正则表达式学习参考
原文地址:http://www.jb51.cc/article/p-pulwwgjk-ry.html
1 概述
正则表达式(Regular Expression)是一种匹配模式，描述的是一串文本的特征。
正如自然语言中“高大”、“坚固”等词语抽象出来描述事物特征一样，正则表达式就是字符的高度抽象，用来描述字符串的特征。
正则表达式（以下简称正则，Regex）通常不独立存在，各种编程语言和工具作为宿主语言提供对正则的支持，并根据自身语言的特点，进行一定的剪裁或扩展。
正则入门很容易，有限的语法规则很容易掌握，但是目前正则的普及率并不高，主要是因为正则的流派众多，各种宿主语言提供的文档都过多的关注于自身的一些细节，而这些细节通常是初学者并不需要关注的。
当然，如果想要深入的了解正则表达式，这些细节又是必须被关注的，这是后话，让我们先从正则的基础开始，进入正则表达式的世界。
2 正则表达式基础
2.1 基本概念
2.1.1字符串组成
对于字符串“a5”，是由两个字符“a”、“5”以及三个位置组成的，这一点对于正则表达式的匹配原理理解很重要。
2.1.2占有字符和零宽度
正则表达式匹配过程中，如果子表达式匹配到的是字符内容，而非位置，并被保存到最终的匹配结果中，那么就认为这个子表达式是占有字符的；如果子表达式匹配的仅仅是位置，或者匹配的内容并不保存到最终的匹配结果中，那么就认为这个子表达式是零宽度的。
占有字符还是零宽度，是针对匹配的内容是否保存到最终的匹配结果中而言的。
占有字符是互斥的，零宽度是非互斥的。也就是一个字符，同一时间只能由一个子表达式匹配，而一个位置，却可以同时由多个零宽度的子表达式匹配。
2.1.3正则表达式构成
正则表达式由两种字符构成。一种是在正则表达式中具体特殊意义的“元字符”，另一种是普通的“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“\w”。
2.2 元字符（Meta Character）
2.2.1[…]字符组(Character Classes)
字符组可以匹配[ ]中包含的任意一个字符。虽然可以是任意一个，但只能是一个。
字符组支持由连字符“-”来表示一个范围。当“-”前后构成范围时，要求前面字符的码位小于后面字符的码位。
[^…]排除型字符组。排除型字符组表示任意一个未列出的字符，同样只能是一个。排除型字符组同样支持由连字符“-”来表示一个范围。
| 表达式 |
说明 |
| [abc] |
表示“a”或“bc” |
| [0-9] |
表示0~9中任意一个数字，等价于[0123456789] |
| [\u4e00-\u9fa5] |
表示任意一个汉字 |
| [^a1<] |
表示除“”、“1<”外的其它任意一个字符 |
| [^a-z] |
表示除小写字母外的任意一个字符 |
举例：
“[0-9][0-9]”在匹配“Windows 2003”时，匹配成功，匹配的结果为“20”。
[^inW]”在匹配“Windows 2003”时，匹配成功，匹配的结果为“d”。
2.2.2常见字符范围缩写
对于一些常用的字符范围，如数字等，由于非常常用，即使使用[0-9]这样的字符组仍显得麻烦，所以定义了一些元字符，来表示常见的字符范围。
| 任意一个数字，相当于[0-9]，即中的任意一个 |
|
| \w |
任意一个字母或数字或下划线，相当于[a-zA-Z0-9_] |
| \s |
任意空白字符，相当于[ \r\n\f\t\v] |
| \D |
任意一个非数字字符，\d取反，相当于[^0-9] |
| \W |
\w[^a-zA-Z0-9_] |
| \S |
任意非空白字符，\s[^ \r\n\f\t\v] |
\w\s\d”在匹配“Windows 2003”时，匹配成功，匹配的结果为“s 2”。
2.2.3.小数点
小数点可以匹配除“\n”以外的任意一个字符。如果要匹配包括“\n”在内的所有字符，一般用[\s\S]，或者是用“.”加(?s)匹配模式来实现。
| 匹配除了换行符\n以外的任意一个字符 |
2.2.4其它元字符
| 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 |
| \b |
匹配单词边界，不匹配任何字符 |
^a”在匹配“cba”时，匹配失败，因为表达式要求开始位置后面是字符“a”，而“cba”显然是不满足的。
\d$”在匹配“123”时，匹配成功，匹配结果为“3”，这个表达式要求匹配结尾处的数字，如果结尾处不是数字，如“123abc”，则是匹配失败的。
("\b":表达式 "\bend\b" 在匹配 "weekend,endfor,end" 时，匹配结果是：成功；匹配到的内容是："end"；匹配到的位置是：开始于15，结束于18)
2.2.5转义字符
一些不可见字符，或是在正则中具有特殊意义的元字符，如想匹配字符本身，需要用“\”对其进行转义。
| 回车和换行 |
|
| \\ |
匹配“\”本身 |
| \^\$\. |
分别匹配“^$”和“.” |
以下字符在匹配其本身时，通常需要进行转义。在实际应用中，根据具体情况，需要转义的字符可能不止如下所列字符
.$^{[(|)*+?\
2.2.6量词（Quantifier）
量词表示一个子表达式可以匹配的次数。量词可以用来修饰一个字符、字符组，或是用()括起来的子表达式。一些常用的量词被定义成独立的元字符。
| 举例 | |||
| {m} |
表达式匹配m次 |
“\d{3}”相当于“\d\d\d” (abc){2}abcabc{m,n} |
表达式匹配最少次，最多n\d{2,3}”可以匹配“12321”等2到3位的数字 |
| 表达式至少匹配[a-z]{8,}”表示至少8位以上的字母 |
|||
| ? |
0次或次，相当于{0,1} |
ab?ab* |
次或任意多次，相当于<[^>]*>”中“[^>]*”表示个或任意多个不是“>”的字符 |
| + |
次或意多次，至少{1,60)">\d\s+\d”表示两个数字中间，至少有一个以上的空白字符 |
注意：在不是动态生成的正则表达式中，不要出现“{1}”这样的量词，如“\w{1}”在结果上等价于“\w”，但是会降低匹配效率和可读性，属于画蛇添足的做法。
2.2.7 贪婪和非贪婪
贪婪：尽可能多的匹配
非贪婪：最小限度的再匹配一些
如：
（贪婪式）a(\w+)a: 匹配" abcdcbabcda12342" 中"abcdcbabcda",从第一个'a',到最后一个 'a'
（非贪婪）a(\w+?)a: 则是"abcdcba"
2.2.8分支结构（Alternation）
当一个字符串的某一子串具有多种可能时，采用分支结构来匹配，“|”表示多个子表达式之间“或”的关系，“|”是以()限定范围的，如果在“|”的左右两侧没有()来限定范围，那么它的作用范围即为“|”左右两侧整体。
| 多个子表达式之间取“或”的关系 |
^aa|b$”在匹配“cccb”时，是可以匹配成功的，匹配的结果是“b”，因为这个表达式表示匹配“^aa”或“b$”，而“b$”在匹配“cccb”时是可以匹配成功的。
^(aa|b)$”在区配“cccb”时，是匹配失败的，因为这个表达式表示在“开始”和“结束”位置之间只能是“aa”或“b”，而“cccb”显然是不满足的。
3 正则表达式进阶
3.1 捕获组（Capture Group）
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或手动命名的组里，以供后面引用。
| 普通捕获组，将子表达式Expression匹配的内容保存到以数字编号的组里 |
|
| (?<name> Expression) |
命名捕获组，将子表达式匹配的内容保存到以name命名的组里 |
普通捕获组（在不产生歧义的情况下，简称捕获组）是以数字进行编号的，编号规则是以“(”从左到右出现的顺序，从1开始进行编号。通常情况下，编号为0的组表示整个表达式匹配的内容。
命名捕获组可以通过捕获组名，而不是序号对捕获内容进行引用，提供了更便捷的引用方式，不用关注捕获组的序号，也不用担心表达式部分变更会导致引用错误的捕获组。
3.2 非捕获组
一些表达式中，不得不使用( )，但又不需要保存( )中子表达式匹配的内容，这时可以用非捕获组来抵消使用( )带来的副作用。
3.3 反向引用
捕获组匹配的内容，可以在正则表达式的外部程序中进行引用，也可以在表达式中进行引用，表达式中引用的方式就是反向引用。
反向引用通常用来查找重复的子串，或是限定某一子串成对出现。
| 对序号为和的捕获组的反向引用 |
|
| \k<name> |
对命名为的捕获组的反向引用 |
(a|b)\1”在匹配“abaa”时，匹配成功，匹配到的结果是“aa”。“(a|b)”在尝试匹配时，虽然既可以匹配“a”，也可以匹配“b”，但是在进行反向引用时，对应()中匹配的内容已经是固定的了。
3.4 环视（Look Around）
环视只进行子表达式的匹配，匹配内容不计入最终的匹配结果，是零宽度的。
环视按照方向划分有顺序和逆序两种，按照是否匹配有肯定和否定两种，组合起来就有四种环视。环视相当于对所在位置加了一个附加条件。
(?<=Expression)
逆序肯定环视，表示所在位置左侧能够匹配Expression
(?<!Expression)
逆序否定环视，表示所在位置左侧不能匹配(?=Expression)
顺序肯定环视，表示所在位置右侧能够匹配(?!Expression)
顺序否定环视，表示所在位置右侧不能匹配Expression
(?<=Windows )\d+”在匹配“Windows 2003”时，匹配成功，匹配结果为“2003”。我们知道“\d+”表示匹配一个以上的数字，而“(?<=Windows )”相当于一个附加条件，表示所在位置左侧必须为“Windows”，它所匹配的内容并不计入匹配结果。同样的正则在匹配“Office 2003”时，匹配失败，因为这里任意一串数字子串的左侧都不是“Windows”。
(?!1)\d+”在匹配“123”时，匹配成功，匹配的结果为“23”。“\d+”匹配一个以上数字，但是附加条件“(?!1)”要求所在位置右侧不能是“1”，所以匹配成功的位置是“2”前面的位置。
3.5 忽略优先和匹配优先
或者叫做正则表达式匹配的贪婪与非贪婪模式。
标准量词修饰的子表达式，在可匹配可不匹配的情况下，总会先尝试进行匹配，称这种方式为匹配优先，或者贪婪模式。此前介绍的一些量词，“{m}”、“{m,n}”、“{m,}”、“?”、“*”和“+”都是匹配优先的。
一些NFA正则引擎支持忽略优先量词，也就是在标准量词后加一个“?”，此时，在可匹配可不匹配的情况下，总会先忽略匹配，只有在由忽略优先量词修饰的子表达式，必须进行匹配才能使整个表达式匹配成功时，才会进行匹配，称这种方式为忽略优先，或者非贪婪模式。忽略优先量词包括“{m}?”、“{m,n}?”、“{m,}?”、“??”、“*?”和“+?”。
源字符串：<div>aaa</div><div>bbb</div>
正则表达式1：<div>.*</div>匹配结果：<div>aaa</div><div>bbb</div>
正则表达式2：<div>.*?</div>匹配结果：<div>aaa</div>
