正则表达式（理论篇）

某天有人问我正则表达式的问题，一看发现不会，作为一个6年的程序员这简直是奇耻大辱，所有星期天花了几个小时学习了一下，虽然网上已经有很多教学的，但还是要记录一下学习的成果。

一、关于正则表达式的思考

网上有很多教程，但是一上来都是各种语法介绍和示例，初看起来容易一头雾水，所有我学完以后总结了一下，对于正则表达式可以这样形容

起始+单元+单元+单元+...+结束

单元内容：字符+限定符+定位符

字符是单元的主体，限定符和定位符都是用来描述字符的，可以不写，一个单元的结果可以作为另一个新单元的字符对象，所有理论上可以无穷嵌套。

所有正则就相当于将你要匹配的字符串按照你期望的方式进行分割，然后用单元描述分割后的每一组字符串，这个是我理解的正则表达式的理念。

另外还有引用和选择

引用：在引用处引用前面已经存在的单元

选择：把一组或几组单元括起来形成一个新单元。

二、正则表达式语法

以下学习内容主要来自菜鸟教程：https://www.runoob.com/regexp/regexp-syntax.html

以下几个概念是正则表达式的语法核心，也对应了上面说的理念

1、字符

        1）普通字符

a-z，A-Z	a到z的小写字母和大写字母
0-9	0到9的数字
\s,\S	\s 是匹配所有空白符，包括换行 \S 非空白符，不包括换行。
\w,\W	\w匹配字母、数字、下划线。等价于 [A-Za-z0-9_] 匹配非字母、数字、下划线。等价于 [^A-Za-z0-9_]。
\d,\D	\d匹配一个数字字符。等价于 [0-9]。 \D匹配一个非数字字符。等价于 [^0-9]。

        2)非打印字符

\cx	匹配由x指明的控制字符。例如， \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 'c' 字符。
\f	匹配一个换页符。等价于 \x0c 和 \cL。
\n	匹配一个换行符。等价于 \x0a 和 \cJ。
\r	匹配一个回车符。等价于 \x0d 和 \cM。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。注意 Unicode 正则表达式会匹配全角空格符。
\S	匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于 \x09 和 \cI。
\v	匹配一个垂直制表符。等价于 \x0b 和 \cK。

        3）特殊字符

$	匹配输入字符串的结尾位置。如果设置了 RegExp 对象的 Multiline 属性，则 $ 也匹配 '\n' 或 '\r'。要匹配 $ 字符本身，请使用 \$。
( )	标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用。要匹配这些字符，请使用 \( 和 \)。
*	匹配前面的子表达式零次或多次。要匹配 * 字符，请使用 \*。
+	匹配前面的子表达式一次或多次。要匹配 + 字符，请使用 \+。
.	匹配除换行符 \n 之外的任何单字符。要匹配 . ，请使用 \. 。
[ ]	标记一个中括号表达式，中括号中限定了字符的可选项。要匹配 [，请使用 \[。
?	匹配前面的子表达式零次或一次，或指明一个非贪婪限定符。要匹配 ? 字符，请使用 \?。
\	将下一个字符标记为或特殊字符、或原义字符、或向后引用、或八进制转义符。例如， 'n' 匹配字符 'n'。'\n' 匹配换行符。序列 '\\' 匹配 "\"，而 '\(' 则匹配 "("。
^	匹配输入字符串的开始位置，除非在方括号表达式中使用，当该符号在方括号表达式中使用时，表示不接受该方括号表达式中的字符集合。要匹配 ^ 字符本身，请使用 \^。
{ }	标记限定符表达式，限定了前面子表达式的个数。要匹配 { 字符，请使用 \{。
|	指明两项之间的一个选择，或的意思。要匹配 | 字符，请使用 \|。

2、限定符

*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 "z" 以及 "zoo"。* 等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等价于 {1,}。
?	匹配前面的子表达式零次或一次。例如，"do(es)?" 可以匹配 "do" 、 "does" 中的 "does" 、 "doxy" 中的 "do" 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 n 次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，但是能匹配 "food" 中的两个 o。
{n,}	n 是一个非负整数。至少匹配n 次。例如，'o{2,}' 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood" 中的所有 o。'o{1,}' 等价于 'o+'。'o{0,}' 则等价于 'o*'。
{n,m}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，"o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。

3、定位符

^	匹配输入字符串开始的位置。如果设置了 RegExp 对象的 Multiline 属性，^ 还会与 \n 或 \r 之后的位置匹配。
$	匹配输入字符串结尾的位置。如果设置了 RegExp 对象的 Multiline 属性，$ 还会与 \n 或 \r 之前的位置匹配。
\b	匹配一个单词边界，即字与空格间的位置。
\B	非单词边界匹配。

4、选择

用圆括号 () 将所有选择项括起来，相邻的选择项之间用 | 分隔。

() 表示捕获分组，() 会把每个分组里的匹配的值保存起来， 多个匹配值可以通过数字 n 来查看(n 是一个数字，表示第 n 个捕获组的内容)，引用中用到的就是这个，引用第n组。

但用圆括号会有一个副作用，使相关的匹配会被缓存，此时可用 ?: 放在第一个选项前来消除这种副作用。?: 是非捕获元之一，还有两个非捕获元是 ?= 和 ?!，这两个还有更多的含义，前者为正向预查，在任何开始匹配圆括号内的正则表达式模式的位置来匹配搜索字符串，后者为负向预查，在任何开始不匹配该正则表达式模式的位置来匹配搜索字符串。

此外还有以下匹配

?=       exp1(?=exp2)：查找 exp2 前面的 exp1。

?<=     (?<=exp2)exp1：查找 exp2 后面的 exp1。

?!        exp1(?!exp2)：查找后面不是 exp2 的 exp1。

?<!      (?<!exp2)exp1：查找前面不是 exp2 的 exp1。

5、反向引用

对一个正则表达式模式或部分模式两边添加圆括号将导致相关匹配存储到一个临时缓冲区中，所捕获的每个子匹配都按照在正则表达式模式中从左到右出现的顺序存储。缓冲区编号从 1 开始，最多可存储 99 个捕获的子表达式。每个缓冲区都可以使用 \n 访问，其中 n 为一个标识特定缓冲区的一位或两位十进制数。

可以使用非捕获元字符 ?:、?= 或 ?! 来重写捕获，忽略对相关匹配的保存。