前言
本文并非原创，内容分别摘自维基百科、《精通正则表达式》第三版、正则表达式30分钟入门教程。
什么是正则表达式
在理论计算机科学和形式语言理论中，正则表达式是定义了一个检索模式的字符串。由字符串搜索算法在文本中检索、替换匹配正则表达式定义的字符串。[1]
一个简单的例子
假设需在一段文本中查找带有src属性的img标签，可以使用正则表达式<img\s+?src=(["'])[^\1]*?\1\s*?/?>。
这条正则（<small>为了表述的流畅性，下文将“正则表达式”简称为“正则”</small>）描述了这样一个检索模式：以<img开头，以>结尾，<img与src=间有若干(大于0)空白符，src=与>间同样有若干（大于等于0）空白符，且>前可能存在一斜杠/，同时src=后紧跟一对引号（可能是单引号，也可能是双引号），且这对引号之间有若干（大于等于0）个外括引号以外的任意字符。
元字符
一条正则通常由两种字符构成：元字符及普通字符。通常可以将元字符看做普通语言中的语法，它为正则表达式提供了强大的描述能力。
行锚点
^代表行的开始，它将匹配文本锚定在行首位置，即^cat只匹配行首的cat。
$代表行的结束，它将匹配文本锚定在行尾位置，即cat$只匹配位于行尾的cat，如以scat结尾的行。
^和$都只匹配位置，而不是具体的文本。在某些不支持处理多行的场景里，^和$的意义则变为匹配字符串的开始和结束。
单词分界符
\b代表单词的开头或者结尾，即单词的分界处，可以将它看作单词版本的行锚点，如\bcat\b表示“匹配cat这个单词”。同理，它只匹配位置。
字符组
字符组，即结构体[···]，允许使用者列出在某处期望匹配的字符。如gr[ea]y的意思是：先找到g，然后是一个r，接着是e或者a，最后是一个y。字符组的内容是在同一个位置能够匹配若干字符，它的意思是“或”（前例中的gr[ea]y在效果层面等同于gr(e|a)y）；而在字符组之外的普通字符必须顺序匹配，有“接下来是”的意思。
在字符组内部，-可以表示为一个范围，当且仅当此时，-才是元字符，若它出现在字符组的首尾位置，则仅表示为一个普通字符。同理，?和.在字符组外常被当做元字符，但是在字符组内则不是如此。
排除型字符组
排除型字符组，即[^···]，允许使用者列出在某处不希望匹配的字符。换言之，这个字符组会匹配任何未列出的字符。这个字符组开头的^表示“排除”，与在字符组外^表示行锚点的意义截然不同。
多选结构
|，相当于逻辑运算中的或运算，把不同的子表达式组合成一个总表达式，这个总表达式能够匹配任意的子表达式。在这样的组合中，子表达式称为“多选分支”。
gr[ea]y和gr(e|a)y虽然在效果上表现相同，但是字符组和多选结构在本质上是两个概念。字符组只能匹配目标文本中的单个字符，而每个多选结构自身都可能是一条完整的正则表达式。
分组与反向引用
圆括号将限定的若干字符组合成一个子表达式，作为一个分组。默认情况下，分组会“记住”子表达式匹配的文本供表达式或其他过程使用，又称为捕获。每个分组都有一个组号，组号由左往右从1开始分配。
反向引用则用于重复检索之前某个分组匹配的文本，如\1代表分组1匹配的文本。
若仅希望子表达式进行匹配，而不捕获匹配的文本，也不给此分组分配组号，则可以在圆括号内的子表达式前加上?:，如：(?:expression)。
转义
若想匹配元字符本身，如.或*，则需要通过\\对字符进行转义，取消这些字符在正则中的特殊意义。
常用元字符
| 代码 | 说明 | |
|---|---|---|
| ^ | 匹配行或字符串的开始 | |
| $ | 匹配行或字符串的结束 | |
| . | 匹配除换行符以外的任意字符 | |
| [···] | 匹配列出的任意字符 | |
| [^···] | 匹配未列出的任意字符 | |
| 匹配分隔两边的任意表达式 | ||
| (···) | 限定多选结构范围，标注量词作用的元素，为反向引用“捕获”文本 | |
| \1,\2,... | 匹配之前的第一、第二等分组内匹配的文本 | |
| \b | 匹配单词的开始或结束 | |
| \w | 匹配字母、数字、下划线、汉字 | |
| \s | 匹配任意的空白符 | |
| \d | 匹配数字 | |
| \W | 匹配任意非字母、数字、下划线、汉字的字符 | |
| \S | 匹配任意非空白符的字符 | |
| \D | 匹配非数字的字符 | |
| \B | 匹配非单词开始或结束的位置 |
重复限定符
| 代码 | 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 |
| {min,} | 重复min次或更多次 |
| {min,max} | 重复min到max次 |
?代表可选项，将它加在某个字符后面，表示此处容许出现该字符，但它的出现并非匹配成功的必要条件。u?是必然能匹配成功的，有时它会匹配一个u，其他时候则不匹配任何字符，例如u?在semicolon中匹配成功10处，但什么字符都没有匹配。
贪婪与懒惰
当正则中包含重复限定符时，默认匹配模式是贪婪模式，即尽可能多的字符。若需要匹配尽可能少的字符时，只需在重复限定符后加上?，即可将贪婪模式转换成懒惰模式。如用表达式a.*b（贪婪）检索aabab时，会匹配整个字符串，而用表达式a.*?b（懒惰）检索时，会匹配aab（前三个字符）和ab（后两个字符）。
| 代码 | 说明 |
|---|---|
| *? | 重复零次或更多次，但尽可能少重复 |
| +? | 重复一次或更多次，但尽可能少重复 |
| ?? | 重复零次或一次，但尽可能少重复 |
| {min,}? | 重复min次或更多次，但尽可能少重复 |
| {min,max}? | 重复min到max次，但尽可能少重复 |
零宽断言
零宽断言是指匹配宽度为零，满足一定的断言。断言用来声明一个应该为真的事实，正则表达式中只有断言为真时才会继续匹配。而零宽断言则用于检索在某些内容（但并不包含这些内容）之前或之后的东西。像\b、^、$一样，零宽断言用于指定一个位置，这个位置应该满足一定的条件（即断言）。
零宽正预测先行断言
零宽正预测先行断言，(?=expression)，断言自身出现位置的后面能匹配表达式expression。如\b\w+(?=ing\b)可以匹配以ing结尾的单词的前面部分（除了ing以外的部分），在运用这条正则检索I'm singing while you're dancing.时，它会匹配sing和danc。
零宽正回顾后发断言
零宽正回顾后发断言，(?<=expression)，断言自身出现位置的前面能匹配表达式expression。如(?<=\bre)\w+\b可以匹配以re开头的后半部分（除了re以外的部分），在运用这条正则检索reading a book.时，它会匹配ading。
零宽负预测先行断言
前文提到可以通过排除性字符组列出在某处不希望匹配的字符。若只想确保某个字符没有出现，而不想匹配它，则可以使用负向零宽断言解决这样的问题。比如，在需要查找这样的单词：它里面出现了q，但是q后面不能是u。用表达式\b\w*q[^u]\w*\b检索Iraq fighting时，由于Iraq以q结尾的单词，而[^u]总要匹配一个字符，所以当q作为单子的最后一个字符时，[^u]将会匹配q后面的单词分隔符，后面的\w*\b会匹配下一单词，所以这条正则会匹配整个字符串。正确的表达式为：\b\w*q(?!u)\w*\b。
零宽负预测先行断言，(?!expression)，断言自身出现位置的后面不能匹配表达式expression。如\b((?!abc)\w)+\b匹配不包含连续字符串abc的单词。
零宽负回顾后发断言
零宽负回顾后发断言，(?<!expression)，断言自身出现位置的前面不能匹配表达式expression。如(?<![a-z])\d{7}匹配前面不是小写字母的7位数字。
字符串搜索算法通常从左往右开始检索文本，当前断言位置的左边，即前文所述的“断言自身出现位置的前面”，而当前断言位置的右边，即断言的前行方向。
例1：(?<=\d)(?=(?:\d{3})+(?!\d))匹配左边有数字且右边有3x个数字的位置；
例2：(?<=<(\w+)>)[\s\S]*?(?=<\/\1>)匹配不包含属性的简单HTML标签里的内容。
注释
圆括号的另一种用途是通过语法(?#comment)来包含注释，如2[0-4]\d(?#200-249)。但并不是所有流派支持这种功能。
平衡组
当需要匹配像<1 / <1 + 100> >（为方便描述，将算式中的圆括号用尖括号代替）这样的可嵌套的层次性结构时，无论是使用<.+>，还是<.+?>都不能保证匹配到的内容中的尖括号是逐层配对的。
这里需要用到平衡组，语法构造如下：
-
(?'group'expression)把捕获的内容命名为group，并压入堆栈。 -
(?'-group'expression)从堆栈弹出名为group的捕获内容，若堆栈为空，则本分组匹配失败。 -
(?(group)yes|no)若堆栈上存在名为group的捕获内容的话，则继续匹配yes部分的表达式，否则继续匹配no部分的表达式。 -
(?!)由于该零宽负向先行断言没有后缀表达式，试图匹配总是失败。
每碰到一个左括号，就往堆栈内压入一个“Open”，每碰到一个右括号，就弹出一个“Open”，最后检查堆栈是否为空，不为空则证明左括号多于右括号，匹配失败。正则表达式引擎进行回溯(放弃最前面或最后面的一些字符)，使整个表达式得到匹配。完整表达式如下：
< #最外层的左括号
[^<>]* #最外层的左括号后面的不是括号的内容
(
(
(?'Open'<) #碰到了左括号，在黑板上写一个"Open"
[^<>]* #匹配左括号后面的不是括号的内容
)+
(
(?'-Open'>) #碰到了右括号，擦掉一个"Open"
[^<>]* #匹配右括号后面不是括号的内容
)+
)*
(?(Open)(?!)) #在遇到最外层的右括号前面，判断黑板上还有没有没擦掉的"Open"；如果还有，则匹配失败
>
平衡组的另一个常见应用就是匹配HTML，如匹配嵌套的<div>标签。但是大多数系统（除Perl.NET\PCRE/PHP）中，正则表达式无法匹配任意深度的嵌套结构。
网友评论