系统地学习正则表达式(二)：进阶篇
理解子表达式
通过(和)括起来的就是子表达式。
下面是一个例子：用来匹配IP 地址的正则表达式。IP 地址是由" . "分隔的四组数字，如12.159.46.200。因为每个部分的数字都可以为一个、两个或者三个数字字符，这个匹配模式可以表示为\d{1,3}：
正则表达式：\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}
待匹配文本：12.159.46.200
匹配后结果：12.159.46.200分析：每个\d{1,3}的实例都匹配了 IP 地址的一个数字。四个数字则是被\.表示的" . "分隔开的。\d{1,3}\.模式重复了三遍，因此可以使用重复操作来处理。下面是相同例子的另外一个版本：
正则表达式：(\d{1,3}\.){3}\d{1,3}
待匹配文本：12.159.46.200
匹配后结果：12.159.46.200分析：此模式可以和前面的效果是一样的。表达式\d{1,3}\.使用(和)括起来从而组成子表达式。(\d{1,3}\.){3}重复了子表达式三次（也就是 IP 地址的前三个数字），最后的\d{1,3}匹配最后的数字。
使用子表达式来分组是很重要的，尽管这个例子中根本不包括重复。来看一个例子：
正则表达式：19|20\d{2}
待匹配文本：1967-08-17
匹配后结果：1967-08-17分析：19|20\d{2}用来定位一个前两个数字只能为 19或者20的四位数的年份。但是很显然这个正则并没有实现预想的效果。|操作符从左到右读取，将19|20\d{2}分析为要么19 ，要么20\d{2}，也就是匹配数字 19 或者20开头的四个数字字符。
解决方法是将19|20作为一个子表达式，(19|20)\d{2}就能够匹配所有19 和 20 开头的四个数字了。
嵌套子表达式
子表达式可以嵌套。实际上，子表达式可以一层一层嵌套在子表达式内。为了演示嵌套子表达式的用法，我们再来看看查找 IP 地址的例子。
其实上面例子中(\d{1,3}\.){3}\d{1,3}匹配IP 地址是有问题的，因为非法的 IP 地址也将被匹配。IP 地址中的每个数字都是小于 255 的。而上面的模式可以匹配 300甚至是999 ，而这些实际上都是非法的 IP 地址。
下面定义了所有合法 IP 地址所需要满足的一种条件：
所有的一位数和两位数
三位数的第一位为 1
如果三位数的第一位为 2 ，且第二位从 0 到 4
如果三位数的前二位为 25 ，且第三位从 0 到 5当定义了需要匹配的情况后，就比较容易实现可以工作的模式。下面是个例子：
(((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))\.){3}((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))
分析：这个模式可以工作的原因是一系列的嵌套子表达式。首先从(((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))\.)子表达式开始。包含了四个嵌套子表达式。(\d{1,2})可以匹配一位数和两位数(0到99)。(1\d{2})匹配了任何第一位为 1 的三位数(100到199) 。(2[0-4]\d)匹配数字从 200 到 249 。(25[0-5])匹配数字从 250 到 255 。每个子表达式都是通过“ | ”包括在另一个子表达式中。在数字范围之后是\.表示的" . "，然后这个系列括起来作为子表达式并重复三遍（使用{3}）。最后，((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))被用来匹配最后一个 IP 地址的数字（没有了\.后缀）。由于将四个数字都是限制在了 0 到 255 之间，所以此模式可以匹配所有的合法 IP 地址。
理解后向引用
HTML 开发者经常使用标题标签（<H1>到<H6>，包括相应的结束标签</H1>到</H6>）。假设你需要定位所有的标题标签：
正则表达式：<[hH][1-6]>.*?</[hH][1-6]>
待匹配文本：<H1>title 1</H1> — <H6>title 6</H6>
匹配后结果：<H1>title 1</H1> — <H6>title 6</H6>分析：<[hH][1-6]>可以匹配所有的开始标签，而</[hH][1-6]>可以匹配所有的结束标签。
注意：我们这里使用了.*?而不是.*。正如在上一篇文章解释的一样，*的量词是贪婪的，所以模式<[hH][1-6]>.*</[hH][1-6]>将匹配从<H1> 直到 </H6> 。所以可以使用非贪婪量词.*?来解决这个问题。
接着看这个例子：
正则表达式：<[hH][1-6]>.*?</[hH][1-6]>
待匹配文本：<H1>title</H6>
匹配后结果：<H1>title</H6>分析：采用 <H1> 开始而采用 </H6> 的标题标签是非法的，但是现在的模式可以匹配。问题在于匹配的第二个部分（匹配结束的标签）没有办法知道匹配第一部分（匹配开始的标签）是什么。这时候就需要后向引用了。
使用后向引用匹配
后向应用就是引用前面的子表达式。你可以将后向应用理解成变量。例如\1匹配模式中第一个子表达式。同理，\2将匹配第二个子表达式，\3将匹配第三个。我们结合例子来理解。一个子表达式可以通过后向引用根据需要引用多次。
在上个例子中，<[hH][1-6]>.*?</[hH][1-6]>会匹配非法的标题。我们可以使用后向引用来解决：
正则表达式：<[hH]([1-6])>.*?</[hH]\1>
待匹配文本：<H1>title</H1>—<H1>title</H6>
匹配后结果：<H1>title</H1>—<H1>title</H6>分析：就像以前一样，<[hH]([1-6])>将匹配任何的标题标签。但是和以前不一样的是，这里的[1-6]使用了小括号括起来成为了子表达式。这样，匹配结束标签的模式可以通过</[hH]\1>中的\1来引用此子表达式。(1-6)是一个可以匹配数字 1 到 6 的子表达式，\1因此可以匹配相同的数字。在这种情况下，"<H1>title</H6>"将不能匹配。
注意：后向引用只能够引用子表达式（需要使用小括号括起来），后向引用语法在不同的正则表达式实现中可能是不一样的。引用的匹配一般是从 1 开始。在大多数的正则表达式实现中，0 可以用来引用整个表达式。
执行替换操作
到现在为止我们所看到的正则表达式都是进行搜索，在一段文本中定位单词。正则表达式还可以用来执行替换操作。举个例子，将CA 替换成California和将MI替换成Michigan 并不是正则表达式需要完成的工作。尽管使用正则表达式也是合法的，但是没有必要这么做。事实上，在这里如果使用简单的字符串操作函数的话过程将会变得更加容易。
让我们来看一个例子，将313-555-1234格式的电话号码重新格式化为(313) 555-1234格式：
查找表达式：(\d{3})(-)(\d{3})(-)(\d{4})
替换表达式：($1) $3-$5
文本
313-555-1234
248-555-9999
结果
(313) 555-1234
(248) 555-9999分析：(\d{3})(-)(\d{3})(-)(\d{4})匹配了一个电话号码，并分成了五个子表达式。(\d{3})匹配刚开始的三个数字并作为第一个子表达式，(-)匹配" - "并作为第二个子表达式，依此类推。这五个部分可以根据需要单独引用，($1) $3-$5只是使用了其中的三个子表达式。因此“313-555-1234”改变为了“(313) 555-1234”。