上次中秋写了个文件操作，现在值此国庆佳节，举国欢腾之际，来写个正则吧X:)
1.什么是正则
先从名字来说所谓的“正则”就是“正则表达式”，英文是“regular expression”。
regular:规则的，有规律的。expression:表达式。合起来就是所谓的“正则表达式”。
那到底什么是正则，来看看wiki给它的定义regular expression。
a sequence of characters that define a search pattern,一个定义了搜索模式的字符序列。说人话就是，一个用来匹配符合特定条件的字符串的规则。常常将它用于搜索替换、数据验证、网页抓取清洗等等的功能。
2,正则入门
30/09/18，先写到这，明天再补
12/12/18 补坑
先来看一个最简单的正则，假设现在要在一堆文本里查找“hello”这个单词，那么我们可以用直接匹配的方式：he。
这就是一个最简单的正则，由2个字符组成，前面是h后面是e。但是有很多单词都包含了he两个字，例如hello，hell，the等等。所以当搜索工具检索到这些单词时，也会把它们当成he的搜索结果呈现。
那么如果要精确查找到he，应该用什么？\bhe\b。
\b可以理解为一个特殊的检索规则，它的规则是：单词的开头或结尾，也就是单词的分界处。通常的英文文本是由空格，标点符号或者换行来分隔的，但是\b并不匹配这些单词分隔字符中的任何一个，它只匹配一个位置。对于\b这样特殊规则的字符，人们用“元字符”来称呼它们。
如果用更准确的说法，
\b匹配这样的位置：它的前一个字符和后一个字符不全是(一个是,一个不是或不存在)\w。
\w:匹配字母或数字或下划线或汉字.\w也是元字符中的一种
元字符
元字符_wiki
正则表达式的组成分为两部分，也可以说是两种基本字符：元字符和正常的文本字符。正则表达式之所以如此强大，靠的就是元字符的“魔力”。所谓元字符就是指那些在正则表达式中具有特殊意义的专用字符，可以用来规定其前导字符（即位于元字符前面的字符）在目标对象中的出现模式。下面就来稍微详细讲讲元字符。
上面我们讲了如何匹配“he”，现在稍稍加强一下，写个正则来匹配"he want to eat dinner"。这里我们需要用到另外的元字符：.和*。先把正则写出来：\bhe\b.*\bdinner\b。
在这里，.是一个元字符，匹配除了换行符以外的任意字符。*也同样是元字符，不过它代表的不是字符，也不是位置，而是数量——它指定它前边的字符可以连续重复使用任意次以使整个表达式得到匹配（也就是0、1、2。。。到任意多）。因此，.*连在一起就意味着任意数量的不包含换行的字符。现在\bhe\b.*\bdinner\b的意思就很明显了：先是一个单词hi,然后是任意个任意字符(但不能是换行)，最后是dinner这个单词。
换行就是
\n，ASCII码为10。
表1常用的元字符
| 元字符 | 说明 |
|---|---|
. |
匹配除换行符以外的任意字符 |
\w |
匹配字母或数字或下划线或汉字 |
\s |
匹配任意的空白符 |
\d |
匹配数字 |
\b |
匹配单词的开始或结束 |
^ |
匹配字符串的开始 |
$ |
匹配字符串的结束 |
这里所说的“单词”，指的是不少于一个的连续的
\w，并不是特定意义上的英语“单词”
这里有一些常见的元字符了，如\b,.,*，还有\d.正则表达式里还有更多的元字符，比如\s匹配任意的空白符，包括空格，制表符(Tab)，换行符，中文全角空格等。\w匹配字母或数字或下划线或汉字等。
\ba\w*\b,这个例子匹配了以字母a开头的单词——先是某个单词开始处(\b)，然后是字母a,然后是任意数量的字母或数字(\w*)，最后是单词结束处(\b)。
\d+，这个例子匹配1个或更多连续的数字。这里的+是和*类似的元字符，不同的是*匹配重复任意次(可能是0次)，而+则匹配重复1次或更多次。类似的还有一个?，匹配0次或1次。
\b\w{6}\b ，这个例子匹配刚好6个字符的单词。
所以可以看出如果同时使用其它元字符，就能构造出功能更强大的正则表达式。比如下面这个例子：
0\d\d\d-\d\d\d\d\d\d\d匹配这样的字符串：以0开头，然后是两个数字，然后是一个连字号“-”，最后是8个数字(也就是中国的电话号码。当然，这个例子只能匹配区号为4位的情形)。
这里的\d就是上面表格那里的元字符，匹配一位数字(0到9任意一位)。-不是元字符，只是个普通的文本字符，所以它只匹配它本身——连字符(或者减号，或者中横线，或者随你怎么称呼它)。
上面是七位数的电话号码我们可以直接写，那如果是百位、千万的如果也这么写会累死的。所以为了避免那么多烦人的重复，我们也可以这样写这个表达式：0\d{2}-\d{8}。这里\d后面的{2}{8}的意思是前面\d必须连续重复匹配2次(8次)。
^和$都匹配一个位置，这和\b有点类似。^匹配你要用来查找的字符串的开头，$匹配结尾。这两个代码在验证输入的内容时非常有用，比如一个网站如果要求你填写的QQ号必须为5位到12位数字时，可以使用：^\d{5,12}$。
这里的{5,12}和前面介绍过的{2}是类似的，只不过{2}匹配只能不多不少重复2次，{5,12}则是重复的次数不能少于5次，不能多于12次，也就是5到12的一个闭区间，否则都不匹配。
因为使用了^和$，所以输入的整个字符串都要用来和\d{5,12}来匹配，也就是说整个输入必须是5到12个数字，因此如果输入的QQ号能匹配这个正则表达式的话，那就符合要求了。
这里的整个输入值的是字符串，如果没有
^和$的话那么只要某个子串是5到12个数字的字符串都符合要求。
和忽略大小写的选项类似，有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项，^和$的意义就变成了匹配行的开始处和结束处。
转义字符
如果想查找元字符本身的话，比如想查找.,或者*,直接输入它们本身就会出现问题：你没办法指定它们，因为它们会被正则处理器理解成元字符的意思。所以这时你就得在它们前面加上\来取消这些字符的特殊意义。比如，使用.和*来表示要匹配“."和"*"本身。当然，要查找\本身，你也得用\.
例如：google\.com匹配"google.com"，C:\\Windows匹配"C:\Windows"。
限定符
前面讲了一些*,+,{2},{5,12}这几个匹配重复的方式。这些符号也是元字符的一种，称为限定符。下面是正则表达式中所有的限定符(指定数量的代码，例如*,{5,12}等)：
表2常用的限定符
| 限定符 | 说明 |
|---|---|
* |
重复零次或更多次 |
+ |
重复一次或更多次 |
? |
重复零次或一次 |
{n} |
重复n次 |
{n,} |
重复n次或更多次 |
{n,.} |
重复n到m次 |
例子：
Windows\d+匹配Windows后面跟1个或更多数字
^\w+匹配一行的第一个单词(或整个字符串的第一个单词，具体匹配哪个意思得看选项设置)
字符类
要想查找数字，字母或数字，空白是很简单的，因为已经有了对应这些字符集合的元字符，但是如果你想匹配没有预定义元字符的字符集合(比如元音字母a,e,i,o,u),应该怎么办？
很简单，只需要在方括号里列出它们就行了，像[aeiou]就匹配任何一个英文元音字母，[.?!]匹配标点符号(.或?或!)。
我们也可以轻松地指定一个字符范围，像[0-9]代表的含意与\d、[0123456789]就是完全一致的：任意一位数字；同理[a-z0-9A-Z_]也完全等同于\w（如果只考虑英文的话）。
下面是一个更复杂的表达式：\(?0\d{2}[) -]?\d{8}。
“(”和“)”也是元字符，后面的分组节里会提到，所以在这里需要使用转义。
这个表达式可以匹配几种格式的电话号码，像(010)88886666，或022-22334455，或02912345678等。我们对它进行一些分析吧：首先是一个转义字符\(,它能出现0次或1次(?),然后是一个0，后面跟着2个数字(\d{2})，然后是)或-或空格中的一个，它出现1次或不出现(?)，最后是8个数字(\d{8})。
14/12/18暂完，调试去了，下次再补
17/12/18,18:00下班补坑
分枝条件
上次说了\(?0\d{2}[) -]?\d{8}（用的是3-8的格式），这个是电话号码的匹配方式，即前面三位是区号，后面八位是电话号码。可以看到它可以匹配到一些正确的号码，但同时也会匹配到一些奇奇怪怪的文本，例如：010)12345678或(022-87654321这样的“不正确”的格式。要解决这个问题，我们需要用到分枝条件。正则表达式里的分枝条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用|把不同的规则分隔开。看例子：
0\d{2}-\d{8}|0\d{3}-\d{7}这个表达式能匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号(如010-12345678)，一种是4位区号，7位本地号(0376-2233445)。
\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}这个表达式匹配3位区号的电话号码，其中区号可以用小括号括起来，也可以不用，区号与本地号间可以用连字号或空格间隔，也可以没有间隔。你可以试试用分枝条件把这个表达式扩展成也支持4位区号的。答案：(\(0\d{3}\)[- ]?\d{7}|0\d{3}[- ]?\d{7})
\d{5}-\d{4}|\d{5}这个表达式用于匹配美国的邮政编码。美国邮编的规则是5位数字，或者用连字号间隔的9位数字。之所以要给出这个例子是因为它能说明一个问题：使用分枝条件时，要注意各个条件的顺序。如果你把它改成\d{5}|\d{5}-\d{4}的话，那么就只会匹配5位的邮编(以及9位邮编的前5位)。原因是匹配分枝条件时，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管其它的条件了。这和c/c++里的||逻辑或是类似的。
分组
前面提到了怎么重复单个字符（直接在字符后面加上限定符就行了）；但如果想要重复多个字符又该怎么办？可以用小括号来指定子表达式(也叫做分组)，就可以指定这个子表达式的重复次数了，也可以对子表达式进行其它一些操作(后面会有介绍)。
譬如现在需要一个正则表达式来匹配4位的IP地址。4位的IP地址简单来说就是xxx.xxx.xxx.xxx。
(\d{1,3}\.){3}\d{1,3}就是一个简单的IP地址匹配表达式。要理解这个表达式，按下列顺序分析它：\d{1,3}匹配1到3位的数字，(\d{1,3}\.){3}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复3次，最后再加上一个一到三位的数字(\d{1,3})。
但是我们都知道IP地址的实际取值是0-255.0-255.0-255.0-255，所以上面的表达式将会匹配到333.444.555.666这样不符合规则也不存在的IP地址。如果能使用算术比较的话，或许能简单地解决这个问题，但是正则表达式中并不提供关于数学的任何功能，所以只能使用冗长的分组，选择，字符类来描述一个正确的IP地址：((25[0-5]|2[0-4]\d|[01]?\d\d?)\.){3}(25[0-5]|2[0-4]\d|[01]?\d\d?)。
((25[0-5]|2[0-4]\d|[01]?\d\d?)\.)
关键就是这一句，分析分析就知道了
18:45，下班收工
网友评论