正則表達式-基本概念與簡單元字符

正則表達式工做中一直在使用，可是沒有系統的總結過，今天就從小白的角度梳理一下正則表達式的使用，主要關注的是正則的思想

邊寫邊聽五月天的派對動物。學會了正則省下的時間就能夠去party了 ^_^

正則表達式概念

咱們先來看看正則表達式的概念，畢竟正則的語法、使用都是圍繞着它要解決的問題來的。

wikipedia定義：

正則表達式（英語：Regular Expression，在代碼中常簡寫爲regex、regexp或RE），
又稱正規表示式、正規表示法、正規表達式、規則表達式、常規表示法，
是計算機科學的一個概念。正則表達式使用單個字符串來描述、匹配一系列匹配某個句法規則的字符串。
在不少文本編輯器裏，正則表達式一般被用來檢索、替換那些匹配某個模式的文本。

首先，正則表達式是一個字符串組成的模式，用來匹配一個字符串，通常用在檢索，替換裏，也常常用來校驗一些字符模式，檢驗是否匹配一個給定的規則。

正則表達式的基本語法

正則表達式使用字符串來描述字符串，也就是說跟編程語言，正則表達式是有本身的關鍵字的,學會這些關鍵字是咱們入門正則的第一步，而後在使用中領會正則表達式的思想，一步步進階。

首先要明確一點，正則引擎在匹配時是一個字符一個字符的匹配的，跟咱們日常印象中一串一串匹配的思惟是不一樣的，這個須要咱們時刻牢記。

匹配單個字符的元字符

咱們首先來看一下匹配一個字符的關鍵字：

元字符	名稱	含義
.	點號	匹配任意一個字符
[……]	字符組	匹配組內的單個字符
[^……]	排除性字符組	匹配單個未列出的字符
\meta	轉義字符	特殊含義或轉義元字符

英文點號能夠匹配任意字符，可是不包括換行符，也就是說匹配到換行點號就匹配失敗了，咱們可使用\n來匹配換行符，在java中也有MULTI_LINES來指定讓點號匹配到換行符

若是咱們想匹配一個文本形式的點號怎麼弄呢，可使用反斜線\來轉義關鍵字，這樣就能夠匹配一個點號，而不是匹配任意字符的關鍵字點號了。

關於字符組須要說明一點，可使用-來描述一個範圍，好比咱們想匹配數字，咱們能夠寫一個全列[0123456789],也可使用[0-9],字符也是同樣[a-zA-z]匹配英文大小寫的26個字母，若是咱們想匹配橫槓怎麼辦呢？只有一個辦法，那就是把它寫在緊跟左中括號後面，[-a-z]匹配橫槓和a-z的全部字母，若是寫在中間是會被當成關鍵字來解析的。

計數元字符

有了匹配單個字符的關鍵字，匹配多個就要用到計數元字符，經常使用的有下面這些：

元字符	名稱	含義	區間表示
?	問號	匹配至多一次	{0,1} greedy的
*	星號	匹配任意屢次，也能夠不匹配	{0,}
+	加號	匹配至少一次	{1,}
{min, max}	區間	min <=匹配次數 <= max	grep默認不支持{元字符，可使用-E選項
*?,+?,??,{min,max}?	忽略優先量詞	匹配儘量少的內容
*+, ++, ?+ {min,max}+	佔有優先量詞	匹配內容後不會交還，相似固化分組

?*+這三個元字符是可使用{}來模擬的，不過在一些正則流派裏不支持{}元字符，咱們只能使用這三個。

在爲加?的量詞上，前四個都是貪婪匹配的，也就是說他們會匹配儘量多的字符，在匹配失敗的時候纔會中止，這有時候頗有用，但有時候會讓咱們沒有通過深思寫出來的正則匹配到錯誤的內容。第四列在量詞後面加了?則正相反，它會匹配儘量少的內容，是先爲人後爲幾的，這兩種方式的區別咱們後面再講，這跟表達式引擎的遞歸與回溯有關。

最後一列是佔有優先量詞，這個概念是在貪婪的基礎上加了鐵公雞屬性(佔有)，也就是說經它匹配過的字符就是它的了，不會再吐出來。後面咱們在講回溯跟固化分組時是再來回顧這個佔有優先量詞。

簡寫

上面二者組合能夠匹配大部分字符了，不過有些寫起來很繁瑣，所以正則爲咱們提早定義好了一些簡寫，使用時能夠減小表達式長度。

元字符	名稱	含義
\s	[ \f\v\t\n\r]	匹配空格，製表符，回車、換行
\S		除\s以外的任何字符
\w	[a-zA-Z0-9_]	匹配一個單詞
\W	[^a-zA-Z0-9]	匹配除\w外的任何字符
\d	[0-9]	數字
\D	[^0-9]	非數字

注：相同字母的小寫跟大寫在這是互補的，也就是互爲補集，不過須要注意一點，在這裏面沒有包含Unicode字符，不一樣的正則引擎對這些有不一樣的實現，譬如\d有的正則引擎能夠匹配Unicode中的數字，也就是說中文六也是有可能匹配的，這個能夠參考各自的語言工具書(不過通常這樣用沒啥問題)。

練習

我這裏使用nodepad++來練習正則表達式，Linux下有些字符處理起來比較麻煩，Java寫起來又太囉嗦，怎麼簡便怎麼來。

找出一段文字中的數字

\d+ 或 [0-9]+

這裏使用加號是由於數字至少出現一次纔是合法的，若是使用*則能夠匹配任意位置，由於*能夠不匹配任何字符

日誌裏常根據關鍵字和id來定位，通常如何使用呢？

假設關鍵字爲keyword， id爲13235413,而且id在後面，咱們可使用keyword.*13235413來匹配含有這個模式的一行日誌，這裏加不加問號對咱們沒有影響

找出一行裏含有至少10個單詞的行，假設單詞以空格分割

---

這

是

自

己

的

思

考

線

---

不存在惟一的答案，我是這樣寫的(\w++ *){10,},第一次寫成了(\w+ *){10,}，也就是沒有使用佔有優先量詞，這個表達式是不符合要求的，你們能夠試一下，而後想一想，後面咱們會在涉及到回溯與固化分組相關的時候就能夠明白了。