分钟学会正则表达式(译)

正则表达式（“regexes”）即增强查找/字符串替换操作。当在文本编辑器中编辑文字时，正则表达式经常用于：

• 检查文本是否包含一个给定的模式
• 查找任何匹配的模式
• 从文本中拉取信息（比如截断）
• 修改文本

和文本编辑器一样，绝大多数高级编程语言支持正则表达式。在本文中，“文本”仅仅是一个字符串变量，但是有效的操作却是一致的。某些编程语言（Perl，JavaScript）甚至为正则表达式提供专用的语法。

但是正则表达式是什么？

一个正则表达式仅仅为一个字符串。它没有长度限制，但是通常该字符串很短。下面看几个例子：

• I had a S+ day today
• [A-Za-z0-9-_]{3,16}
• dddd-dd-dd
• v(d+)(.d+)*
• TotalMessages="(.*?)"
• <[^<>]>

这个字符串实际上是一个极小的计算程序，并且正则表达式是一门语法小而简洁，领域特定的编程语言。牢记以下几点，它们不该在学习过程中让你感到惊讶：

• 每个正则表达式都能分解成一串指令。“找到这个，再找到那个，然后找到其中一个...”
• 一个正则表达式拥有输入（文本）和输出（模式匹配，和有些时候的自定义文本）。
• 存在语法错误——不是每个字符串都是合法的正则表达式！
• 语法有些怪异，也可以说是恐怖。
• 一个正则表达式有时候可以被编译以便更快运行。

正则实现一直有着显著的改变。对于本文，我所关注的是那些几乎每个正则表达式都实现了的核心语法。

练习

获取一个支持正则的文本编辑器。我推荐Notepad++。

下载一篇很长的散文故事比如Gutenberg出版社出版的H. G. Wells的《时光机器》然后打开它。

下载一部字典，比如这个，解压然后打开。

一切准备就绪，稍后开始练习。

提示：正则表达式与文件通配符语法完全不兼容，比如*.xml。

正则表达式基础语法

字面值(Literals)

正则表达式由只代表自身的字面值和代表特定含义的元字符组成。

这里也有一些例子。我会对元字符进行高亮。

• I had aS+day today
• [A-Za-z0-9-_]{3,16}
• dddd-dd-dd
• v(d+)(.d+)*
• TotalMessages="(.*?)"
• <[^<>]*>

大部分字符，包括字母数字字符，会以字面值的形式出现。这意味着它们查找的是自身。比如，正则表达式cat代表“先找到c，接着找到a，最后找到t”。

目前为止感觉良好。这的确很像

• 一个普通的查找对话框
• Java中的String.indexOf()函数
• PHP中的strpos()函数
• 等等

提示：除非特别说明，正则表达式是区分大小写的。然而，绝大多数实现都会提供一个标记来开启不区分大小写的功能。

句点（dot）

我们第一个元字符是句号（译者注：句点，英文句号），.。一个.表示匹配任何单个字符。下面这个正则表达式c.t代表“先找到c，接着找到任何单个字符，再找到t”。

在一段文本中，这个表达式将会找到cat，cot，czt，甚至字面值为c.t的字符串（c，句点，t），但是不包括ct或者coot。

在正则表达式里，空格是有效的。正则表达式 'c t' 代表”先找到 'c'，接着找到空格，再找到 't'“。

任何元字符如果用一个反斜杆进行转义就会变成字面值。所以上述的正则表达式c.t就代表“先找到c，接着找到句号，再找到t”。

反斜杠是一个元字符，这意味着它也可以使用反斜杠转义。所以正则表达式ct代表“先找到c，接着找到反斜杆，再找到t”。

注意！在一些实现中，.会匹配除了换行符的任意字符。这意味着“换行符”在不同的实现中也会变化。 要查看你的文档。在这篇文章中， 我会确保.会匹配任意字符。

在其它情况下， 通常会有一个标记来调整这种行为，那就是`DOTALL`或类似的标记

练习

使用你目前所学，在字典中使用正则表达式，匹配一个有两个z的单词，其中这两个z离得越远越好。

练习

在《时光机器》这本书中，使用正则表达式来查找以介词收尾的句子。

字符类（Character classes）

字符类是字符在方括号中的集合。表示“找到集合里任意一个字符”。

• 正则表达式c[aeiou]t表示“找到c后跟一个元音字母，再找到t”。在一段文本中，将会匹配到cat，cet，cit，cot和cut。
• 正则表达式[0123456789]表示找到一个数字
• 正则表达式[a]和a意义相同：“找到a”

一些转义的例子：

• [a]表示“找到一个左方括号紧跟着一个a，再跟着一个右方括号”。
• [[]ab]表示“匹配一个左方括号或者右方括号或者a或者b”。
• [[]]表示“匹配一个反斜杆或者一个左方括号或者一个右方括号”。（呕！）

在字符类中顺序和重复字符并不重要。[dabaaabcc]跟[abcd]一样。

重要的提示

在字符类内部的“规则”和在字符类内部的规则有所不同。一些字符在字符类内部扮演着元字符的角色，但在字符类外部则充当字面值。还有一些字符做着相反的事。一些字符在两种情形都为元字符，但在各自情形里代表不同的含义。

特别地,.表示“匹配任意字符”，但是[.]表示“匹配句点”。不能并为一谈。

练习

结合目前所学，在字典中，使用正则表达式查找有连续的元音和连续的辅音的单词。

字符类区间（ranges）

你可以在字符类中使用连字符来表示一个字母或数字的区间：

• [b-f]和[bcdef]都表示“找到一个b或c或d或e或f”。
• [A-Z]和[ABCDEFGHIJKLMNOPQRSTUVWXYZ]都表示“匹配大写字母”。
• [1-9]和[123456789]都表示“匹配一个非零数字”。

连字符在字符类外部使用时并没有特别都含义。正则表达式a-z表示“找到一个a接着跟着一个连字符，然后匹配一个z”。

区间和单独的字符可能会共存于吥