正则表达式-基本概念与简单元字符

正则表达式工做中一直在使用，可是没有系统的总结过，今天就从小白的角度梳理一下正则表达式的使用，主要关注的是正则的思想

边写边听五月天的派对动物。学会了正则省下的时间就能够去party了 ^_^

正则表达式概念

咱们先来看看正则表达式的概念，毕竟正则的语法、使用都是围绕着它要解决的问题来的。

wikipedia定义：

正则表达式（英语：Regular Expression，在代码中常简写为regex、regexp或RE），
又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法，
是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。
在不少文本编辑器里，正则表达式一般被用来检索、替换那些匹配某个模式的文本。

首先，正则表达式是一个字符串组成的模式，用来匹配一个字符串，通常用在检索，替换里，也常常用来校验一些字符模式，检验是否匹配一个给定的规则。

正则表达式的基本语法

正则表达式使用字符串来描述字符串，也就是说跟编程语言，正则表达式是有本身的关键字的,学会这些关键字是咱们入门正则的第一步，而后在使用中领会正则表达式的思想，一步步进阶。

首先要明确一点，正则引擎在匹配时是一个字符一个字符的匹配的，跟咱们日常印象中一串一串匹配的思惟是不一样的，这个须要咱们时刻牢记。

匹配单个字符的元字符

咱们首先来看一下匹配一个字符的关键字：

元字符	名称	含义
.	点号	匹配任意一个字符
[……]	字符组	匹配组内的单个字符
[^……]	排除性字符组	匹配单个未列出的字符
\meta	转义字符	特殊含义或转义元字符

英文点号能够匹配任意字符，可是不包括换行符，也就是说匹配到换行点号就匹配失败了，咱们可使用\n来匹配换行符，在java中也有MULTI_LINES来指定让点号匹配到换行符

若是咱们想匹配一个文本形式的点号怎么弄呢，可使用反斜线\来转义关键字，这样就能够匹配一个点号，而不是匹配任意字符的关键字点号了。

关于字符组须要说明一点，可使用-来描述一个范围，好比咱们想匹配数字，咱们能够写一个全列[0123456789],也可使用[0-9],字符也是同样[a-zA-z]匹配英文大小写的26个字母，若是咱们想匹配横杠怎么办呢？只有一个办法，那就是把它写在紧跟左中括号后面，[-a-z]匹配横杠和a-z的全部字母，若是写在中间是会被当成关键字来解析的。

计数元字符

有了匹配单个字符的关键字，匹配多个就要用到计数元字符，经常使用的有下面这些：

元字符	名称	含义	区间表示
?	问号	匹配至多一次	{0,1} greedy的
*	星号	匹配任意屡次，也能够不匹配	{0,}
+	加号	匹配至少一次	{1,}
{min, max}	区间	min <=匹配次数 <= max	grep默认不支持{元字符，可使用-E选项
*?,+?,??,{min,max}?	忽略优先量词	匹配尽量少的内容
*+, ++, ?+ {min,max}+	占有优先量词	匹配内容后不会交还，相似固化分组

?*+这三个元字符是可使用{}来模拟的，不过在一些正则流派里不支持{}元字符，咱们只能使用这三个。

在为加?的量词上，前四个都是贪婪匹配的，也就是说他们会匹配尽量多的字符，在匹配失败的时候才会中止，这有时候颇有用，但有时候会让咱们没有通过深思写出来的正则匹配到错误的内容。第四列在量词后面加了?则正相反，它会匹配尽量少的内容，是先为人后为几的，这两种方式的区别咱们后面再讲，这跟表达式引擎的递归与回溯有关。

最后一列是占有优先量词，这个概念是在贪婪的基础上加了铁公鸡属性(占有)，也就是说经它匹配过的字符就是它的了，不会再吐出来。后面咱们在讲回溯跟固化分组时是再来回顾这个占有优先量词。

简写

上面二者组合能够匹配大部分字符了，不过有些写起来很繁琐，所以正则为咱们提早定义好了一些简写，使用时能够减小表达式长度。

元字符	名称	含义
\s	[ \f\v\t\n\r]	匹配空格，制表符，回车、换行
\S		除\s以外的任何字符
\w	[a-zA-Z0-9_]	匹配一个单词
\W	[^a-zA-Z0-9]	匹配除\w外的任何字符
\d	[0-9]	数字
\D	[^0-9]	非数字

注：相同字母的小写跟大写在这是互补的，也就是互为补集，不过须要注意一点，在这里面没有包含Unicode字符，不一样的正则引擎对这些有不一样的实现，譬如\d有的正则引擎能够匹配Unicode中的数字，也就是说中文六也是有可能匹配的，这个能够参考各自的语言工具书(不过通常这样用没啥问题)。

练习

我这里使用nodepad++来练习正则表达式，Linux下有些字符处理起来比较麻烦，Java写起来又太啰嗦，怎么简便怎么来。

找出一段文字中的数字

\d+ 或 [0-9]+

这里使用加号是由于数字至少出现一次才是合法的，若是使用*则能够匹配任意位置，由于*能够不匹配任何字符

日志里常根据关键字和id来定位，通常如何使用呢？

假设关键字为keyword， id为13235413,而且id在后面，咱们可使用keyword.*13235413来匹配含有这个模式的一行日志，这里加不加问号对咱们没有影响

找出一行里含有至少10个单词的行，假设单词以空格分割

---

这

是

自

己

的

思

考

线

---

不存在惟一的答案，我是这样写的(\w++ *){10,},第一次写成了(\w+ *){10,}，也就是没有使用占有优先量词，这个表达式是不符合要求的，你们能够试一下，而后想一想，后面咱们会在涉及到回溯与固化分组相关的时候就能够明白了。