前言

《精通正则表达式第三版》笔记，个人认为捕获和环视的概念很有用

1捕获组

每一个 () 内的匹配到的元素都对应一个捕获, 默认 0 是整个字符串.匹配组以 ( 标识

环视

环视不匹配任何字符只匹配文本中的特定位置,环视中的其他结构也不会被捕获

(?=\d) #肯定顺序环视 当前位置右边的字符是数字则匹配成功
(?!\d) #否定顺序环视 当前位置右边的字符不是数字则匹配成功
(?<=\d) #肯定逆序环视 当前位置的字符左边是数字则匹配成功
(?<=\d) #否定逆序环视 当前位置的字符左边不是数字则匹配成功
(?:\d) #匹配任意数字(不会占用匹配组 ) 当前位置 对应的捕获形式为(\d)
(?>\d) #固化分组,回溯时匹配的文本已经固化为一个单位,只能作为整体保留或舍弃

重点放在 (? (?= (?! (?:

环视只匹配位置

(?=alonwang)alon

给出文本 alonwang 那么匹配到的结果是

alon

如果文本是 alonabcd 那么匹配会失败

字符组

字符组通常表示肯定断言,他必须少匹配一个字符,即使排除性字符组也是这样

量词

匹配优先量词:默认匹配尽可能多的内容

* + ? {num,num}

忽略优先量词: 匹配尽可能少的内容,只要满足下限,匹配就能成功

*? +? ?? {num,num}?

占有优先量词:,类似于普通的匹配优先量词,但是一旦匹配不会交还,和固化分组比较相似

*+ ++ ?+ {num,num}+

正则引擎

NFA:非确定型有穷自动机,基于表达式

DFA:确定型有穷自动机,基于本文

1. 匹配迅速(目标文本中的字符不会被重复检测)
2. 匹配一致
3. 讨论匹配很麻烦

匹配的一般原则:

1. 优先选择最左端(最靠近开头)的匹配结果
2. 标准的匹配量词(* + ?)和({m,n})是匹配优先的

NFA回溯

哪个分支应当首先选择

如果需要在"进行尝试"和"跳过尝试"之间选择,对于匹配优先量词,引擎会优先选择"进行尝试",对于忽略优先量词,会选择跳过尝试

回溯时,应该选取那个保存的状态

后进先出原则

---

元字符	描述
\	将下一个字符标记符、或一个向后引用、或一个八进制转义符。例如，“\n”匹配\n。“\n”匹配换行符。序列“\”匹配“\”而“(”则匹配“(”。即相当于多种编程语言中都有的“转义字符”的概念。
^	匹配输入字符串的开始位置。如果设置了RegExp对象的Multiline属性，^也匹配“\n”或“\r”之后的位置。
$	匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性，$也匹配“\n”或“\r”之前的位置。
*	匹配前面的子表达式任意次。例如，zo能匹配“z”，也能匹配“zo”以及“zoo”。等价于o{0,}
+	匹配前面的子表达式一次或多次(大于等于1次）。例如，“zo+”能匹配“zo”以及“zoo”，但不能匹配“z”。+等价于{1,}。
?	匹配前面的子表达式零次或一次。例如，“do(es)?”可以匹配“do”或“does”中的“do”。?等价于{0,1}。
{n}	n是一个非负整数。匹配确定的n次。例如，“o{2}”不能匹配“Bob”中的“o”，但是能匹配“food”中的两个o。
{n,}	n是一个非负整数。至少匹配n次。例如，“o{2,}”不能匹配“Bob”中的“o”，但能匹配“foooood”中的所有o。“o{1,}”等价于“o+”。“o{0,}”则等价于“o*”。
{n,m}	m和n均为非负整数，其中n<=m。最少匹配n次且最多匹配m次。例如，“o{1,3}”将匹配“fooooood”中的前三个o为一组，后三个o为一组。“o{0,1}”等价于“o?”。请注意在逗号和两个数之间不能有空格。
?	当该字符紧跟在任何一个其他限制符（*,+,?，{n}，{n,}，{n,m}）后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串“oooo”，“o+”将尽可能多的匹配“o”，得到结果[“oooo”]，而“o+?”将尽可能少的匹配“o”，得到结果 ['o', 'o', 'o', 'o']
.点	匹配除“\r\n”之外的任何单个字符。要匹配包括“\r\n”在内的任何字符，请使用像“[\s\S]”的模式。
(pattern)	匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到，在VBScript中使用SubMatches集合，在JScript中则使用9属性。要匹配圆括号字符，请使用“(”或“)”。
(?:pattern)	非获取匹配，匹配pattern但不获取匹配结果，不进行存储供以后使用。这在使用或字符“(|)”来组合一个模式的各个部分时很有用。例如“industr(?:y|ies)”就是一个比“industry|industries”更简略的表达式。
(?=pattern)	非获取匹配，正向肯定预查，在任何匹配pattern的字符串开始处匹配查找字符串，该匹配不需要获取供以后使用。例如，“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”，但不能匹配“Windows3.1”中的“Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)	非获取匹配，正向否定预查，在任何不匹配pattern的字符串开始处匹配查找字符串，该匹配不需要获取供以后使用。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”，但不能匹配“Windows2000”中的“Windows”。
(?<=pattern)	非获取匹配，反向肯定预查，与正向肯定预查类似，只是方向相反。例如，“(?<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”，但不能匹配“3.1Windows”中的“Windows”。
(?<!pattern)	非获取匹配，反向否定预查，与正向否定预查类似，只是方向相反。例如“(?<!95|98|NT|2000)Windows”能匹配“3.1Windows”中的“Windows”，但不能匹配“2000Windows”中的“Windows”。这个地方不正确，有问题 此处用或任意一项都不能超过2位，如“(?<!95|98|NT|20)Windows正确，“(?<!95|980|NT|20)Windows 报错，若是单独使用则无限制，如(?<!2000)Windows 正确匹配
x|y	匹配x或y。例如，“z|food”能匹配“z”或“food”(此处请谨慎)。“[zf]ood”则匹配“zood”或“food”。
[xyz]	字符集合。匹配所包含的任意一个字符。例如，“[abc]”可以匹配“plain”中的“a”。
[^xyz]	负值字符集合。匹配未包含的任意字符。例如，“[^abc]”可以匹配“plain”中的“plin”。
[a-z]	字符范围。匹配指定范围内的任意字符。例如，“[a-z]”可以匹配“a”到“z”范围内的任意小写字母字符。 注意:只有连字符在字符组内部时,并且出现在两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身.
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，“[^a-z]”可以匹配任何不在“a”到“z”范围内的任意字符。
\b	匹配一个单词边界，也就是指单词和空格间的位置（即正则表达式的“匹配”有两种概念，一种是匹配字符，一种是匹配位置，这里的\b就是匹配位置的）。例如，“er\b”可以匹配“never”中的“er”，但不能匹配“verb”中的“er”。
\B	匹配非单词边界。“er\B”能匹配“verb”中的“er”，但不能匹配“never”中的“er”。
\cx	匹配由x指明的控制字符。例如，\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则，将c视为一个原义的“c”字符。
\d	匹配一个数字字符。等价于[0-9]。grep 要加上-P，perl正则支持
\D	匹配一个非数字字符。等价于[^0-9]。grep要加上-P，perl正则支持
\f	匹配一个换页符。等价于\x0c和\cL。
\n	匹配一个换行符。等价于\x0a和\cJ。
\r	匹配一个回车符。等价于\x0d和\cM。
\s	匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。
\S	匹配任何可见字符。等价于[^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于\x09和\cI。
\v	匹配一个垂直制表符。等价于\x0b和\cK。
\w	匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”，这里的"单词"字符使用Unicode字符集。
\W	匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。

正则总结

^\s*$ #空行
^ #匹配行开头
/(?=Jeff)(?=s)/'/ #替换Jeffs为Jeff's
/(?=s)(?<=Jeff)/'/ #与上面作用相同
/(?<=\d)(?=(\d\d\d)+(?!\d))/,/ #每千位添加一个,
/(\d)(\d\d\d+\b)/$1,$2/ #期望完成上面的效果但是实际匹配的是123,456789
(?<!\w)(?=\w) #单词开始分界符
(?<=\w)(?!\w) #单词结束分界符,和上面的结合相当与\b
\b(http://[-a-z0-9]+(\.[-a-z0-9]+)*\.(com|edu|org)\b)(/[-a-z0-9_:\@&?=+,.!/~*%\\$]*(?<![.,?!])) # url

复杂的例子

1. ^.([0-9]+) 匹配"copyright 2003",括号内捕获到的是3, .会匹配到整个字符串,为了满足[0-9]+,最后一个字符3会被交出,这已经满足了需要匹配结束