正则表达式

正则表达式：是强大、便捷和高效的文本处理工具。

正则表达式如同一门编程语言的通用模式表示法。赋予使用者描述和分析文本的能力，能够添加、删除、分离、叠加、插入和修整各种类型的文本和数据。

完整的正则表达式由两种字符组成：特殊字符（称为元字符）和普通文本字符。

「^」：代表一行的开始。如「^cat」匹配以c作为一行的第一个字符，紧接一个a，再紧接一个t的文本。

「$」：代表一行的结束。「cat$」与「^cat」同理。

「^」和「$」通常匹配的不是逻辑行的开头和结尾，而是整个字符串的开头和结尾。

字符组

「[…]」：字符组，它容许使用者列出在某处期望匹配的字符。如「gr[ea]y」匹配grey或gray。

在字符组内部，字符组元字符‘-’表示一个范围。如「[0-9]」匹配数字。

只有在字符组内部并且不在字符组的开头，连字符才是元字符，否则它就是一个普通的连字符号。同样，问号和点号等通常被当作元字符处理，但在字符组中则不是如此，如「[0-9A-Z_!.?]」里面真正的元字符只有那两个连字符。

排除型字符组

用「^…」取代「…」，这个字符组就会匹配任何未列出的字符。如：「[^1-6]」匹配除了1到6以外的任何字符。

在字符组外部^表示一个行锚点，但在字符组内部而且必须是在字符组的第一个方括号之后，它就是一个元字符。

排除型字符组表示“匹配一个未列出的字符”，而不是“不要匹配列出的字符”

用点号匹配任意字符

元字符「.」是用来匹配任意字符的字符组的简便写法。如我们需要匹配03/19/76、03-19-76、或03.19.76。可以用「03[-/.]19[-./]76」来匹配，也可以尝试「03.19.76」来匹配。但用「03.19.76」来匹配可能出现不期望的结果，如03419076也可以匹配到。

通常在支持Unicode的系统中，「.」不能匹配换行符。

多选结构

「|」是一个简捷的元字符，它的意思是“或”。依靠它，我们可以把不同的子表达式组合成一个总表达式，而这个总表达式可以匹配任意的子表达式。

如「Bob」和「Rebert」是两个表达式，但「Bob|Rebert」就是能够同时匹配其中任意一个的正则表达式，在这样组合中，子表达式称为“多选分支”。

前面所讲的「gr[ea]y」也可以写做「grey|gray」或者「gr(e|a)y」，括号用来划定多选结构的范围。

多选结构的优先级很低，如「this and|or that」等价于「(this and)|(or that)」，而不是「this (and|or) that」。

多选结构将会从左到右测试每个条件，如果满足了某个多选条件，就不会去管其它的条件了。

一个字符组只能匹配目标文本中的单个字符，而每个多选结构可以匹配任意长度的文本。多选结构没有排除功能。

单词分界符

元字符序列「\<」和「\>」，可以使用它们来匹配单词分界的位置。如「\<cat\>」就可以匹配cat这个单词。

「<」和「>」本身不是元字符，只有当它们与斜杠结合起来的时候，整个序列才具有特殊意义。

注意：并不是所有的流派都支持单词分隔符。

可选项元素

元字符「?」代表可选项，把它加在一个字符的后面，就表示此处允许出现这个字符。

如需匹配color或colour则可以用「colou?r」来匹配。这里的「u?」元字符只作用于之前紧邻的元素。「?」也可以作用于括号，因为括号内的元素是一个整体。

其他量词：重复出现

「+」表示之前紧邻的元素出现一次或多次。

「*」表示之前紧邻的元素出现零次或多次。

问号、加号和星号这3个元字符统称为量词，因为它们限定了所作用元素的匹配次数。

规定重现次数的范围：区间

某些工具能够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。如「…{3,12}」允许的重现次数在3到12之间。如果只设置了一个数值，那么匹配的次数就等于这个值。

括号及反向应用

在许多流派的正则表达式中，括号能够记住它们包含的子表达式匹配的文本。

如在「\<([A-Za-z]+) +\1\>」中「\1」就能记住括号中的匹配到的单词。当然在表达式中可以使用多个括号。在使用「\1」「\2」「\3」来表示第一、第二和第三组括号。

神奇的转义

反斜线称为“转义符”，它作用的元字符会失去特殊含义，成为普通字符。但在字符组内无效。

如果反斜线后紧跟的不是元字符，反斜线的意义就依程序的版本而定。

总结前面见到的元字符

请务必理解以下几点：

1．各个流派程序有差别，它们支持的元字符，以及这些元字符的确切含义通常都有差别。

2．使用括号的3个理由：限制多选结构、分组和捕获文本。

3．字符组的特殊性在于，关于元字符是完全独立于正则表达式语言“主体”的。

4．多选结构和字符组是截然不同的，它们的功能完全相同，只是在有限的情况下，它们的表现不同。

5．排除性字符组仍需要匹配一个字符，只是列出的字符都会排除，所以最终匹配的字符肯定不再列出的字符之内。

6．转义有2种情况：

（a）反斜杠加上元字符，表示匹配元字符的所有普通字符。

（b）反斜杠加上非元字符，组成一个由具体实现方式规定其意义的元字符序列。

7．由星号和问号限定的对象即使什么字符都不能匹配，但它们仍然会匹配成功。

非捕获型括号

一些正则表达式流派提供了「(?:…)」来表示只分组不捕获。这里的问号和表示“可选项”没有任何联系。

用「\s」匹配所有“空白”

「\s」表示所有的“空白字符”的字符组，其中包括空格符、制表符、换行符和回车符。

环视结构

大的数值，如果在其间加入逗号，会更容易看懂。如“123456789”和“123,456,789”。

环视结构不匹配任何字符，只匹配文本中的特定位置。这一点与「\b」、「^」和「$」相似，但环视更加通用。

肯定顺序环视（从左到右）查看文本。顺序环视用「(?=…)」来表示，如「(?=\d)」，它表示如果当前位置右边的字符是一个数字则匹配成功。「\d」表示匹配所有的数字字符，与「[0-9]」相同。

肯定逆序环视（从右向左）查看文本。逆序环视用「(?<=…)」来表示，如「(?<=\d)」，它表示如果当前位置左边的字符是一个数字则匹配成功。

环视在检查子表达式匹配的过程中，它们本身不会占用任何文本。如有这样一个字符串：“by Jeffery Friedl”，我们使用「(?=Jeffery)」，则匹配的是紧挨Jeffery前面的那个位置（也就是J前面的位置）。而使用「(?<=Jeffery)」，则匹配的是紧挨Jeffery后面的那个位置（也就是y后面的位置）。

现在就来解决大数值的问题，其思路是：找出左边有数字，右边数字的个数正好是3的倍数的位置，然后将其替换成‘,’即可。我们用「(?<=\d)(?=(?:\d\d\d)+$)」来找出上述的位置。

以上成功的条件是子表达式在这些位置能够匹配，那如果子表达式无法匹配呢？

正则表达式还提供了相应的否定顺序环视和否定逆序环视。见下图：

如果有“123456789 abc”这样一个字符串，我们使用上述解决大数值的表达式就不行了，但我们可以使用「(?<=\d)(?=(?:\d\d\d)+(?!\d))」就可以解决了。

在某些流派中，它们并不支持「\b」、「\<」和「\>」这样的单词分界符，而单词分界符的意思是：一侧是「\w」(包含大小写英文字母和数字，与「[a-zA-Z0-9]」相同)，另一侧不是「\w」。我们就可以用「(?<!\w)(?=\w)」来替代「\<」，用「(?<=\w)(?!\w)」来替代「\>」，将两者结合起来「(?<!\w)(?=\w)|(?<=\w)(?!\w)」就可以替代「\b」。

忽略大小写的匹配

可以用「(?i)」来开启不区分大小写的匹配，用「(?-i)」来停用该匹配。也有的流派支持「(?i:…)」和「(?-i:…)」来启用或停用对括号内的子表达式进行不区分大小写匹配的功能。

文字文本范围

「\Q…\E」它会消除「\Q」到「\E」之间的所有元素的特殊含义（如果没有「\E」，就会一直作用到正则表达式的末端）。其间的所有字符都会被当成普通文字文本对待。如有一个字符串“C:\WINDOWS\”，我们用正则表达式「C:\WINDOWS\」来进行匹配，结果报错，因为「C:\WINDOWS\」不是一个合法的正则表达式，可以用「\QC:\WINDOWS\\E」来解决。

固化分组

固化分组「(?>…)」就是一旦括号内的子表达式匹配之后，匹配的内容就固定下来，在接下来的匹配过程中不会变化，除非整个固化分组的括号都被废弃。看下面的例子：

「i.*!」能够匹配“iHola!”，但如果「.*」在固化分组「i(?>.*)!」中就无法匹配。

在这两种情况下，「.*」首先会尽可能匹配更多的内容，但在后面的「!」会强迫「.*」释放之前匹配的某些内容（最后面的“i”），可「.*」在固化分组中，它永远也不会“交还”已经匹配的任何内容。

忽略优先量词

「*?」、「+?」、「??」、「{min,max}?」这些都是忽略优先量词。量词在通常情况下都是匹配优先的，匹配尽可能多的内容。相反，这些忽略优先的量词会匹配尽可能少的内容。

占有优先量词

「*+」、「++」、「?+」、「{min,max}+」这些都是占有优先量词。占有优先量词与普通优先量词一样，不过它们一旦匹配某些内容，就不会“交还”，类似与固化分组。

Java中的正则处理

Java中与正则表达式息息相关的两个类是位于java.util.regex包下的Pattern和Matcher。如下程序：

Pattern pattern = Pattern.compile("(regex)",Pattern.CASE_INSENSITIVE);// 1

Matcher matcher = pattern.matcher("text"); // 2

while (matcher.find()) // 3

{

String s = matcher.group(1); // 4

System.out.println(s);

}

1：检查正则表达式，将它编译为不区分大小写匹配的形式，得到一个Pattern对象。

2：将它与欲匹配的文本关联起来，得到一个Matcher对象。

3：应用这个正则表达式，检查是否存在匹配，并返回结果。

4：如果存在匹配，提取第一个捕获括号内的文本。

java.util.regex包中的字符组能够进行完整的集合运算（并、减、交）。

OR（并集）容许用户以字符组方式在字符组内添加字符，如「[abcxyz]」 也可以表示为「[[abc][xyz]]」、「[abc[xyz]]」或「[abc]xyz」等。OR用来把多个集合合并为新的集合。

AND（交集）对两个集合进行“与”运算，只保留同时属于两个字符组的字符。如「a-z&&[aeIoU]」匹配的就是小写的元音字母。

表达式「a-z&&[^aeIoU]」匹配小写非元音字母。

匹配原理

1．优先选择最左端（最靠前头）的匹配结果。

2．标准的匹配量词是匹配优先的。

优先选择最左端（最靠前头）的匹配结果：匹配先从需要查找的字符串的起始位置尝试匹配，如果在当前位置测试了所有的可能之后不能找到匹配结果，就从字符串的第二个字符之前的位置开始重新尝试匹配，依此类推，直到字符串的最后一个字符还没有找到匹配结果，报告匹配失败。如果能够匹配成功，引擎停下来，报告匹配结果。

标准的匹配量词是匹配优先的：标准量词的匹配结果并非所有可能中最长的，但它们总是尝试匹配尽可能多的字符，直到匹配上限为止。

传动装置的主要功能：驱动

如果引擎不能在字符串开始位置找到匹配结果，传动装置就会推动引擎，从字符串的下一个位置开始尝试，如此继续。

正则引擎分类

正则引擎可以粗略分为3类：DFA引擎，传统型NFA和POSIX NFA。

引擎的构造

正则引擎中的组件分为文字字符、量词、字符组、括号等等。这些组件的组合方式决定了引擎的特性。

文本文字：尝试匹配需要考虑的是这个字符与当前尝试的字符相同吗？

字符组、点号。Unicode属性及其他：无论字符组的长度是多少，它都只能匹配一个字符。

捕获型括号：用于捕获文本的括号（不是用于分组的括号）不会影响匹配的过程。

锚点：锚点分为简单锚点和复杂锚点。简单锚点（如「^」、「$」「\b」等）是检查目标字符串中的特定位置，而复杂锚点（如环视）能包含任意复杂的子表达式，可以任意复杂。

NFA引擎：表达式主导

如果这种尝试失败，引擎会尝试另一种可能，如此继续下去，直到匹配成功或是失败，表达式中的控制权在不同元素之间转换，我们称之为“表达式主导”。

DFA引擎：文本主导

与表达式主导的NFA不同，DFA引擎在扫描字符串时，会记录“当前有效”的所有匹配可能。引擎移动时，它会在当前处理的匹配可能中添加一个潜在的可能，接下来扫描的每个字符，都会更新当前的可能匹配序列，扫描的字符串中的每个字符都对引擎进行了控制，我们称这种方式为“文本主导”。

比较NFA和DFA

一般情况下，文本主导的DFA引擎要快些。正则表达式主导的NFA引擎，因为需要对同样的文本尝试不同的子表达式匹配，会浪费一些时间。

DFA引擎对目标文本中的每个字符只会检查一遍，对于一个已经匹配的字符，你无法知道它是否属于最终匹配，因为引擎同时记录了所有的匹配，这个字符只需要检测一次。

因为NFA是表达式主导的，那么调校好一个表达式能够带来许多收益，调校不好则会带来严重后果。

回溯

回溯是NFA引擎中最重要的性质，它会一次处理各个子表达式或组成元素，遇到需要在两个可能成功的选择时，它会选择其一，同时记住另一个，以备后面的需要。

回溯就像是在每个分岔口留下一些面包屑，如果走了死路，就原路返回，直到找到出路或走完所有的路。

回溯的两个要点：

1．面对众多选择时，哪个分支应当首先选择？

如果需要在“进行尝试”和“跳过尝试”之间选择，对于匹配优先量词，引擎会优先选择“进行尝试”，而对于忽略优先量词，会选择“跳过尝试”。

2．回溯进行时，应该选取哪个保存的状态？

距离当前最近储存的选项就是强制回溯时返回的。使用的是先进后出的原则。