正則指引之量詞

通常形式

假如咱們要驗證郵政編碼：201203，100858，因此用正則表達式來表示就是 \d\d\d\d\d\d，只有同時知足「長度是6個字符」和「每一個字符都是數字」兩個條件，匹配才成功。雖然這不難理解，但 \d 重複6次，讀寫都不方便。爲此，正則表達式提供了量詞（quantifier）。那麼上面的例子就能夠簡寫爲 \d{6}，它使用阿拉伯數字，更簡潔也更直觀。

//使用量詞減化字符組
String text = "510850";
Pattern p = Pattern.compile("\\d{6}");
Matcher m = p.matcher(text);
System.out.println(m.matches());    //true

量詞還能夠表示不肯定的長度，其通用形式是{m,n}，其中m和n是兩個數字（有些人習慣在代碼中的逗號以後添加空格，這樣更好看，可是量詞中的逗號以後毫不能有空格），它限定以前的元素可以出現的次數，m是下限，n是上限（均爲閉區間）。好比 \d{4,6}，就表示這個數字字符串的長度最短是4個字符，最長是6個字符。若是不肯定長度的上限，也能夠省略，只指定下限，寫成 \d{n,}，好比 \d{4,}表示「數字字符串的長度必須在4個字符以上」。

量詞	說明
{n}	以前的元素必須出現n次
{m,n}	以前的元素最少出現m次，最多出現n次
{m,}	以前的元素最少出現m次，出現次數無上限
{0,n}	以前的元素能夠不出現，也能夠出現，最多出現n次

經常使用量詞

{m,n}是通用形式的量詞，正則表達式還有三個經常使用量詞，分別是 +，?，*  。它們的形態雖然不一樣於{m,n}，功能倒是相同的（也能夠把它們理解爲「量詞簡記法」），具體說明以下：

經常使用量詞	{m,n}等價形式	說明
＊	{0,}	可能出現，也可能不出現，出現次數沒有上限
＋	{1,}	至少出現1次，出現次數沒有上限
？	{0,1}	至多出現一次，也可能不出現

在實際應用中，在不少狀況下只須要表示這三種意思，因此經常使用量詞的使用頻率要高於{m,n}。

點號

前一節講到了各類字符組，與它相關的還有一個特殊的元字符：點號（.）。通常文檔都說，點號能夠匹配「任意字符」，點號確實能夠匹配「任意字符」，常見的數字，字母，各類符號均可以匹配，但有一個字符不能由點號匹配，就是換行符 \n。這個字符平時看不見，卻存在，並且在處理時並不能忽略。

若是非要匹配「任意字符」，有兩種辦法：能夠指定使用單行匹配模式，在這種模式下，點號能夠匹配換行符；或者使用上一節介紹「自制」通配字符組 [\s\S] （也可使用 [\d\D]或[\w\W]），正好涵蓋了全部字符。示例：

//換行符的匹配
String text = "\n";
Pattern p = Pattern.compile("[\\d\\D]");
Matcher m = p.matcher(text);
System.out.println(m.matches());    //true
Pattern p1 = Pattern.compile(".");
Matcher m1 = p1.matcher(text);
System.out.println(m1.matches());      //false

濫用點號的問題

由於點號能匹配幾乎全部的字符，因此實際應用中許多人圖省事，隨意使用 .* 或 .+ ，結果卻事與願違，下面以雙引號字符串爲例來講明。咱們通常使用表達式 」[^"]*" 匹配雙引號字符串，而「圖省事」 的作法是 「.*」  。一般這麼用是沒有問題的，但也可能有意外。

用「.*」匹配雙引號字符串，不但能夠匹配正常的雙引號字符串「quoted string」，還能夠匹配格式錯誤的字符串 "quoted string" and another" 。這是爲何呢？緣由涉及正則表達式的匹配原理。

在正則表達式 「.*」 中，點號能夠匹配任何字符，*表示能夠匹配的字符串長度沒有限制，因此 .* 在匹配過程結束之前，每遇到一個字符（除去沒法匹配的 \n），.*均可以匹配，可是遇到第一個 " 時，究竟是匹配這個字符仍是忽略它，仍是將其交給以後的 " 來匹配呢？

答案是，具體選擇取決於所使用的量詞。在正則表達式中的量詞分爲幾類，以前介紹的量詞均可以歸到一類，叫作匹配優先量詞（貪婪量詞）。匹配優先量詞，顧名思義，就是在拿不許是否要匹配的時候，優先嚐試匹配，而且記下這個狀態，以備未來「反悔」。

來看錶達式「.*」對字符串「quoted string」的匹配過程。一開始， 「 匹配 「 ，而後輪到字符q，.*能夠匹配它，也能夠不匹配，由於使用了匹配優先量詞，因此.*先匹配q，而且記錄下這個狀態「q也多是.*不該該匹配的」；接下來是字符u，.*能夠匹配它，也能夠不匹配，由於使用了匹配優先量詞，因此.*先匹配u，而且記錄下這個狀態『u也多是.*不該該匹配的』； .......如今輪到了字符g，.*能夠匹配它，也能夠不匹配，由於使用了匹配優先量詞，因此 .*先匹配g，而且記錄下這個狀態『g也多是.*不該該匹配的』。最後是末尾的"，.*能夠匹配它，也能夠不匹配，由於使用了匹配優先量詞，因此.*先匹配 「，而且記錄下這個狀態『'也多是.*不該該匹配的』。這時候，字符串以後已經沒有字符了，但正則表達式中還有 」 沒有匹配，因此只能查詢以前保存備用的狀態，看看能不能退回幾步，照顧 " 的匹配。查詢到最近保存的狀態是：「"也多是.*不該該匹配的」。因而讓.* 反悔對 " 的匹配，把 " 交給 「 ，測試發現正好能匹配，因此整個匹配宣告成功。這個反悔的過程，專業術語叫作回溯（backtracking）。

忽略優先量詞

好比，用一個正則表達式匹配下面這段HTML源代碼：

<script type="text/javascript">
    alert("some punctuation <>/");
</script>

開頭和結尾的tag都容易匹配，中間的代碼要比較麻煩，由於點號. 不能匹配換行符，因此必須使用[\s\S]，[\d\D]或者[\w\W]。

<script type="text/javascript">[\s\S]*</script>

這個表達式確實能夠匹配上面的Javascript代碼。可是若是遇到更復雜的狀況就會出錯，好比針對下面這段HTML代碼：

<script type="text/javascript">
alert("1");
</script>
<br />
<script type="text/javascript">
alert("2");
</script>

若是用上面的表達式來匹配這段HTML代碼，會一次性匹配兩段Javascript代碼，甚至包含之間的非Javascript代碼。按照匹配原理，[\s\S]＊先匹配全部的文本，回溯時交還最後的</script>，整個表達式的匹配就成功了，邏輯就是如此，無可改進。並且，這個問題也不能模仿以前雙引號字符串匹配，用[^"]*區配<script...>和</script>之間的代碼，由於排除型字符組只能排除單個字符，[^</script>]不能表示「不是</script>的字符串」。

換個角度來看，經過改變[\s\S]*的匹配策略解決問題：在不肯定是否要匹配的場合，先嚐試不匹配的選擇，測試正則表達式中後面的元素，若是失敗，再退回來嘗試 [\s\S]* 匹配，如此就沒有問題了。循着這個思路，正則表達式中還提供了忽略優先量詞（lazy quantifier 或 reluctant quantifier，也就有翻譯爲懶惰量詞），若是不肯定是否要匹配，忽略優先量詞會選擇「不匹配」的狀態，再嘗試表達式中以後的元素，若是嘗試失敗，再回溯，選擇以前保存的「匹配」的狀態。

對[\s\S]*來講，把*改成*?就是使用了忽略優先量詞，*?限定的元素出現次數範圍與*徹底同樣，都表示「可能出現，也可能不出現，出現次數沒有上限」。區別在於，在實際匹配過程當中，遇到[\s\S]能匹配的字符，先嚐試「忽略」，若是後面的元素（具體到這個表達式中，是</script>）不能匹配，再嘗試匹配，這樣就保證告終果的正確性，示例以下：

//忽略優先量詞
String text = "<script type=\"text/javascript\">" +
        "alert(\"1\")" +
        "</script>" + 
        "<br />" + 
        "<script type=\"text/javascript\">"+
        "alert(\"2\")"+
        "</script>";
Pattern p = Pattern.compile("<script type=\"text/javascript\">[\\s\\S]*?</script>");
Matcher m = p.matcher(text);
while(m.find()){
    System.out.println(m.group());
}

表：匹配優先量詞與忽略優先量詞

匹配優先量詞	忽略優先量詞	限定次數
*	*?	可能不出現，也可能出現，出現次數沒有上限
+	+?	至少出現1次，出現次數沒有上限
?	??	至多出現1次，也可能不出現
{m,n}	{m,n}?	出現次數最少爲m次，最多爲n次
{m,}	{m,}?	出現次數最少爲m次，沒有上限
{0,n}	{0,n}?	可能不出現，也可能出現，最多出現n次

從上表能夠看到，匹配優先量詞與忽略優先量詞逐一對應，只是在對應的匹配優先量詞以後添加?，二者限定的元素能出現的次數也同樣，遇到不能匹配的狀況一樣須要回溯； 惟一的區別在於，忽略優先量詞會優先選擇「忽略」，而匹配優先量詞會優先選擇「匹配」。

轉義

前面講解了匹配優先量詞和忽略優先量詞，如今介紹量詞的轉義。在正則表達式中，*，+，?等做爲量詞的字符具備特殊意義，但有些狀況下只但願表示這些字符自己，此時就必須使用轉義，也就是在它們以前添加反斜線 \ 。

對經常使用量詞所使用的字符+，＊，? 來講，若是但願表示這三個字符自己，直接添加反斜線，變爲 \+，\*，\? 便可。可是在通常形式的量詞{m,n}中，雖然具備特殊含義的字符不止一個，轉義時卻只須要給第一個 { 添加反斜線便可，也就是說，若是但願匹配字符串{m,n}，正則表達式必須寫成 \{m,n} 。

另外值得一提的是忽略優先量詞的轉義，雖然忽略優先量詞也包含不僅一個字符，可是在轉義時卻不像通常形式的量詞那樣，只轉義第一個字符便可，而須要將兩個量詞所有轉義。舉例來講，若是要匹配字符串 *?，正則表達式就必須寫做 \*\? ，而不是 \*? ，由於後者的意思是「*這個字符可能出現，也可能不出現」。各類量詞的轉義以下：

量詞	轉義形式
{n}	\{n}
{m,n}	\{m,n}
{m,}	\{m,}
{0,n}	\{0,n}
*	\*
+	\+
?	\?
*?	\*\?
+?	\+\?
??	\?\?

以前還介紹了點號 . ，因此還必須講解點號的轉義：點號（.）是一個元字符，它能夠匹配除換行符以外的任何字符，因此若是隻想匹配點號自己，必須將它轉義爲 \. 。由於未轉義的點號能夠匹配任何字符，其中也能夠包含點號，因此常常有人忽略了對點號的轉義。