认模式。
image.png
那么，如果我们只想获取尽可能少的匹配呢？怎么办？只需要在量词后面加一个？，还是上面那个栗子。
image.png
- 向前参照、向后参照
-
向前参照 （？=表达式）
image.png
注意：向前参照时并不包含表达式，上个例子中并不包含':'
- 向后参照 （？<=表达式）
image.png
通过(?<=a)ba查找到字符a的右侧是ba的字符串
-
否定向前参照 （？!表达式）
-
否定向后参照 (?<!表达式）
- 捕获组
捕获组就是把正则表达式中子表达式匹配的内容，保存到内存中以数字编号命名。
例子：将abc def位子互换
image.png
- 反向引用
反向引用就是将捕获组的内容直接在表达式中引用。
image.png
注意：
<a\s+href\=(['\"])[^'\"]+\1>也可以写成<a\s+href=(['"])[^'"]+\1>,我们经常将转移字符\写在可能会出现歧义的地方。
应用场景
正则表达式是在计算机领域运用常见很广，下面介绍几个常见场景：
-
web开发，邮编、电话号码验证；
-
运维，例如grep、awk等Linux基础指令都应用到正则表达式；
-
爬虫，爬虫网页，利用正则表达式提取相关信息；
-
编制自己的语言，在构建抽象语法树时就要用到正则表达式。
在Java中的使用
-
String.split("正则表达式") -
Java中的正则表达式在默认情况下单行模式，即不管字符串中有没有换行，Java中只认为是一行的，Java中提供参数Pattern.MULTILINE来修改为多行模式。
Pattern pattern = Pattern.compile("^def$",Pattern.MULTILINE); -
关于分组，将整个表达式的匹配结果当做第0个分组，第一个分组用group(1)获取，第i个分组用group(i)获取
-
具体代码详解github代码
