第 26 章 正则表达式
目录
简介
对于文本内容的处理，通常使用交互方式，手工调整；但如果你对源文本比较了解，则可以采用自动化的批量处理方式，这种方式效率高、迅速快
批量处理，要求根据一定规则，匹配源文本中的字符，转换为目标文本，这就要用到正则表达式
最简单的例子，使用regular进行匹配，结果如下：
`regular` expression
正则表达式有许多变种：glob 表达式、基本正则表达式、perl 正则表达式、emacs 正则表达式……
如“通配符”一节中介绍的为最简单的 glob 表达式
运算优先级
正则表达式与数学表达式的不同在于，数学表达式执行数学运算，而正则表达式执行字符运算；相同的是，它们都按一定的优先级进行运算
| 运算符 | 操作 |
|---|---|
| \ | 转义符 |
| () | 捕获、匹配、断言 |
| [] | 字符类 |
| *+? | 限定符 |
| {} | 范围 |
| ^$ | 位置和顺序 |
| | | 或 |
转义符
如果源文本中出现了正则表达式中的运算符，如(，使用 ( 无法匹配下列文本中的括弧，这时要使用 \ 进行转义。用 \(匹配[48]:
`(`regular expression)
在文本中匹配“运算优先级”一节中的所有运算符，都要用这种形式：
\运算符
在文本中匹配\本身，要用 \\
非运算符前使用 \ ，则有特殊的意义，例如\n匹配一个换行符。常用转义字符：
| 转义字符 | 涵义 | |
|---|---|---|
| 常规匹配 | . | 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 | |
| \d | 匹配数字 | |
| \b | 匹配单词的开始或结束，在字符类里代表退格 | |
| ^ | 匹配字符串的开始，在字符类里表示”非“ | |
| $ | 匹配字符串的结束 | |
| 反向匹配 | \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 | |
| [^aeiou] | 匹配除了 aeiou 这几个字母以外的任意字符 | |
| 特殊字符 | \a | 报警字符(打印它的效果是电脑嘀一声) |
| \t | 制表符，Tab | |
| \r | 回车 | |
| \v | 垂直制表符 | |
| \f | 换页符 | |
| \n | 换行符 | |
| \e | Escape | |
| \0nn | ASCII 代码中八进制代码为 nn 的字符 | |
| \xnn | ASCII 代码中十六进制代码为 nn 的字符 | |
| \unnnn | Unicode 代码中十六进制代码为 nnnn 的字符 | |
| \cN | ASCII 控制字符。比如 \cC 代表 Ctrl+C | |
| \A | 字符串开头(类似^，但不受处理多行选项的影响) | |
| \Z | 字符串结尾或行尾(不受处理多行选项的影响) | |
| \z | 字符串结尾(类似$，但不受处理多行选项的影响) | |
| \G | 当前搜索的开头 |
[48] 在 Emacs 和 Vim 正则表达式中正好反过来，使用
\(表示分组，用(匹配字符
字符类
要想匹配数字、字母、空白很容易，因为已经有了对应这些字符集合的转义符，但是如果你想匹配没有预定义的字符集合(比如元音字母 a、e、i、o、u)，应该怎么办？
正则表达式中允许你自定义字符类，在方括号里列出它们就可以了
[aeiou]
预定义的字符集合，也可以用字符类表示，如 \d 等价于 [0-9]
有些运算符，在字符类中使用会有另一种意义，例如^表示“字符串开始”，但在字符类中却表示 “非”，以expression为例，使用[exp]匹配：
`exp`r`e`ssion
使用[^exp]匹配(字符串中非 e、x、p 的字符)：
exp`r`e`ssion`
而使用^[exp]匹配(以 e、x 或 p 起始的字符串)：
`e`xpression
限定符
在上一小节中的表格中，我们知道 . 可以匹配除换行符以外的任意字符，使用.匹配下列文本：
expression
但是.每次只匹配一个字符，如果想一次匹配多个，则要使用限定符
| 限定符 | 作用 |
|---|---|
| * | 匹配零次或多次 |
| + | 匹配一次或多次 |
| ? | 匹配零次或一次 |
| {3} | 匹配三次 |
| {3,5} | 匹配三到五次 |
| {3,} | 匹配三次或以上 |
下面通过实例了解限定符的区别。 es 的匹配结果
expr`es`sion
es+ 的匹配结果(e，一个或多个 s)
expr`ess`ion
es* 的匹配结果(e，零或多个 s)
`e`xpr`ess`ion
es? 的匹配结果(e，零或一个 s)
`e`xpr`es`sion
贪婪与懒惰
使用限定符进行匹配时，默认匹配尽可能多的字符。无论用 .* 还是 .+ 匹配下列文本，都会匹配全部
`expression`
这种方式称为“贪婪模式”。在限定符之后加 ? 则匹配尽可能少的字符，称为“懒惰模式”[49]
例如，使用贪婪模式a.+b匹配：
`aaabab`
使用懒惰模式a.+?b匹配：
`aaab`ab
[49]
.+匹配一个或多个任意字符，在贪婪模式中，它匹配尽可能多的字符；而懒惰模式中(.+?)，则只匹配一个字符；.{3,5}在贪婪模式中尽可能匹配5个字符，在懒惰模式中(.{3,5}?)只匹配3个字符；?和*这样可以匹配零次的限定符，在懒惰模式下不匹配任何字符(.*?、.??)
分支条件
| 表示“或”，使用它进行分支选择
例如[a-z]+|\d+匹配单词或数字：
expression 123
分组、捕获
分组
使用(表达式)对表达式进行分组，例如使用(\d{3}\.){2}匹配下面例子中的数字：
abc`123.456.`def
\d{3}表示三个数字，(\d{3}\.)表示三个数字加“.”为一组，{2}表示这一组内容重复两次
捕获
在对表达式进行分组的时候，会捕获文本到自动命名的组里，使用 \1 \2 …… 后向引用组
例如用([a-z]*)\ (\d*)匹配下列文本，([a-z]*)为\1组，(\d*)为\2组
kardinal 1234567
使用\2\ \1替换([a-z]*)\ (\d*)，可以改变两个字符串的顺序
1234567 kardinal
如果分组较多，计数可能会不太方便，可以给分组指定名称，例如：
(?<**name**>[a-z]*)\ (?<**num**>\d*)
\k<**num**>\ \k<**name**> (?#使用“`\k<name>`”后向引用)
使用(?:表达式)，则只是分组，而不捕获，下面例子中，(\d*)为\1组
(?:[a-z]*)\ (\d*)
零宽断言
目前为止，我们学到的正则表达式匹配，都是有“宽度”的，使用 \w+。 匹配下面文本，会将 。 一同匹配：
regular。
expression。
如果不想匹配符号，只匹配一个位置，就要用到“零宽断言”(匹配宽度为零，满足一定的 条件/断言)，零宽断言使用 (?=表达式) 的语法，例如 \w+(?=。)，其中 (?=。) 表示 。 前面的位置(先行断言)
`regular`。
`expression`。
如果需要匹配后面的位置，如：
。`regular`
。`expression`
则要用到后发断言 (?<=。) ，使用 (?<=。)\w+ 得到上面的匹配结果
使用 (?<=<b>).*(?=</b>) 匹配标签中的内容
<b>`粗体`</b>
负向零宽断言
负向零宽断言 (?!表达式) 也是匹配一个零宽度的位置，不过这个位置的“断言”取表达式的反值，例如 (?!表达式) 表示 表达式 前面的位置，如果 表达式 不成立 ，匹配这个位置；如果 表达式 成立，则不匹配：
`expression`
`expression`，
`expression`；
expression。
以上为使用 .+n(?!。) 的匹配结果。注意与 .+n[^。] 匹配的区别
expression
`expression，`
`expression；`
expression。
同样，负向零宽断言也有“先行”和“后发”两种，负向零宽后发断言为 (?<!表达式)
使用 (?<![</])para(?!>) 匹配下面文本
<para>`para`表示一个段落</para>
(?<![</])表示para左边不能为<或/；(?!>)表示para右边不能为>