正则基础与细节回顾

2018-01-18 本文已影响4434人 superxjhw

行的开始和结束

元素组成部分：metacharacters & literal （元字符和普通字符）。
^：一行的开头。
$：一行的结束。
^cat$：行开头, 然后匹配cat, 行结尾(没有多余的单词、空白字符 )。
^$：空行（没有任何字符，包括空白字符）。
^：行开头。

字符组

[···]：中括号内部列出期望匹配的字符。
[123456]：匹配1到6，里面匹配是或的意思。
[1-6]：同样匹配1-6，其中的-是字符组元字符（在字符组内部-->字符组元字符）。

注意：只在字符组内部且不是第一个元素，连字符才是元字符，否则它就只能普通的连字符号。

排除型字符组

用[^123]取代[123]，代表除了123以外的其他元素，其中的^代表排除的意思。
q[^u]是匹配字母q后不是u的情况，但是我们要考虑到一些问题，就是q可能是大写的Q，所以建议我们直接用[Qq][^u]。还有就是q正好位于行尾，紧跟着的会是换行符，如果正则没有保留换行符，那么q之后就没有元素，同样匹配不到（一个字符组，就算是排除型字符组，也需要匹配一个字符）。
[^x]：匹配一个不是x的字符，而不是说，只有当这个位置不是x时才能匹配（刚刚说的正好在行尾的情况）。

注意：这里的^{表示排除之意，与之前在字符组外部表示行锚点的}不同，这里的^是一个元字符（在字符组内部且紧跟首个方括号之后）。

点符号匹配任意字符

.：匹配任意字符
比如03/19/76，03-19-76，03.19.76，要匹配这些，我们不嫌麻烦可以这样 03[-./]19[-./]76，其实可以简单这样匹配 03.19.76。但是这样还会出现问题，他甚至会匹配到03319 76，这一点上显然没有前者精确，这就需要我们在检索精确度和文档了解度之前权衡。其实可以通过转义字符把元字符转化为普通的字符，从而更精确的匹配，后文会讲到。

注意：点符号并不是元字符，因为它在字符组内部。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-同样不是连字符，因为它虽然位于字符组内，但是是在首个元素位置。

如果这样写[.-/]，那就代表元字符了，用来表示范围，但是这样写明显是错误的用法。

多选结构

|：元字符，或的意思。依靠该字符可以把任意的正则表达式组合成一个总的表达式，并且总表达式可以匹配其中的任意子表达式。
例如gr[ea]y可以写作grey|gray或gr(e|a)y，其中括号用来划定多选结构的范围（正常情况下，括号也是元字符）。

注意：gr[e|a]y不符合我们的要求，因为在这里|只是一个普通字符。

在这里，gr[ea]y和gr(e|a)y表示的意思一样，不要认为多选结构和字符组一样，一个字符组只能匹配目标文本中的单个字符，但是多选结构自身都可以是完整的正则表达式，都可以匹配任意长度的文本。

还有一点需要注意，就是多选结构和^和$一起使用的时候。

^From|Subject|Data:*：匹配的是^From，Subject，Data:*。
^(From|Subject|Data):*：匹配一行的起始位置，然后是From，Subject，Data任意一个，最后匹配:*。

忽略大小写

egrep命令中加入-i参数即可，比如我们不对From区分大小写，那总不能这样写[Ff][Rr][Oo][Mm]，这样显然繁琐，只需要忽略大小写即可。

单词分界符

\<和\>：单词分界符，匹配单词分界的位置。由于单个<和>并不是元字符，因此类似这种称为metasequences(元字符序列)。
下图所示，单词开头位置用向上的箭头标识，单词结束的位置用向下的箭头标识。
单词的起始和结束位置

小结

我们总结一下到目前为止学到的元字符

元字符	名称	匹配对象
.	逗号	单个任意字符
[···]	字符组	列出的任意字符
[^···]	排除型字符组	未列出的任意字符
^	脱字符	行的起始位置
$	美元符	行的结束位置
<	反斜杠-小于	单词的起始位置（某些版本的egrep可能不支持）
\>	反斜杠-大于	单词的结束位置（某些版本的egrep可能不支持）
\|	竖线	匹配分隔两边的任意一个表达式
(···)	括号	限制竖线的作用范围，其他功能下文论述

可选元素

x?：代表x元素可有可无，不会匹配失败。
colou?r：匹配color或则colour。
假如匹配英语中的7月4日（July fourth），7可以是July，也可以简写为Jul，4可以是fourth、4th和4。我们可以使用(July;Jul) (fourth;4th;4)也可以使用July? (fourth|4(th)?)

其他量词：重复出现

+：之前紧邻的元素出现一次或多次，如果连一次都没有匹配成功，就匹配失败。
*：前紧邻的元素出现任意多次或不出现，和？一样，不会匹配失败。
像?、+、*这些统称为量词，因为他们限定了所作用元素的匹配次数。

表示重复的元字符总结

--	次数下限	次数上限	含义
？	无	1	可以不出现，也可以只出现一次（单次可选）
*	无	无	可以出现无数次，也可以不出现（任意次数均可）
+	1	无	可以可以出现无数次，但至少要出现一次（至少一次）

规定重现次数的范围：区间

···{min,max}：区间量词。问号对应的区间量词是{0,1}。
[a-zA-z]{1,5}：匹配美国的股票代码（1到5个字母）。
当然并不是所有的egrep都支持。

括号及反向引用

到目前为止，我们见识过括号的两种用途：限制多项式的范围；将如干个字符组合为一个单元，受问号和星号之类量词的作用。现在介绍另外一种用途，反向引用。比如我们匹配重复的单词，使用the the，这样可能还是会匹配到the theory这种，其实使用\<the the\>倒是可以解决这个问题。但是重复单词就不止这一个，穷举显示不现实。于是我们想着匹配所有重复单词，首先匹配一个单词，让后面匹配的单词和先前匹配同样的单词即可。

\<([A-Za-z]+) +\1\>：匹配重复单词（记得加上-i参数忽略大小写），其中第一个单词使用括号括起来，再跟上一个特殊的元字符序列\1。

当然，在一个表达式中我们可以使用多个括号。\1、\2、\3等来表示第一、第二、第三组括号匹配的文本。括号是按照开括号(从左至右的出现顺序进行的，所以([a-z])([0-9])\1\2中的\1代表[a-z]匹配的内容，而\2代表[0-9]匹配的内容。

另外，该表达式虽然很有用，但是，我们要知道它的局限性，重复的单词第一个位于某行末尾，第二个在下一行的开头，这个表达式就无法找到。

转义

ega\.att\.com：匹配ega.att.com，把本来是元字符的.转化为普通字符。
$[a-zA-Z]+$：用来匹配一个括号内的单词。