【从零开始】正则表达式从入门到应用1

正则表达式你们应该都不陌生，可是给人的印象可能就是不那么高大上又很难理解、很难精通的这么一个玩意儿，并且适用范围又不是那么宽。就是这么一个感受有点鸡肋的东西，若是到了须要的场合而不会用，就会面临一种“前进是悬崖，后退是荒芜”的困境。
我最近正在作一些关于Html代码的解析工做，虽然手头上有jsoup这样好用的工具，仍是架不住世界上的技术人员代码风格变幻无穷，不免遇到不按套路出牌的，专门花一点时间系统的学习一下正则表达式确实颇有必要。
这里有同窗就要问了：网上不是有不少现成的例子么，匹配适用的语言，直接拿过来用不就行了？固然，这样作方便快捷，可是弊端也很明显，一是缺少原理背后的讲解，一旦找不到合适的例子就只能一筹莫展，这就是人们熟知的“鱼”和“渔”，二是网上的博客什么的也是人写的，也不必定适合复杂多变的状况，也不必定正确。因此，仍是决定深刻了解学习一下，写下这篇专栏记录学习经历。
注：学习使用的教材是余晟老师著《正则指引》（第二版），当前使用程序设计语言为Java，在学习中可能更多关注与Java相关的内容。

1字符组

在一对方括号 [ 和 ] 之间列出全部可能出现的字符，包括可见以及不可见的字符；例如：
[123]
表示能够匹配一、二、3的单个字符。

1.1字符组的范围表示

若是能够匹配的字符有规律性而且范围比较大，好比0、一、二、三、四、五、六、七、八、9，表达式写成
[0123456789]
这样就显得复杂也不美观，因此引入符号“-”，使用 [x-y] 的形式表示在闭区间x到y范围内的字符，上式能够写成
[0-9]

【注意】：-范围表示法必须遵循ASCII编码的前后顺序，即上式不可写做 [9-0] ，而一些使人困惑的表达式也尽可能不要使用，好比 [0-z] 由于该式涵盖了在ASCII编码表中从0到z的所有字符（不只仅只有数字和小写字母）。若是想要表示多个范围，好比匹配数字、大写字母和小写字母，表达式能够写做

[0-9a-zA-Z]

1.2元字符与转义

在表达式中有特殊功能而不做为字符的一部分字符，称为元字符。好比前文讲过的：[ ] - 都是元字符，若是想要恢复它们原本的字符属性就要作一些特殊处理。先看通常状况，取消元字符特殊含义的操做叫作转义，操做是在表达式中的元字符前加反斜杠 。特殊状况就是表示范围的横线 - ，当其紧邻左方括号 [ 时就做为普通字符处理，其余状况都做为元字符表示范围。

【注意】

一、横线 - 也支持反斜杠的转义，即[0-9]表示0、-、9三个字符。
二、右方括号 ] 不须要转义。

1.3排除型字符组

当须要表示的字符组范围很大，写起来不方便，而恰巧它的补集（全集指全部字符）方便表示，引出了排除型字符组[^…] ，表示在当前位置匹配一个没有列出的字符，请注意是“必须匹配一个没有出现的字符”，而不是“不要匹配列出的字符”。例如：

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

能够匹配“QQ”，但不能够匹配“Q”。

【注意】紧跟在 ^ 以后的 - 不是一个元字符！而^自身也是元字符，当且仅当^紧跟[时，不然表示它做为字符的含义。

1.4字符组简记法

常见的字符组简记法有\d（[0-9]）、\w（[0-9a-zA-Z_]）、\s（[\t\r\n\v\f]）

【注意】w能够匹配下划线，不等价于[0-9a-zA-Z]。另外字符组简记法能够单独出现，也可使用在字符组中，如

`[0-9a-zA-Z]`能够写成`[\da-zA-Z]`

正则表达式也提供了上面三种经常使用简记法的排除型：\D、\W、\S，这三种分别对应各自的补集（全集是指全部字符，即[dD]能够匹配任意字符，剩余两者同理）。

【再次注意】第一，使用字符组简记法最好不要出现单独的 - ；第二，上面描述的简记法都是针对ASCII编码而言的；第三，字符组简记法不止这三种，还有其余（也可能根据不一样的编程语言衍生出新的简记法），等遇到了再说。

1.5字符组的运算

从新回顾1.3第一段话，当咱们所研究的问题要求咱们的全集不是全部字符，排除型字符组就显得不是那么的好用了。好比我须要匹配字母表第一、五、9个小写字母，把全部字符看做全集显然不合适，而把全部小写字母看做全集就比较合适，可是写成[b-df-hj-z]就比较复杂并且容易搞错，Java就容许使用逻辑与（&&，也能够理解为取交集）来解决这个问题，即写成：

[a-z]&&[^aei]

我所学习和说明的正则表达式是PCRE流派的，教材上还介绍了POSIX等其余流派的正则表达式，这里暂不做说明。

【预告】第二章量词