时间2013.12.29

地点：软件大楼211

——————————————————————————————————————————

一、前言

2013年就那么可心里默数的几十个小时留下，没想默数着让它过完期待那么光明的一天，黑夜给了我黑色的眼睛，我用来寻找光明，等天明，太阳升起，若在是舞池中央最好。

这篇文章是一篇正则表达式入门级别的科普，若真的想入门，此处无门。

在材料院的设备改造项目里，我们已经用到牛逼哄哄的正则表达式，主要用于实验记录的查询，如下所示：

平时我们在文本编辑器里比如word，text等的查找与替换功能也恰是正则表达式的功劳，玩Linux的大神们应该知道grep命令，全称是Global Regular Expression Print，是一个强大的文本搜索工具，凭借正则表达式搜索文本，并把匹配行打印出来，正则表达式概念的普及正是始于此，当然这点应用只是皮毛。有些问题不深究往往被小看，有些问题深究却是死胡同，世界因为有问题才留给我们机会，不是吗？瞎闹与折腾，现在发现傻子其实最幸福，智商越高脑壳越疼，情商越高心越疼。

——————————————————————————————————————————

二、问世间正则表达式为何物，直叫人生死相许

在很多场合，我们需要查找出符合某一特定规则的字符串，这种需求有很多很多，比如Google浏览器的查找功能，在比如计算机的搜索查找功能，而正则表达式正是用于描述这一特定规则的工具。我们说某个字符串匹配某个正则表达式，即该字符串的部分满足于正则表达式给出得条件。是不是，因为这个工具，许多事情变得便捷，世界因为正则表达式而变得美丽，有阳光或许感觉到冷。

——————————————————————————————————————————

三、破门而入

我在前面说想入门，此处无门，但我说的是如果你真想入门的话此处无门。有些事就像钞票我们难以辨别真假，收到过100元假钞的同志们自我安慰下吧，学好正则表达式你的身价又涨上去了，丢100是为了明天不丢1000。

学习最好的方式是动手从例子从模仿开始，比如林平之练碧血剑谱，若只是天天在闺房里看剑谱永远都只是剑谱，编程有四境界：无意识无能力——不知道自己不知道（平民），有意识无能力——知道自己不知道（码农），有意识有能力——知道自己知道（攻城师），无意识有能力——不知道自己知道（码神）。

假设你想在你的word编辑器里查找hi的单词，可以简单地使用hi正则表达式，它由两个字符组成，前一个字符是h，后一个字符是i，但是这样做我们会把hi，himself，history，high都找出来，于是我们还可以加更多的约束，使之更严格地匹配，用 \bhi\b 可以实现，其中 \b 表示字符串的开始与结束，即词的分界，叫做元字符。这样的元字符还有很多，比如：

——————————————————————————————————————————

. （通配符，表示除换行符以外的任何字符，注意是一个字符，而不是字符串，举例 a.b——可匹配 abc a5c a6c a#c，若是ab5c ac这是不可匹配的，我们说了，只是任意一个字符对不对）

^ （匹配字符串的开头位置 举例 ^liu——可匹配liuze liuzekun

$ （匹配字符串的结尾位置 举例 $liu——可匹配 zeliu kunzeliu

结合以上两者 ^liu$ 则只能匹配以liu开始且以liu结尾的字符串了，那就是精确匹配liu本身

* （匹配零次或多次之前的部分，举例 a*b——可匹配 b ab aab aaab aaaab aaaaab

+ （匹配一次或多次之前的部分， 举例 a+b——可匹配 ab aab aaab aaaaab aaaaab 但不匹配 b ，我觉得*像是乘号，将前面部分可乘 0 次，1次，2次......都匹配，而 +像是加号，将前面部分加0次，1次，2次......都匹配，大概就是为什么 *匹配的是零次或多次前面部分，而+就是匹配一次或多次前面部分，纯属个人理解）

？ （匹配零次或一次之前的部分，举例 a?b——只可匹配 b ab 这里 ？像编程语言里的双目表达式里的?，取值有而，要么true选前者，要么false选后者，只是这不涉及真假选择，但要么有要么没有大概一样的道理。

——————————————————————————————————————————

这里先总结这么几个掌握，更多在后面有总结，有了上面这些，我们来看一个复杂的正则表达式：\bHello\b.*\bWorld\b

首先 \bHello\b ——表示匹配一个精确的 hi 字符串

再有 .* ——表示零个或多个 任意一个字符（擦，绕口了）

最后 \bWorld\b ——表示匹配一个精确的World字符串

上述联合起来就是匹配 Hello.......World 的字符串的。（......表示任意个数任意字符）

再来看一个：0\d\d-\d\d\d\d\d\d\d 匹配的是诸如 0731-6633936 等电话号码，这样写看起来看烦躁，偷懒可表示如下： 0\d{2}-\d{7} 这样看起来是不是就雅观了。

——————————————————————————————————————————

四、常用元字符

现在我们已经知道好多有用的元字符了，但还远不够用啊，世界太复杂了。我把它们放在表格里也许更直观，没必要去背记，这不是要去参加闭卷考试，用得多了自然就熟了。

. （点号，12K的火眼金睛才看得清）	匹配除换行符以外的任意字符
\w	匹配字母或数字或下划线或汉字
\s	匹配任意的空白符，包括制表符、空格
\d	匹配数字
\b	匹配单词的开始或结束
^	匹配字符串的开始
$	匹配字符串的结束
*	重复零次或更多次
+	重复一次或更多次
?	重复零次或一次
{n}	重复n次
{n,}	重复n次或更多次
{n,m}	重复n到m次

下面还给个反义表

\W	匹配任意不是字母，数字，下划线，汉字的字符
\S	匹配任意不是空白符的字符
\D	匹配任意非数字的字符
\B	匹配不是单词开头或结束的位置
[^x]	匹配除了x以外的任意字符
[^aeIoU]	匹配除了aeIoU这几个字母以外的任意字符

举例：

\ba\w*\b ——匹配步骤：1.开始处以字母a开头，2.跟任意的字母、数字、下划线或汉字字符，3.字符数的目任意，4.结束。

连起来说就是：我们想要匹配以a开始，后面紧跟数目任意的某字符这样一个字符串。

\d+ ——匹配步骤：1.数字一个，2.数目为一个或一个以上

连起来说就是：我们想要匹配某个数字的任意个数串（当然至少1个）

^\d{6,10}$ ——匹配步骤：1.一个数字字符开始，2.个数为6到12个

所以有些网上要你填写身份证号码或者电话号码或者QQ号码，当位数不对时马上就会给出提示，就是这样来得。
那么我们现在还来说说^\d{6,10}$与单纯\d{6,10}的区别：

^\d{6,10}$ 匹配的是以一个数字开始，整个字符串是6到10个数字组成的字符串，比如：12345678

而\d{6,10} 匹配的是字符串中含有6到10个连续数字组成的串即OK，比如： hu12345678nan

前者是标记有开始和结束，要求严格，后者是只要包含即可。

所以我们可知道，正则表达式所说的单词即连续个字符组成的字符串。不一定有含义，只要连续。

五、转义

和编程语言一样，元字符都有特殊的含义，如果我们要匹配元字符，这就需要转义，我们一如既往地选择\来取消这些字符的特殊含义，比如： \. \* \\ 等，这就不多描述了，业界通用，但还要记住一点，如果在编程语言中实现，我们还要转义一次，因为这些符号在编程语言里又有特殊含义，又要取消一下特殊含义，现在麻烦来了，拿 *来说：

1.先是在正则表达式里我们要转义： \*

2.然后在编程语言里为了让上面这个\是普通含义，我们给他一个\ 于是成了 \\* 然而到这一步我们还只是让它在程序里是个 *

3.为了然 *不具备特殊含义我们还要一个 \ 于是整个普通*的实现就是： \\\* 若是\的表示为： \\\\ 看得好揪心

好在C++11(别的语言我不知道)里有原始字符串变量一说，于是转义一次就OK，比如我要匹配 空格、换行符、回车符、和反斜杠，按往常要这么写： （ |\\n|\\r|\\\\) ——说明：1.（后紧跟一个空格字符，2.晓得为什么是\\n而不是\\\n吗？

在C++11里，我们可以这样写：R"~( |\n|\r|\\)~" ——漂亮吧，~是边界符，可不要，也可换成其它，小括号是必须的，里边包含原始字符串。

六、多字符匹配

说道这，我们已经能解决好多问题了，给定目标的查找都不是问题了，但还是不够用，社会太复杂了，比如你想找出某个文本里的所有元音字母：a e i o u ，办法很简单，把它们列在方括号里即可：[aeIoU] ，这样我们就能匹配任何一个这样的元音字母，注意一个的含义，apple并不是它能匹配得到的，要么a 要么e 要么i等等。

也可以指定范围[0-9]匹配0到9的一个数字，同\d，同理注意只是一位的数字，来个123连续数位的无能为力。

再比如[a-zA-Z] 能匹配a到z和A到Z范围内的所有字母

再看个复杂的\(?0\d{2}[) -]?\d{8}

1. \(?说明右括号可有可无

2.然后是数字0

3.d{2}说明跟了2个数字

4.[) -]?说明)或者空格或者-可有可无

5.\d{8}说明后面是8个数字

于是乎可匹配 （010）88886666 010-888886666 010 88886666 （010-88886666（这个匹配并不是我们想要的，下面会讨论如何解决）之流的电话号码

要说明的是(和)也是元字符，所以也用\消除特殊含义，使之正常。

七、分支条件

上面匹配得到了一个不合理的匹配，用分支条件可解决这个问题，即使用 | 把不同的几部分分离开来

0\d{2}-\d{8}|0\d{3}-\d{7} 匹配： 0XX-XXXXXXXX 或者 0XXX-XXXXXXX

\d{5}-\d{4}|\d{5} 匹配： XXXXX-XXXX 或者 XXXXX

这里要注意的是分支条件的顺序，如果满足前一条件了，后面就不管了，比如这里写成\d{5}|\d{5}-\d{4} 就有问题了。

八、分组

括号（）用于标记子表达式，子表达式也称捕捉组，好诡异的名字，括号括起来之后括号里的部分就是一个整体，你可视为单个字符，而括号里边我们也可以进行局部操作。比如

(\d{1,3}\.){3}\d{1,3}

1.(\d{1,3}\.) 说明是一个1到3位的数字，后面跟一个.（刚开始我一直这样理解，认为\b是一位数字，然后再重复1到3次，如此便是2，22，222之辈，后面想通了应该这样理解，{1,3}是作用于\d的，而不是作用于\d的一个实例，也就是说，展开后有1到3个\d，嗯，展开，先展开表达式，这样就好理解多了是不是）

2.(\d{1,3}\.){3} 即如果把小括号里的部分看成一个整体，那么我们在这里重复这样操作3次，比如可得到49.123.82.

3.(\d{1,3} 在前面基础上加上一个三位数。

擦，这就是传说中的IP匹配，但 256.257.455.520等不合理的IP也匹配进去了，所以我们还要继续加约束条件： ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

九、贪婪与懒惰

贪婪匹配即尽可能多的执行字符匹配，比如a.*b，意义上是匹配a开始，b结尾的字符串，当碰到aabab时，贪婪匹配会匹配完整即aabab，可不是aab（懒惰匹配），那么怎么进行懒惰匹配呢，那就是在重复符号（* + ? {...}）后追加？，即a.*?b，如此为尽可能少地匹配字符重复。

——————————————————————————————————————————

十、葬礼