很是經典的正則表達式

時間 2019-12-09

原文原文鏈接

本文是Jan Goyvaerts爲RegexBuddy寫的教程的譯文，版權歸原做者全部，歡迎轉載。可是爲了尊重原做者和譯者的勞動，請註明出處！謝謝！程序員

1. 什麼是正則表達式正則表達式

基本說來，正則表達式是一種用來描述必定數量文本的模式。Regex表明Regular Express。本文將用<<regex>>來表示一段具體的正則表達式。編程

一段文本就是最基本的模式，簡單的匹配相同的文本。緩存

2. 不一樣的正則表達式引擎編程語言

正則表達式引擎是一種能夠處理正則表達式的軟件。一般，引擎是更大的應用程序的一部分。在軟件世界，不一樣的正則表達式並不互相兼容。本教程會集中討論Perl 5 類型的引擎，由於這種引擎是應用最普遍的引擎。同時咱們也會提到一些和其餘引擎的區別。許多近代的引擎都很相似，但不徹底同樣。例如.NET正則庫，JDK正則包。編輯器

3. 文字符號函數

最基本的正則表達式由單個文字符號組成。如<<a>>，它將匹配字符串中第一次出現的字符「a」。如對字符串「Jack is a boy」。「J」後的「a」將被匹配。而第二個「a」將不會被匹配。工具

正則表達式也能夠匹配第二個「a」，這必須是你告訴正則表達式引擎從第一次匹配的地方開始搜索。在文本編輯器中，你可使用「查找下一個」。在編程語言中，會有一個函數可使你從前一次匹配的位置開始繼續向後搜索。測試

相似的，<<cat>>會匹配「About cats and dogs」中的「cat」。這等因而告訴正則表達式引擎，找到一個<<c>>，緊跟一個<<a>>，再跟一個<<t>>。優化

要注意，正則表達式引擎缺省是大小寫敏感的。除非你告訴引擎忽略大小寫，不然<<cat>>不會匹配「Cat」。

· 特殊字符

對於文字字符，有11個字符被保留做特殊用途。他們是：

[ ] " ^ $ . | ? * + ( )

這些特殊字符也被稱做元字符。

若是你想在正則表達式中將這些字符用做文本字符，你須要用反斜槓「"」對其進行換碼 (escape)。例如你想匹配「1+1=2」，正確的表達式爲<<1"+1=2>>.

須要注意的是，<<1+1=2>>也是有效的正則表達式。但它不會匹配「1+1=2」，而會匹配「123+111=234」中的「111=2」。由於「+」在這裏表示特殊含義（重複1次到屢次）。

在編程語言中，要注意，一些特殊的字符會先被編譯器處理，而後再傳遞給正則引擎。所以正則表達式<<1"+2=2>>在C++中要寫成「1""+1=2」。爲了匹配「C:"temp」，你要用正則表達式<<C:""temp>>。而在C++中，正則表達式則變成了「C:""""temp」。

· 不可顯示字符

可使用特殊字符序列來表明某些不可顯示字符：

<<"t>>表明Tab(0x09)

<<"r>>表明回車符(0x0D)

<<"n>>表明換行符(0x0A)

要注意的是Windows中文本文件使用「"r"n」來結束一行而Unix使用「"n」。

4. 正則表達式引擎的內部工做機制

知道正則表達式引擎是如何工做的有助於你很快理解爲什麼某個正則表達式不像你指望的那樣工做。

有兩種類型的引擎：文本導向(text-directed)的引擎和正則導向(regex-directed)的引擎。Jeffrey Friedl把他們稱做DFA和NFA引擎。本文談到的是正則導向的引擎。這是由於一些很是有用的特性，如「惰性」量詞(lazy quantifiers)和反向引用(backreferences)，只能在正則導向的引擎中實現。因此絕不意外這種引擎是目前最流行的引擎。

你能夠輕易分辨出所使用的引擎是文本導向仍是正則導向。若是反向引用或「惰性」量詞被實現，則能夠確定你使用的引擎是正則導向的。你能夠做以下測試：將正則表達式<<regex|regex not>>應用到字符串「regex not」。若是匹配的結果是regex，則引擎是正則導向的。若是結果是regex not，則是文本導向的。由於正則導向的引擎是「猴急」的，它會很急切的進行表功，報告它找到的第一個匹配。

· 正則導向的引擎老是返回最左邊的匹配

這是須要你理解的很重要的一點：即便之後有可能發現一個「更好」的匹配，正則導向的引擎也老是返回最左邊的匹配。

當把<<cat>>應用到「He captured a catfish for his cat」，引擎先比較<<c>>和「H」，結果失敗了。因而引擎再比較<<c>>和「e」，也失敗了。直到第四個字符，<<c>>匹配了「c」。<<a>>匹配了第五個字符。到第六個字符<<t>>沒能匹配「p」，也失敗了。引擎再繼續從第五個字符從新檢查匹配性。直到第十五個字符開始，<<cat>>匹配上了「catfish」中的「cat」，正則表達式引擎急切的返回第一個匹配的結果，而不會再繼續查找是否有其餘更好的匹配。

5. 字符集

字符集是由一對方括號「[]」括起來的字符集合。使用字符集，你能夠告訴正則表達式引擎僅僅匹配多個字符中的一個。若是你想匹配一個「a」或一個「e」，使用<<[ae]>>。你可使用<<gr[ae]y>>匹配gray或grey。這在你不肯定你要搜索的字符是採用美國英語仍是英國英語時特別有用。相反，<<gr[ae]y>>將不會匹配graay或graey。字符集中的字符順序並無什麼關係，結果都是相同的。

你可使用連字符「-」定義一個字符範圍做爲字符集。<<[0-9]>>匹配0到9之間的單個數字。你可使用不止一個範圍。<<[0-9a-fA-F] >>匹配單個的十六進制數字，而且大小寫不敏感。你也能夠結合範圍定義與單個字符定義。<<[0-9a-fxA-FX]>>匹配一個十六進制數字或字母X。再次強調一下，字符和範圍定義的前後順序對結果沒有影響。

· 字符集的一些應用

查找一個可能有拼寫錯誤的單詞，好比<<sep[ae]r[ae]te>> 或 <<li[cs]en[cs]e>>。

查找程序語言的標識符，<<A-Za-z_][A-Za-z_0-9]*>>。(*表示重複0或屢次)

查找C風格的十六進制數<<0[xX][A-Fa-f0-9]+>>。(+表示重複一次或屢次)

· 取反字符集

在左方括號「[」後面緊跟一個尖括號「^」，將會對字符集取反。結果是字符集將匹配任何不在方括號中的字符。不像「.」，取反字符集是能夠匹配回車換行符的。

須要記住的很重要的一點是，取反字符集必需要匹配一個字符。<<q[^u]>>並不意味着：匹配一個q，後面沒有u跟着。它意味着：匹配一個q，後面跟着一個不是u的字符。因此它不會匹配「Iraq」中的q，而會匹配「Iraq is a country」中的q和一個空格符。事實上，空格符是匹配中的一部分，由於它是一個「不是u的字符」。

若是你只想匹配一個q，條件是q後面有一個不是u的字符，咱們能夠用後面將講到的向前查看來解決。

· 字符集中的元字符

須要注意的是，在字符集中只有4個字符具備特殊含義。它們是：「] " ^ -」。「]」表明字符集定義的結束；「"」表明轉義；「^」表明取反；「-」表明範圍定義。其餘常見的元字符在字符集定義內部都是正常字符，不須要轉義。例如，要搜索星號*或加號+，你能夠用<<[+*]>>。固然，若是你對那些一般的元字符進行轉義，你的正則表達式同樣會工做得很好，可是這會下降可讀性。

在字符集定義中爲了將反斜槓「"」做爲一個文字字符而非特殊含義的字符，你須要用另外一個反斜槓對它進行轉義。<<[""x]>>將會匹配一個反斜槓和一個X。「]^-」均可以用反斜槓進行轉義，或者將他們放在一個不可能使用到他們特殊含義的位置。咱們推薦後者，由於這樣能夠增長可讀性。好比對於字符「^」，將它放在除了左括號「[」後面的位置，使用的都是文字字符含義而非取反含義。如<<[x^]>>會匹配一個x或^。<<[]x]>>會匹配一個「]」或「x」。<<[-x]>>或<<[x-]>>都會匹配一個「-」或「x」。

· 字符集的簡寫

由於一些字符集很是經常使用，因此有一些簡寫方式。

<<"d>>表明<<[0-9]>>;

<<"w>>表明單詞字符。這個是隨正則表達式實現的不一樣而有些差別。絕大多數的正則表達式實現的單詞字符集都包含了<<A-Za-z0-9_]>>。

<<"s>>表明「白字符」。這個也是和不一樣的實現有關的。在絕大多數的實現中，都包含了空格符和Tab符，以及回車換行符<<"r"n>>。

字符集的縮寫形式能夠用在方括號以內或以外。<<"s"d>>匹配一個白字符後面緊跟一個數字。<<["s"d]>>匹配單個白字符或數字。<<["da-fA-F]>>將匹配一個十六進制數字。

取反字符集的簡寫

<<["S]>> = <<[^"s]>>

<<["W]>> = <<[^"w]>>

<<["D]>> = <<[^"d]>>

· 字符集的重複

若是你用「?*+」操做符來重複一個字符集，你將會重複整個字符集。而不只是它匹配的那個字符。正則表達式<<[0-9]+>>會匹配837以及222。

若是你僅僅想重複被匹配的那個字符，能夠用向後引用達到目的。咱們之後將講到向後引用。

6. 使用?*或+ 進行重複

?：告訴引擎匹配前導字符0次或一次。事實上是表示前導字符是可選的。

+：告訴引擎匹配前導字符1次或屢次

*：告訴引擎匹配前導字符0次或屢次

<[A-Za-z][A-Za-z0-9]*>匹配沒有屬性的HTML標籤，「<」以及「>」是文字符號。第一個字符集匹配一個字母，第二個字符集匹配一個字母或數字。

咱們彷佛也能夠用<[A-Za-z0-9]+>。可是它會匹配<1>。可是這個正則表達式在你知道你要搜索的字符串不包含相似的無效標籤時仍是足夠有效的。

· 限制性重複

許多現代的正則表達式實現，都容許你定義對一個字符重複多少次。詞法是：{min,max}。min和max都是非負整數。若是逗號有而max被忽略了，則max沒有限制。若是逗號和max都被忽略了，則重複min次。

所以{0,}和*同樣，{1，}和+ 的做用同樣。

你能夠用<<"b[1-9][0-9]{3}"b>>匹配1000~9999之間的數字(「"b」表示單詞邊界)。<<"b[1-9][0-9]{2,4}"b>>匹配一個在100~99999之間的數字。

· 注意貪婪性

假設你想用一個正則表達式匹配一個HTML標籤。你知道輸入將會是一個有效的HTML文件，所以正則表達式不須要排除那些無效的標籤。因此若是是在兩個尖括號之間的內容，就應該是一個HTML標籤。

許多正則表達式的新手會首先想到用正則表達式<< <.+> >>，他們會很驚訝的發現，對於測試字符串，「This is a first test」，你可能指望會返回，而後繼續進行匹配的時候，返回。

但事實是不會。正則表達式將會匹配「first」。很顯然這不是咱們想要的結果。緣由在於「+」是貪婪的。也就是說，「+」會致使正則表達式引擎試圖儘量的重複前導字符。只有當這種重複會引發整個正則表達式匹配失敗的狀況下，引擎會進行回溯。也就是說，它會放棄最後一次的「重複」，而後處理正則表達式餘下的部分。

和「+」相似，「?*」的重複也是貪婪的。

· 深刻正則表達式引擎內部

讓咱們來看看正則引擎如何匹配前面的例子。第一個記號是「<」，這是一個文字符號。第二個符號是「.」，匹配了字符「E」，而後「+」一直能夠匹配其他的字符，直到一行的結束。而後到了換行符，匹配失敗(「.」不匹配換行符)。因而引擎開始對下一個正則表達式符號進行匹配。也即試圖匹配「>」。到目前爲止，「<.+」已經匹配了「first test」。引擎會試圖將「>」與換行符進行匹配，結果失敗了。因而引擎進行回溯。結果是如今「<.+」匹配「first tes」。因而引擎將「>」與「t」進行匹配。顯然仍是會失敗。這個過程繼續，直到「<.+」匹配「first</EM」，「>」與「>」匹配。因而引擎找到了一個匹配「first」。記住，正則導向的引擎是「急切的」，因此它會急着報告它找到的第一個匹配。而不是繼續回溯，即便可能會有更好的匹配，例如「」。因此咱們能夠看到，因爲「+」的貪婪性，使得正則表達式引擎返回了一個最左邊的最長的匹配。

· 用懶惰性取代貪婪性

一個用於修正以上問題的可能方案是用「+」的惰性代替貪婪性。你能夠在「+」後面緊跟一個問號「?」來達到這一點。「*」，「{}」和「?」表示的重複也能夠用這個方案。所以在上面的例子中咱們可使用「<.+?>」。讓咱們再來看看正則表達式引擎的處理過程。

再一次，正則表達式記號「<」會匹配字符串的第一個「<」。下一個正則記號是「.」。此次是一個懶惰的「+」來重複上一個字符。這告訴正則引擎，儘量少的重複上一個字符。所以引擎匹配「.」和字符「E」，而後用「>」匹配「M」，結果失敗了。引擎會進行回溯，和上一個例子不一樣，由於是惰性重複，因此引擎是擴展惰性重複而不是減小，因而「<.+」如今被擴展爲「<EM」。引擎繼續匹配下一個記號「>」。此次獲得了一個成功匹配。引擎因而報告「」是一個成功的匹配。整個過程大體如此。

· 惰性擴展的一個替代方案

咱們還有一個更好的替代方案。能夠用一個貪婪重複與一個取反字符集：「<[^>]+>」。之因此說這是一個更好的方案在於使用惰性重複時，引擎會在找到一個成功匹配前對每個字符進行回溯。而使用取反字符集則不須要進行回溯。

最後要記住的是，本教程僅僅談到的是正則導向的引擎。文本導向的引擎是不回溯的。可是同時他們也不支持惰性重複操做。

7. 使用「.」匹配幾乎任意字符

在正則表達式中，「.」是最經常使用的符號之一。不幸的是，它也是最容易被誤用的符號之一。

「.」匹配一個單個的字符而不用關心被匹配的字符是什麼。惟一的例外是新行符。在本教程中談到的引擎，缺省狀況下都是不匹配新行符的。所以在缺省狀況下，「.」等因而字符集[^"n"r](Window)或[^"n]( Unix)的簡寫。

這個例外是由於歷史的緣由。由於早期使用正則表達式的工具是基於行的。它們都是一行一行的讀入一個文件，將正則表達式分別應用到每一行上去。在這些工具中，字符串是不包含新行符的。所以「.」也就從不匹配新行符。

現代的工具和語言可以將正則表達式應用到很大的字符串甚至整個文件上去。本教程討論的全部正則表達式實現都提供一個選項，可使「.」匹配全部的字符，包括新行符。在RegexBuddy, EditPad Pro或PowerGREP等工具中，你能夠簡單的選中「點號匹配新行符」。在Perl中，「.」能夠匹配新行符的模式被稱做「單行模式」。很不幸，這是一個很容易混淆的名詞。由於還有所謂「多行模式」。多行模式隻影響行首行尾的錨定(anchor)，而單行模式隻影響「.」。

其餘語言和正則表達式庫也採用了Perl的術語定義。當在.NET Framework中使用正則表達式類時，你能夠用相似下面的語句來激活單行模式：Regex.Match(「string」,」regex」,RegexOptions.SingleLine)

· 保守的使用點號「.」

點號能夠說是最強大的元字符。它容許你偷懶：用一個點號，就能匹配幾乎全部的字符。可是問題在於，它也經常會匹配不應匹配的字符。

我會以一個簡單的例子來講明。讓咱們看看如何匹配一個具備「mm/dd/yy」格式的日期，可是咱們想容許用戶來選擇分隔符。很快能想到的一個方案是<<"d"d."d"d."d"d>>。看上去它能匹配日期「02/12/03」。問題在於02512703也會被認爲是一個有效的日期。

<<"d"d[-/.]"d"d[-/.]"d"d>>看上去是一個好一點的解決方案。記住點號在一個字符集裏不是元字符。這個方案遠不夠完善，它會匹配「99/99/99」。而<<[0-1]"d[-/.][0-3]"d[-/.]"d"d>>又更進一步。儘管他也會匹配「19/39/99」。你想要你的正則表達式達到如何完美的程度取決於你想達到什麼樣的目的。若是你想校驗用戶輸入，則須要儘量的完美。若是你只是想分析一個已知的源，而且咱們知道沒有錯誤的數據，用一個比較好的正則表達式來匹配你想要搜尋的字符就已經足夠。

8. 字符串開始和結束的錨定

錨定和通常的正則表達式符號不一樣，它不匹配任何字符。相反，他們匹配的是字符以前或以後的位置。「^」匹配一行字符串第一個字符前的位置。<<^a>>將會匹配字符串「abc」中的a。<<^b>>將不會匹配「abc」中的任何字符。

相似的，$匹配字符串中最後一個字符的後面的位置。因此<<c$>>匹配「abc」中的c。

· 錨定的應用

在編程語言中校驗用戶輸入時，使用錨定是很是重要的。若是你想校驗用戶的輸入爲整數，用<<^"d+$>>。

用戶輸入中，經常會有多餘的前導空格或結束空格。你能夠用<<^"s*>>和<<"s*$>>來匹配前導空格或結束空格。

· 使用「^」和「$」做爲行的開始和結束錨定

若是你有一個包含了多行的字符串。例如：「first line"n"rsecond line」(其中"n"r表示一個新行符)。經常須要對每行分別處理而不是整個字符串。所以，幾乎全部的正則表達式引擎都提供一個選項，能夠擴展這兩種錨定的含義。「^」能夠匹配字串的開始位置(在f以前)，以及每個新行符的後面位置(在"n"r和s之間)。相似的，$會匹配字串的結束位置(最後一個e以後)，以及每一個新行符的前面(在e與"n"r之間)。

在.NET中，當你使用以下代碼時，將會定義錨定匹配每個新行符的前面和後面位置：Regex.Match("string", "regex", RegexOptions.Multiline)

應用：string str = Regex.Replace(Original, "^", "> ", RegexOptions.Multiline)--將會在每行的行首插入「> 」。

· 絕對錨定

<<"A>>只匹配整個字符串的開始位置，<<"Z>>只匹配整個字符串的結束位置。即便你使用了「多行模式」，<<"A>>和<<"Z>>也從不匹配新行符。

即便"Z和$只匹配字符串的結束位置，仍然有一個例外的狀況。若是字符串以新行符結束，則"Z和$將會匹配新行符前面的位置，而不是整個字符串的最後面。這個「改進」是由Perl引進的，而後被許多的正則表達式實現所遵循，包括Java，.NET等。若是應用<<^[a-z]+$>>到「joe"n」，則匹配結果是「joe」而不是「joe"n」。

9. 單詞邊界

元字符<<"b>>也是一種對位置進行匹配的「錨」。這種匹配是0長度匹配。

有4種位置被認爲是「單詞邊界」：

1) 在字符串的第一個字符前的位置(若是字符串的第一個字符是一個「單詞字符」)

2) 在字符串的最後一個字符後的位置(若是字符串的最後一個字符是一個「單詞字符」)

3) 在一個「單詞字符」和「非單詞字符」之間，其中「非單詞字符」緊跟在「單詞字符」以後

4) 在一個「非單詞字符」和「單詞字符」之間，其中「單詞字符」緊跟在「非單詞字符」後面

「單詞字符」是能夠用「"w」匹配的字符，「非單詞字符」是能夠用「"W」匹配的字符。在大多數的正則表達式實現中，「單詞字符」一般包括<<[a-zA-Z0-9_]>>。

例如：<<"b4"b>>可以匹配單個的4而不是一個更大數的一部分。這個正則表達式不會匹配「44」中的4。

換種說法，幾乎能夠說<<"b>>匹配一個「字母數字序列」的開始和結束的位置。

「單詞邊界」的取反集爲<<"B>>，他要匹配的位置是兩個「單詞字符」之間或者兩個「非單詞字符」之間的位置。

· 深刻正則表達式引擎內部

讓咱們看看把正則表達式<<"bis"b>>應用到字符串「This island is beautiful」。引擎先處理符號<<"b>>。由於"b是0長度，因此第一個字符T前面的位置會被考察。由於T是一個「單詞字符」，而它前面的字符是一個空字符(void)，因此"b匹配了單詞邊界。接着<>和第一個字符「T」匹配失敗。匹配過程繼續進行，直到第五個空格符，和第四個字符「s」之間又匹配了<<"b>>。然而空格符和<>不匹配。繼續向後，到了第六個字符「i」，和第五個空格字符之間匹配了<<"b>>，而後<<is>>和第6、第七個字符都匹配了。然而第八個字符和第二個「單詞邊界」不匹配，因此匹配又失敗了。到了第13個字符i，由於和前面一個空格符造成「單詞邊界」，同時<<is>>和「is」匹配。引擎接着嘗試匹配第二個<<"b>>。由於第15個空格符和「s」造成單詞邊界，因此匹配成功。引擎「急着」返回成功匹配的結果。

10. 選擇符

正則表達式中「|」表示選擇。你能夠用選擇符匹配多個可能的正則表達式中的一個。

若是你想搜索文字「cat」或「dog」，你能夠用<<cat|dog>>。若是你想有更多的選擇，你只要擴展列表<<cat|dog|mouse|fish>>。

選擇符在正則表達式中具備最低的優先級，也就是說，它告訴引擎要麼匹配選擇符左邊的全部表達式，要麼匹配右邊的全部表達式。你也能夠用圓括號來限制選擇符的做用範圍。如<<"b(cat|dog)"b>>，這樣告訴正則引擎把(cat|dog)當成一個正則表達式單位來處理。

· 注意正則引擎的「急於表功」性

正則引擎是急切的，當它找到一個有效的匹配時，它會中止搜索。所以在必定條件下，選擇符兩邊的表達式的順序對結果會有影響。假設你想用正則表達式搜索一個編程語言的函數列表：Get，GetValue，Set或SetValue。一個明顯的解決方案是<<Get|GetValue|Set|SetValue>>。讓咱們看看當搜索SetValue時的結果。

由於<<Get>>和<<GetValue>>都失敗了，而<<Set>>匹配成功。由於正則導向的引擎都是「急切」的，因此它會返回第一個成功的匹配，就是「Set」，而不去繼續搜索是否有其餘更好的匹配。

和咱們指望的相反，正則表達式並無匹配整個字符串。有幾種可能的解決辦法。一是考慮到正則引擎的「急切」性，改變選項的順序，例如咱們使用<<GetValue|Get|SetValue|Set>>，這樣咱們就能夠優先搜索最長的匹配。咱們也能夠把四個選項結合起來成兩個選項：<<Get(Value)?|Set(Value)?>>。由於問號重複符是貪婪的，因此SetValue總會在Set以前被匹配。

11. 組與向後引用

把正則表達式的一部分放在圓括號內，你能夠將它們造成組。而後你能夠對整個組使用一些正則操做，例如重複操做符。

要注意的是，只有圓括號「()」才能用於造成組。「[]」用於定義字符集。「{}」用於定義重複操做。

當用「()」定義了一個正則表達式組後，正則引擎則會把被匹配的組按照順序編號，存入緩存。當對被匹配的組進行向後引用的時候，能夠用「"數字」的方式進行引用。<<"1>>引用第一個匹配的後向引用組，<<"2>>引用第二個組，以此類推，<<"n>>引用第n個組。而<<"0>>則引用整個被匹配的正則表達式自己。咱們看一個例子。

假設你想匹配一個HTML標籤的開始標籤和結束標籤，以及標籤中間的文本。好比This is a test，咱們要匹配和以及中間的文字。咱們能夠用以下正則表達式：「<([A-Z][A-Z0-9]*)[^>]*>.*?</"1>」

首先，「<」將會匹配「」的第一個字符「<」。而後[A-Z]匹配B，[A-Z0-9]*將會匹配0到屢次字母數字，後面緊接着0到多個非「>」的字符。最後正則表達式的「>」將會匹配「」的「>」。接下來正則引擎將對結束標籤以前的字符進行惰性匹配，直到遇到一個「</」符號。而後正則表達式中的「"1」表示對前面匹配的組「([A-Z][A-Z0-9]*)」進行引用，在本例中，被引用的是標籤名「B」。因此須要被匹配的結尾標籤爲「」

你能夠對相同的後向引用組進行屢次引用，<<([a-c])x"1x"1>>將匹配「axaxa」、「bxbxb」以及「cxcxc」。若是用數字形式引用的組沒有有效的匹配，則引用到的內容簡單的爲空。

一個後向引用不能用於它自身。<<([abc]"1)>>是錯誤的。所以你不能將<<"0>>用於一個正則表達式匹配自己，它只能用於替換操做中。

後向引用不能用於字符集內部。<<(a)["1b]>>中的<<"1>>並不表示後向引用。在字符集內部，<<"1>>能夠被解釋爲八進制形式的轉碼。

向後引用會下降引擎的速度，由於它須要存儲匹配的組。若是你不須要向後引用，你能夠告訴引擎對某個組不存儲。例如：<<Get(?:Value)>>。其中「(」後面緊跟的「?:」會告訴引擎對於組(Value)，不存儲匹配的值以供後向引用。

· 重複操做與後向引用

當對組使用重複操做符時，緩存裏後向引用內容會被不斷刷新，只保留最後匹配的內容。例如：<<([abc]+)="1>>將匹配「cab=cab」，可是<<([abc])+="1>>卻不會。由於([abc])第一次匹配「c」時，「"1」表明「c」；而後([abc])會繼續匹配「a」和「b」。最後「"1」表明「b」，因此它會匹配「cab=b」。

應用：檢查重複單詞--當編輯文字時，很容易就會輸入重複單詞，例如「the the」。使用<<"b("w+)"s+"1"b>>能夠檢測到這些重複單詞。要刪除第二個單詞，只要簡單的利用替換功能替換掉「"1」就能夠了。

· 組的命名和引用

在PHP，Python中，能夠用<<(?P<name>group)>>來對組進行命名。在本例中，詞法?P<name>就是對組(group)進行了命名。其中name是你對組的起的名字。你能夠用(?P=name)進行引用。

.NET的命名組

.NET framework也支持命名組。不幸的是，微軟的程序員們決定發明他們本身的語法，而不是沿用Perl、Python的規則。目前爲止，尚未任何其餘的正則表達式實現支持微軟發明的語法。

下面是.NET中的例子：

(?<first>group)(?’second’group)

正如你所看到的，.NET提供兩種詞法來建立命名組：一是用尖括號「<>」，或者用單引號「’’」。尖括號在字符串中使用更方便，單引號在ASP代碼中更有用，由於ASP代碼中「<>」被用做HTML標籤。

要引用一個命名組，使用"k<name>或"k’name’.

當進行搜索替換時，你能夠用「${name}」來引用一個命名組。

12. 正則表達式的匹配模式

本教程所討論的正則表達式引擎都支持三種匹配模式：

<>使正則表達式對大小寫不敏感，

<</s>>開啓「單行模式」，即點號「.」匹配新行符

<</m>>開啓「多行模式」，即「^」和「$」匹配新行符的前面和後面的位置。

· 在正則表達式內部打開或關閉模式

若是你在正則表達式內部插入修飾符(?ism)，則該修飾符只對其右邊的正則表達式起做用。(?-i)是關閉大小寫不敏感。你能夠很快的進行測試。<<(?i)te(?-i)st>>應該匹配TEst，可是不能匹配teST或TEST.

13. 原子組與防止回溯

在一些特殊狀況下，由於回溯會使得引擎的效率極其低下。

讓咱們看一個例子：要匹配這樣的字串，字串中的每一個字段間用逗號作分隔符，第12個字段由P開頭。

咱們容易想到這樣的正則表達式<<^(.*?,){11}P>>。這個正則表達式在正常狀況下工做的很好。可是在極端狀況下，若是第12個字段不是由P開頭，則會發生災難性的回溯。如要搜索的字串爲「1,2,3,4,5,6,7,8,9,10,11,12,13」。首先，正則表達式一直成功匹配直到第12個字符。這時，前面的正則表達式消耗的字串爲「1,2,3,4,5,6,7,8,9,10,11,」，到了下一個字符，<>並不匹配「12」。因此引擎進行回溯，這時正則表達式消耗的字串爲「1,2,3,4,5,6,7,8,9,10,11」。繼續下一次匹配過程，下一個正則符號爲點號<<.>>，能夠匹配下一個逗號「,」。然而<<，>>並不匹配字符「12」中的「1」。匹配失敗，繼續回溯。你們能夠想象，這樣的回溯組合是個很是大的數量。所以可能會形成引擎崩潰。

用於阻止這樣巨大的回溯有幾種方案：

一種簡單的方案是儘量的使匹配精確。用取反字符集代替點號。例如咱們用以下正則表達式<<^([^,"r"n]*,){11}P>>，這樣可使失敗回溯的次數降低到11次。

另外一種方案是使用原子組。

原子組的目的是使正則引擎失敗的更快一點。所以能夠有效的阻止海量回溯。原子組的語法是<<(?>正則表達式)>>。位於(?>)之間的全部正則表達式都會被認爲是一個單一的正則符號。一旦匹配失敗，引擎將會回溯到原子組前面的正則表達式部分。前面的例子用原子組能夠表達成<<^(?>(.*?,){11})P>>。一旦第十二個字段匹配失敗，引擎回溯到原子組前面的<<^>>。

14. 向前查看與向後查看

Perl 5 引入了兩個強大的正則語法：「向前查看」和「向後查看」。他們也被稱做「零長度斷言」。他們和錨定同樣都是零長度的（所謂零長度即指該正則表達式不消耗被匹配的字符串）。不一樣之處在於「先後查看」會實際匹配字符，只是他們會拋棄匹配只返回匹配結果：匹配或不匹配。這就是爲何他們被稱做「斷言」。他們並不實際消耗字符串中的字符，而只是斷言一個匹配是否可能。

幾乎本文討論的全部正則表達式的實現都支持「向前向後查看」。惟一的一個例外是Javascript只支持向前查看。

· 確定和否認式的向前查看

如咱們前面提過的一個例子：要查找一個q，後面沒有緊跟一個u。也就是說，要麼q後面沒有字符，要麼後面的字符不是u。採用否認式向前查看後的一個解決方案爲<<q(?!u)>>。否認式向前查看的語法是<<(?!查看的內容)>>。

確定式向前查看和否認式向前查看很相似：<<(?=查看的內容)>>。

若是在「查看的內容」部分有組，也會產生一個向後引用。可是向前查看自己並不會產生向後引用，也不會被計入向後引用的編號中。這是由於向前查看自己是會被拋棄掉的，只保留匹配與否的判斷結果。若是你想保留匹配的結果做爲向後引用，你能夠用<<(?=(regex))>>來產生一個向後引用。

· 確定和否認式的前後查看

向後查看和向前查看有相同的效果，只是方向相反

否認式向後查看的語法是：<<(?<!查看內容)>>

確定式向後查看的語法是：<<(?<=查看內容)>>

咱們能夠看到，和向前查看相比，多了一個表示方向的左尖括號。

例：<<(?<!a)b>>將會匹配一個沒有「a」做前導字符的「b」。

值得注意的是：向前查看從當前字符串位置開始對「查看」正則表達式進行匹配；向後查看則從當前字符串位置開始前後回溯一個字符，而後再開始對「查看」正則表達式進行匹配。

· 深刻正則表達式引擎內部

讓咱們看一個簡單例子。

把正則表達式<<q(?!u)>>應用到字符串「Iraq」。正則表達式的第一個符號是<<q>>。正如咱們知道的，引擎在匹配<<q>>之前會掃過整個字符串。當第四個字符「q」被匹配後，「q」後面是空字符(void)。而下一個正則符號是向前查看。引擎注意到已經進入了一個向前查看正則表達式部分。下一個正則符號是<>，和空字符不匹配，從而致使向前查看裏的正則表達式匹配失敗。由於是一個否認式的向前查看，意味着整個向前查看結果是成功的。因而匹配結果「q」被返回了。

咱們在把相同的正則表達式應用到「quit」。<<q>>匹配了「q」。下一個正則符號是向前查看部分的<>，它匹配了字符串中的第二個字符「i」。引擎繼續走到下個字符「i」。然而引擎這時注意到向前查看部分已經處理完了，而且向前查看已經成功。因而引擎拋棄被匹配的字符串部分，這將致使引擎回退到字符「u」。

由於向前查看是否認式的，意味着查看部分的成功匹配致使了整個向前查看的失敗，所以引擎不得不進行回溯。最後由於再沒有其餘的「q」和<<q>>匹配，因此整個匹配失敗了。

爲了確保你能清楚地理解向前查看的實現，讓咱們把<<q(?=u)i>>應用到「quit」。<<q>>首先匹配「q」。而後向前查當作功匹配「u」，匹配的部分被拋棄，只返回能夠匹配的判斷結果。引擎從字符「i」回退到「u」。因爲向前查當作功了，引擎繼續處理下一個正則符號<>。結果發現<>和「u」不匹配。所以匹配失敗了。因爲後面沒有其餘的「q」，整個正則表達式的匹配失敗了。

· 更進一步理解正則表達式引擎內部機制

讓咱們把<<(?<=a)b>>應用到「thingamabob」。引擎開始處理向後查看部分的正則符號和字符串中的第一個字符。在這個例子中，向後查看告訴正則表達式引擎回退一個字符，而後查看是否有一個「a」被匹配。由於在「t」前面沒有字符，因此引擎不能回退。所以向後查看失敗了。引擎繼續走到下一個字符「h」。再一次，引擎暫時回退一個字符並檢查是否有個「a」被匹配。結果發現了一個「t」。向後查看又失敗了。

向後查看繼續失敗，直到正則表達式到達了字符串中的「m」，因而確定式的向後查看被匹配了。由於它是零長度的，字符串的當前位置仍然是「m」。下一個正則符號是<>，和「m」匹配失敗。下一個字符是字符串中的第二個「a」。引擎向後暫時回退一個字符，而且發現<<a>>不匹配「m」。

在下一個字符是字符串中的第一個「b」。引擎暫時性的向後退一個字符發現向後查看被知足了，同時<>匹配了「b」。所以整個正則表達式被匹配了。做爲結果，正則表達式返回字符串中的第一個「b」。

· 向前向後查看的應用

咱們來看這樣一個例子：查找一個具備6位字符的，含有「cat」的單詞。

首先，咱們能夠不用向前向後查看來解決問題，例如：

<< cat"w{3}|"wcat"w{2}|"w{2}cat"w|"w{3}cat>>

足夠簡單吧！可是當需求變成查找一個具備6-12位字符，含有「cat」，「dog」或「mouse」的單詞時，這種方法就變得有些笨拙了。

咱們來看看使用向前查看的方案。在這個例子中，咱們有兩個基本需求要知足：一是咱們須要一個6位的字符，二是單詞含有「cat」。

知足第一個需求的正則表達式爲<<"b"w{6}"b>>。知足第二個需求的正則表達式爲<<"b"w*cat"w*"b>>。

把二者結合起來，咱們能夠獲得以下的正則表達式：

<<(?="b"w{6}"b)"b"w*cat"w*"b>>

具體的匹配過程留給讀者。可是要注意的一點是，向前查看是不消耗字符的，所以當判斷單詞知足具備6個字符的條件後，引擎會從開始判斷前的位置繼續對後面的正則表達式進行匹配。