【從零開始】正則表達式從入門到應用1

正則表達式你們應該都不陌生，可是給人的印象可能就是不那麼高大上又很難理解、很難精通的這麼一個玩意兒，並且適用範圍又不是那麼寬。就是這麼一個感受有點雞肋的東西，若是到了須要的場合而不會用，就會面臨一種「前進是懸崖，後退是荒蕪」的困境。
我最近正在作一些關於Html代碼的解析工做，雖然手頭上有jsoup這樣好用的工具，仍是架不住世界上的技術人員代碼風格變幻無窮，不免遇到不按套路出牌的，專門花一點時間系統的學習一下正則表達式確實頗有必要。
這裏有同窗就要問了：網上不是有不少現成的例子麼，匹配適用的語言，直接拿過來用不就行了？固然，這樣作方便快捷，可是弊端也很明顯，一是缺少原理背後的講解，一旦找不到合適的例子就只能一籌莫展，這就是人們熟知的「魚」和「漁」，二是網上的博客什麼的也是人寫的，也不必定適合複雜多變的狀況，也不必定正確。因此，仍是決定深刻了解學習一下，寫下這篇專欄記錄學習經歷。
注：學習使用的教材是餘晟老師著《正則指引》（第二版），當前使用程序設計語言爲Java，在學習中可能更多關注與Java相關的內容。

1字符組

在一對方括號 [ 和 ] 之間列出全部可能出現的字符，包括可見以及不可見的字符；例如：
[123]
表示能夠匹配一、二、3的單個字符。

1.1字符組的範圍表示

若是能夠匹配的字符有規律性而且範圍比較大，好比0、一、二、三、四、五、六、七、八、9，表達式寫成
[0123456789]
這樣就顯得複雜也不美觀，因此引入符號「-」，使用 [x-y] 的形式表示在閉區間x到y範圍內的字符，上式能夠寫成
[0-9]

【注意】：-範圍表示法必須遵循ASCII編碼的前後順序，即上式不可寫做 [9-0] ，而一些使人困惑的表達式也儘可能不要使用，好比 [0-z] 由於該式涵蓋了在ASCII編碼表中從0到z的所有字符（不只僅只有數字和小寫字母）。若是想要表示多個範圍，好比匹配數字、大寫字母和小寫字母，表達式能夠寫做

[0-9a-zA-Z]

1.2元字符與轉義

在表達式中有特殊功能而不做爲字符的一部分字符，稱爲元字符。好比前文講過的：[ ] - 都是元字符，若是想要恢復它們原本的字符屬性就要作一些特殊處理。先看通常狀況，取消元字符特殊含義的操做叫作轉義，操做是在表達式中的元字符前加反斜槓 。特殊狀況就是表示範圍的橫線 - ，當其緊鄰左方括號 [ 時就做爲普通字符處理，其餘狀況都做爲元字符表示範圍。

【注意】

一、橫線 - 也支持反斜槓的轉義，即[0-9]表示0、-、9三個字符。
二、右方括號 ] 不須要轉義。

1.3排除型字符組

當須要表示的字符組範圍很大，寫起來不方便，而恰巧它的補集（全集指全部字符）方便表示，引出了排除型字符組[^…] ，表示在當前位置匹配一個沒有列出的字符，請注意是「必須匹配一個沒有出現的字符」，而不是「不要匹配列出的字符」。例如：

[^0-9][^0-9]

能夠匹配「QQ」，但不能夠匹配「Q」。

【注意】緊跟在 ^ 以後的 - 不是一個元字符！而^自身也是元字符，當且僅當^緊跟[時，不然表示它做爲字符的含義。

1.4字符組簡記法

常見的字符組簡記法有\d（[0-9]）、\w（[0-9a-zA-Z_]）、\s（[\t\r\n\v\f]）

【注意】w能夠匹配下劃線，不等價於[0-9a-zA-Z]。另外字符組簡記法能夠單獨出現，也可使用在字符組中，如

`[0-9a-zA-Z]`能夠寫成`[\da-zA-Z]`

正則表達式也提供了上面三種經常使用簡記法的排除型：\D、\W、\S，這三種分別對應各自的補集（全集是指全部字符，即[dD]能夠匹配任意字符，剩餘兩者同理）。

【再次注意】第一，使用字符組簡記法最好不要出現單獨的 - ；第二，上面描述的簡記法都是針對ASCII編碼而言的；第三，字符組簡記法不止這三種，還有其餘（也可能根據不一樣的編程語言衍生出新的簡記法），等遇到了再說。

1.5字符組的運算

從新回顧1.3第一段話，當咱們所研究的問題要求咱們的全集不是全部字符，排除型字符組就顯得不是那麼的好用了。好比我須要匹配字母表第一、五、9個小寫字母，把全部字符看做全集顯然不合適，而把全部小寫字母看做全集就比較合適，可是寫成[b-df-hj-z]就比較複雜並且容易搞錯，Java就容許使用邏輯與（&&，也能夠理解爲取交集）來解決這個問題，即寫成：

[a-z]&&[^aei]

我所學習和說明的正則表達式是PCRE流派的，教材上還介紹了POSIX等其餘流派的正則表達式，這裏暫不做說明。

【預告】第二章量詞