正则表达式中贪心与非贪心、非捕获分组、匹配先前文本的笔记

非捕获分组（.NET、Java、JavaScript、PCRE、Perl、Python、Ruby）

由三个字条<(?:>作为起始的是一个非捕获分组，右括号<)>则作为该分组的结束。非捕获分组提供相同的分组功能，但是不会捕获任何内容。
当计算捕获分组的左括号个数来确定它们的序号的时候，不要计算非捕获分组的括号，这样我们可以在原有的正则表达式上添加非捕获分组而不会破坏对于已经编号的捕获分组的引用。
非捕获分组的另外一个好处是它的性能较高。如果你不会使用到某个特定分组的反向引用，或是在源代码中提取其匹配的话，那么使用捕获分组就会添加额外的性能开销，当然，这种差异在实践中很难被注意到，除非用来处理大量的数据。

匹配先前匹配的文本（.NET、Java、JavaScript、PCRE、Perl、Python、Ruby）

为了在一个正则表达式中匹配先前匹配到的文本，我们首先必须捕获上次匹配的文本。这可以使用一个捕获分组来实现，在此之后，使用反向引用（backreference）来在该正则表达式中的任何地方匹配相同的文本。可以使用反斜杠之后跟一个单个数字（1_{9）来引用前9个捕获分组，而第10}99组，则要使用<\10>~<\99>。(笔者未验证过。)

贪心与非贪心匹配机制详解

考虑这样一个问题：匹配一对HTML标记<p>和</p>，以及二者之间的所有文本。我们正则表达式会写成：
<p>.*?</p>
假设我们要匹配的文本如下：
<p>
The very <em>first</em> task is to find the beginning of a paragrah.
</p>
<p>
The you have to find the end of the paragraph.
</p>

<p>.?</p>这个正则表达式是非贪心的，也就是它会尽可能少地匹配文本（稍后会详细说明内在机制），如果写成<p>.</p>（少了问号）的话，匹配就会出现错误——后者匹配了所有的文本。
我们先看一下贪心正则表达式的工作原理吧，以星号（）为例，星号会夺取尽可能多的文本，但是它对于不匹配任何东西（0次重复）同样也感到满意，在超过量词最小次数的每次量词重复之后，正则表达基都会保存一个回溯位置。如果在该量词之后的正则表达式部分匹配失败，那么正则引擎可以回到这些位置。
所以正则表达式"<p>.</p>"是这样工作的：在匹配了目标文本的第一个<p>之后，引擎会到达“.”，其中的点号可以匹配任意字符，其中也包括换行符，星号则把它重复0次或更多次。这里的星号是贪心的，因此“.”会匹配直到目标文本结束的所有内容。之后，引擎才会试图去匹配在目标文本结尾的“<”，这显然会失败，这时，正则引擎就会进行回溯（backtrack）。当“<”失败之后，引擎会进行回溯，让“.”放弃它的匹配中的一个字符，接着“<”会被再次尝试匹配，这次在文件中的最后一个字符的位置，如果它依然失败的话，那么引擎会再一次进行回溯，在文件的倒数第二个字符处尝试匹配“<”，这个过程会一直继续，直到“<”匹配成功为止。当用完所有的回溯位置都还没有匹配到“<”的话，整个匹配就宣布失败了。如果“<”在某个点被匹配到了，那么引擎会接着尝试匹配“/”，如果“/”匹配失败的话，引擎还会接着进行回溯，这个过程会一直重复，直到“</p>”可以被整个匹配为止。
<p>.</p>正则表达式没有满足我们的需求，这时我们就需要使用懒惰量词了。我们量词后面加上一个问号来使其成为懒惰的：*？、+？、??、和{1，5}？都是懒惰量词。
懒惰量词也会进行回溯，但却是从不同的方向进行的。一个懒惰量词会重复尽可能少的次数，然后保存一个回溯位置，并且允许正则表达式继续。如果剩余的正则表达式匹配失败了，那么引擎会进行回溯，此时懒惰量词会再重复一次，直到量词扩展到它允许的最大重复次数，或者直到它所重复的正则记号匹配失败。