分组

正则表达式中有一种使用括号（）的功能，叫分组。如果用量词限定出现次数的元素不是字符或者字符组，而是几个字符甚至表达式，就应该用括号将它们“分为一组”。比如，希望字符串ab重复出现一次一以，就应该写作(ab)+，此时(ab)成为一个整体，由量词+来限定；如果不用括号而直接写ab+，受+限定的就只有b。示例：

//用括号改变量词的作用
Stringtext="abab";
Patternp=Pattern.compile("(ab){1,}");
Matcherm=p.matcher(text);
System.out.println(m.matches());

多选结构

多选结构的形式是（...|...），在括号内以竖线 | 分隔开多个子表达式，这些子表达式也叫多选分支（option）；在一个多选结构内，多选分支的数目没有限制。在匹配时，整个多选结构被视为单个元素，只要其中某个子表达式能够匹配，整个多选结构的匹配就成功；如果所有子表达式都不能匹配，则整个多选结构匹配失败。示例：

//用多选结构匹配身份证号码
Stringtext="110101198001017016";
Patternp=Pattern.compile("([1-9]\\d{14}|[1-9]\\d{14}\\d{2}[0-9x])");
Matcherm=p.matcher(text);
System.out.println(m.matches());

关于多选结构，还要补充三点：

第一，多选结构的一般表示法是 (option1 ｜option2)（其中option1和option2是两个作为多选分支的正则表达式），多选结构中一般会同时使用括号()和竖线|；但是如果没有括号()，只出现竖线 |，仍然是多选结构。因为竖线|的优先级很低，在不使用()时，要特别注意。如 ^ab|cd其实是(^ab|cd)，而不是^(ab|cd)。我们推荐使用括号()。

第二，多选分支并不等于字符组。多选分支看起来类似字符组，如[abc]能匹配的字符串和(a|b|c)一样。从理论上说，可以完全用多选结构来替换字符组，但这种做法不推荐。

第三，多选分支的排列是有讲究的。比如这个表达式(jeff|jeffrey)，用它匹配jeffrey，结果到底是jeff还是jeffrey呢？这个问题并没有标准的答案。在java中，多选结构都会优先选择最左侧的分支。如例：

//多选结构的匹配顺序
Stringtext="jeffrey";
Patternp=Pattern.compile("(jeff|jeffrey)");
Matcherm=p.matcher(text);
if(m.find()){
System.out.println(m.group());//jeff
}

引用分组

括号不仅仅能把有联系的元素归扰起来并分组，还有其他的作用——使用括号之后，正则表达式会保存每个分组真正匹配的文本，等到匹配完成后，通过group(num)之类的方法“引用”分组在匹配时捕获的内容。其中，num表示对应括号的编号，括号分组的编号规则是从左向右计数，从1开始。因为“捕获”了文本，所以这种功能叫做捕获分组（capturing group）。对应的，这种括号叫做捕获型括号。

举个例子，我们经常遇到诸如 2010-12-22，2011-01-03 这类表示日期的字符串，希望从中提取出年，月，日之类的信息，就可以借助捕获分组来实现，如例：

//引用捕获分组
Stringtext="2015-01-22";
Patternp=Pattern.compile("(\\d{4})-(\\d{2})-(\\d{2})");
Matcherm=p.matcher(text);
while(m.find()){
System.out.println(m.group());
System.out.println(m.group(1));
System.out.println(m.group(2));
System.out.println(m.group(3));
}

前面说过，num的编号从1开始。不过，也有编号为0的分组，它是默认存在的，对应整个表达式匹配的文本。在许多语言中，如果调用group()方法，不给出参数num，默认就等于调用group(0)，比如Java。

有些正则表达式里可能包含嵌套的括号，比如：((\d{4})-(\d{2})-(\d{2}))，除了能单独提取出年，月，日之外，再给整个表达式加上一重括号，就出现了嵌套括号，这时候括号的编号是怎样的呢？答案很简单：无论括号如何嵌套，分组的编号都是根据开括号出现顺序来计数的；开括号是从左向右数起第多少个开括号，整个括号分组的编号就是多少。只要记往：分组编号只取决于开括号出现的顺序。

反向引用：英文的不少单词中都有重叠出现的字母，比如shoot或beep，如果希望检查某个单词是否包含重叠出现的字母，该怎么办呢？这个问题有点复杂。“重叠出现”的字母，取决于第一个匹配结果，而不能预先设定。也就是说必须“知道”之前匹配的确切内容：如果前面匹配的是e，后面就只能匹配e；如果前面的匹配是o，后面就只能匹配o。

前面我们看到了引用分组，能引用某个分组内的子表达式匹配的文本，但引用都是在匹配完成后进行的，能不能在正则表达式中引用呢？答案是可以的，这种功能被称作反向引用（back-reference），它允许在正则表达式内部引用之前的捕获分组匹配的文本（也就是左侧），其形式也是 \num，其中 num 表示所引用分组的编号，编号规则与之前介绍的相同。

根据反向引用，查找连续重叠字母的表达式就是 ([a-z])\1，其中[a-z]匹配第一个字母，再用括号将匹配分组，然后用 \1 来反向引用，示例如下：

//反向引用
Stringtext="fooot";
Patternp=Pattern.compile("[a-z](([a-z])\\2\\2)[a-z]");
Matcherm=p.matcher(text);
while(m.find()){
System.out.println(m.group());//fooot
System.out.println(m.group(1));//ooo
}

关于反向引用，还有一点需要强调：反向引用重复的是对应捕获分组匹配的文本，而不是之前的表达式；也就是说，反向引用的是由之前表达式决定的具体文本，而不是符合某种规则的未知文本。这一点，新手常犯错误。

各种引用的记法：根据前面的介绍，对分组的引用可能出现在三种场合：在匹配完成后，用group(num)之类的方法提取数据； 在进行正则表达式替换时，用 $num 引用；在正则表达式内部，用 \num 引用。不过，这只是Java语言中的规定，事情并不总是如此。下表中总结了各种常用语言中的两类记法：

无论是 \num 还是 $num，都有可能遇到二义性的问题：如果出现了 \10 （或者$10），它到底表示第10个捕获分组 \10，还是第1个捕获分组 \1 之后跟着一个字符0？比如Java对\num中的num是这样规定的：如果是一位数，则引用对应的捕获分组；如果是两位数且存在对应捕获分组时，引用对应的捕获分组，如果不存在对应的捕获分组，则引用一位数编号的捕获分组。也就是说，如果确实存在编号为10的捕获分组，则\10引用此捕获分组匹配的文本；否则，\10表示“第1个捕获分组匹配的文本”和“字符0”。替换中的反向引用示例：

//替换中的反向引用
Stringtext="abcdef45678ghijkl";
Patternp=Pattern.compile("([a-z]{2})([a-z]{2})([a-z]{2})");
Matcherm=p.matcher(text);
StringBuffersb=newStringBuffer();
while(m.find()){
/*
*将当前匹配子串(如：abcdef)替换为指定字符串($2，第二个捕获分组)，
*并且将替换后的子串(如：cd)以及其之前到上次匹配子串之后的字符串(5678)
*添加到一个StringBuffer对象里
*/
m.appendReplacement(sb,"$2");//反向引用第2个捕获分组
}
//将最后一次匹配工作后剩余的字符串添加到一个StringBuffer对象里
m.appendTail(sb);
System.out.println(sb.toString());//替换后的结果：cd45678ij

命名分组： 捕获分组通常用数字编号来标识，但这样有几个问题：数字编号不够直观，虽然规则是“从左向右按照开括号出现的顺序计数”，但括号多了难免混淆；引用时也不够方便。为了解决这类问题，一些语言和工具提供了命名分组，可以将它看做另一种捕获分组，但是标识是容易记忆和辨别的名字，而不是数字编号。

值得注意的是，命名分组不是目前通行的功能，不同语言的记法也不同，下表总结了目前常见的用法：

注：Java5和Java6都不支持命名分组，Java7开始支持命名分组，其记法与.NET相同。我用JDK8开发的示例：

//命名分组示例
Stringtext="abcdef45678ghijkl";
Patternp=Pattern.compile("(?<M1>[a-z]{2})(?<M2>[a-z]{2})(?<M3>[a-z]{2})");
Matcherm=p.matcher(text);
StringBuffersb=newStringBuffer();
while(m.find()){
/*
*将当前匹配子串(如：abcdef)替换为指定字符串(${M1}，捕获分组M1)，
*并且将替换后的子串(如：cd)以及其之前到上次匹配子串之后的字符串(5678)
*添加到一个StringBuffer对象里
*/
m.appendReplacement(sb,"${M1}");//反向引用捕获分组M1
}
//将最后一次匹配工作后剩余的字符串添加到一个StringBuffer对象里
m.appendTail(sb);
System.out.println(sb.toString());//替换后的结果：ab45678gh

非捕获分组

目前为止，总共介绍了括号的三种用途：分组，将相关的元素归拢到一起，构成单个元素；多选结构，规定可能出现的多个子表达式；引用分组，将子表达式匹配的文本存储起来，供之后引用。这三种用途并不是彼此独立的，而是互相重叠的：单纯的分组可以视为“只包含一个多选分支的多选结构”；整个多选结构也会被视为单个元素，可以由单个量词限定。最重要的是，无论是否需要引用分组，只要出现了括号，正则表达式在匹配时就会把括号内的子表达式存储起来，提供引用。如果并不需要引用，保存这些信息无疑会影响正则表达式的性能；如果表达式比较复杂，要处理的文本又很多，更可能严重影响性能。

为了解决这种问题，正则表达式提供了非捕获分组（non-capturing group），非捕获分组类似普通的捕获分组，只是在开括号后紧跟一个问号和冒号（?:），这样的括号叫做非捕获型括号，它只能限定量词的作用范围，不捕获任何文本。在引用分组时，分组的编号同样会按开括号出现的顺序从左到右递增，只是必须以捕获分组为准，非捕获分组会略过，如下示例：

//非捕获分组的使用
Stringtext="abcdef45678ghijkl";
//这里使用了非捕获分组
Patternp=Pattern.compile("(?:[a-z]{2})([a-z]{2})([a-z]{2})");
Matcherm=p.matcher(text);
while(m.find()){
System.out.println(m.group());
System.out.println(m.group(1));//ab与gh都未捕获
}

非捕获分组不需要保存匹配的文本，整个表达式的效率也因此提高，但是看起来不如捕获分组美观，所以很多人不习惯这种记法。不过，如果只需要使用括号的分组或者多选结构的功能，而没有用到引用分组，则应当尽量使用非捕获型括号。

补充：转义

之前讲到，如果元字符是单个出现的，直接添加反斜线字符转义即可转义，所以 *，+，? 的转义形式分别是 \*，\+，\? 。如果元字符是成对出现的，则有可能只对第一个字符转义，比如 {6} 和 [a-z]的转义分别是 \{6} 和 \[a-z] 。括号的转义与它们都不同，与括号有关的所有三个元字符 （，）,｜ 都必须转义。因为括号非常重要，所以无论是开括号还是闭括号，只要出现，正则表达式就会尝试寻找整个括号，如果只转义了开括号而没有转义闭括号，一般会报告“括号不匹配”的错误。另一方面，多选结构中的 ｜也必须转义（多选结构可以不用括号只出现｜），所以，也不要忘记对 |的转义。