学习正则表达式 - 量词
{m,n} 是通用形式的量词，正则表达式还有三个常用量词，分别是 +、?、*。它们的形态虽然不同于 {m,n}，功能却是相同的，因此也可以把它们理解为“量词简记法”。具体说明见下表。
常用量词 | {m,n}等价形式 | 说明 |
|---|---|---|
* | {0,} | 出现零次、一次或多次 |
+ | {1,} | 出现至少一次 |
? | {0,1} | 出现至多一次 |
一、贪心、懒惰和占有
量词自身是贪心的。贪心量词会首先匹配整个字符串。尝试匹配时，它会选定尽可能多的内容，也就是整个输入。量词首次尝试匹配整个字符串，如果失败则回退一个字符后再次尝试。这个过程叫做回溯（backtracking）。它会每次回退一个字符，直到找到匹配的内容或者没有字符可尝试为止。此外，它还记录所有的行为，因此相较另两种方式它对资源的消耗最大。
懒惰（有时也说勉强）量词则使用另一种策略。它从目标的起始位置开始尝试寻找匹配，每次检查字符串的一个字符，寻找它要匹配的内容。最后，它会尝试匹配整个字符串。要使一个量词成为懒惰的，必须在普通量词后添加一个问号 ?。
占有量词会覆盖整个目标然后尝试寻找匹配内容，但它只尝试一次，不会回溯。占有量词就是在普通量词之后添加一个加号 +。
二、用 *、+ 和 ? 进行匹配
这些量词默认是贪心的，这意味它们在第一次尝试时会尽可能多地匹配字符。
drop table if exists t1;
create table t1 (a varchar(10));
insert into t1 values
('1'),('22'),('333'),('4444'),('55555'),('666666'),
('7777777'),('88888888'),('999999999'),('0000000000');.* 匹配任何字符零次或多次，因此会以贪心的方式匹配所有行。
mysql> select regexp_substr(a,'.*') from t1;
+-----------------------+
| regexp_substr(a,'.*') |
+-----------------------+
| 1 |
| 22 |
| 333 |
| 4444 |
| 55555 |
| 666666 |
| 7777777 |
| 88888888 |
| 999999999 |
| 0000000000 |
+-----------------------+
10 rows in set (0.01 sec)9* 匹配 0个到多个9，因此会以贪心的方式匹配所有行。数字9的行完全匹配，其它行匹配空串。
mysql> select distinct regexp_substr(a,'9*') from t1;
+-----------------------+
| regexp_substr(a,'9*') |
+-----------------------+
| |
| 999999999 |
+-----------------------+
2 rows in set (0.01 sec)9.* 匹配 9 后面跟着任何字符零次或多次，因此包含数字9的行，其它行不匹配，因此返回NULL，注意不是空串！
mysql> select distinct regexp_substr(a,'9.*') from t1;
+------------------------+
| regexp_substr(a,'9.*') |
+------------------------+
| NULL |
| 999999999 |
+------------------------+
2 rows in set (0.00 sec)9+ 匹配 1个到多个9，结果包含数字9的行。
mysql> select distinct regexp_substr(a,'9+') from t1;
+-----------------------+
| regexp_substr(a,'9+') |
+-----------------------+
| NULL |
| 999999999 |
+-----------------------+
2 rows in set (0.00 sec)9? 匹配 0个或1个9。数字9的行只匹配第一个字符9，其它行匹配空串。
mysql> select distinct regexp_substr(a,'9?') from t1;
+-----------------------+
| regexp_substr(a,'9?') |
+-----------------------+
| |
| 9 |
+-----------------------+
2 rows in set (0.00 sec)99? 匹配 9后面跟0个或1个9。数字9的行匹配前两个字符9，其它行不匹配。
mysql> select distinct regexp_substr(a,'99?') from t1;
+------------------------+
| regexp_substr(a,'99?') |
+------------------------+
| NULL |
| 99 |
+------------------------+
2 rows in set (0.00 sec)三、匹配特定次数
使用花括号可以限制某个模式在某个范围内匹配的次数，未经修饰的量词就是贪心量词。例如 7{1} 会匹配第一次出现的7。
mysql> select regexp_substr(a,'7{1}') from t1 where a regexp '7{1}';
+-------------------------+
| regexp_substr(a,'7{1}') |
+-------------------------+
| 7 |
+-------------------------+
1 row in set (0.01 sec)要匹配一个或多个数字7，只要加一个逗号即可。
mysql> select regexp_substr(a,'7{1,}') from t1 where a regexp '7{1,}';
+--------------------------+
| regexp_substr(a,'7{1,}') |
+--------------------------+
| 7777777 |
+--------------------------+
1 row in set (0.00 sec)7+ 和 7{1,} 本质上是一样的；7* 和 7{0,}、7? 和 7{0,1} 也是一样的。还可以匹配 m到n 次，比如 7{3,5} 会匹配三个、四个以及五个7。
mysql> select regexp_substr(a,'7{3,5}') from t1 where a regexp '7{3,5}';
+---------------------------+
| regexp_substr(a,'7{3,5}') |
+---------------------------+
| 77777 |
+---------------------------+
1 row in set (0.00 sec)可以看出，花括号（或者说范围语法）是最灵活和精确的量词。
四、懒惰量词
理解懒惰特性最好的方式就是看看实际应用，尝试用问号 ? 匹配零个或者一个5。
mysql> select distinct regexp_substr(a,'5?') from t1 where a regexp '5?';
+-----------------------+
| regexp_substr(a,'5?') |
+-----------------------+
| |
| 5 |
+-----------------------+
2 rows in set (0.01 sec)请再加一个 ? 来使量词变为懒惰的。
mysql> select distinct regexp_substr(a,'5??') from t1 where a regexp '5??';
+------------------------+
| regexp_substr(a,'5??') |
+------------------------+
| |
+------------------------+
1 row in set (0.00 sec)现在它看起来只匹配空串，其原因是该模式已经是懒惰的了。也就是说，它不会强制匹配第一个5。懒惰的基本特性就是匹配尽可能少的字符。试一下匹配零次或多次的量词。
mysql> select distinct regexp_substr(a,'5*?') from t1 where a regexp '5*?';
+------------------------+
| regexp_substr(a,'5*?') |
+------------------------+
| |
+------------------------+
1 row in set (0.01 sec)它也只匹配空串，因为它可以选择匹配最少的次数——零次。再试一下匹配一次或多次。
mysql> select distinct regexp_substr(a,'5+?') from t1 where a regexp '5+?';
+------------------------+
| regexp_substr(a,'5+?') |
+------------------------+
| 5 |
+------------------------+
1 row in set (0.00 sec)懒惰特性使其只匹配了一个5。它只需要做到这个程度就可以了。使用 m和n 方式匹配时就更为有趣了。
mysql> select distinct regexp_substr(a,'5{2,5}?') from t1 where a regexp '5{2,5}?';
+----------------------------+
| regexp_substr(a,'5{2,5}?') |
+----------------------------+
| 55 |
+----------------------------+
1 row in set (0.00 sec)只匹配了两个5，而不像贪心量词那样匹配五个。
下表列出了懒惰量词。什么时候懒惰式匹配最实用？如果想匹配最少而不是最多数目的字符，就可以使用懒惰量词。
语法 | 说明 |
|---|---|
?? | 懒惰匹配零次或一次 |
+? | 懒惰匹配一次或多次 |
*? | 懒惰匹配零次或多次 |
{n}? | 懒惰匹配n次 |
{n,}? | 懒惰匹配n次或多次 |
{m,n}? | 懒惰匹配m至n次 |
五、占有量词
占有式匹配很像贪心式匹配，它会选定尽可能多的内容。但与贪心式匹配不同的是它不进行回溯。它不会放弃所找到的内容，这也是把它称为占有式（possessive）的原因。占有量词的优点是速度快，因为无需回溯。当然，匹配失败的话也很快。
为了理解这一点，我们先尝试匹配以零开头的多个零。
mysql> select distinct regexp_substr(a,'0.*+') from t1 where a regexp '0.*+';
+-------------------------+
| regexp_substr(a,'0.*+') |
+-------------------------+
| 0000000000 |
+-------------------------+
1 row in set (0.00 sec)匹配了所有的零。占有式的匹配看起来和贪心式的匹配是一样的，但没有回溯。可以证明一下，输入带有结尾零的表达式。
mysql> select distinct regexp_substr(a,'.*+0') from t1 where a regexp '.*+0';
Empty set (0.01 sec)没有匹配——原因就是没有回溯。它一下就选定了所有的输入，不再回过来查看。它一下子没在结尾找到零，也不知道该从哪里找起。如果将加号去掉，它会找到所有的0，因为它变回贪心式匹配了。
mysql> select distinct regexp_substr(a,'.*0') from t1 where a regexp '.*0';
+------------------------+
| regexp_substr(a,'.*0') |
+------------------------+
| 0000000000 |
+------------------------+
1 row in set (0.00 sec)当知道文本中的内容就知道在哪里可以找到匹配时，应该会使用占有量词。它不在乎是否会选定所有内容。占有式匹配有助于提高匹配的性能。下表列出了占有量词。
语法 | 说明 |
|---|---|
?+ | 占有匹配零次或一次 |
++ | 占有匹配一次或多次 |
*+ | 占有匹配零次或多次 |
{n}+ | 占有匹配n次 |
{n,}+ | 占有匹配n次或多次 |
{m,n}+ | 占有匹配m至n次 |
六、示例——括号字符串计数
有一张表 t1 存储用户评论内容，如下所示（只列出相关列）：
现在想得出每种评论字数的个数，每个字符包括标点、空格、表情符号都算一个字，但每对中括号连同其中的内容只算一个字。对于上面的数据行，结果为：
第一感觉这是使用正则表达式的场景。只要将每对中括号连同其中的内容替换为单个字符，再用char_length函数求长度即可。查询语句如下：
select char_length(regexp_replace(Content,'\\[.*?\\]', 'A')) r,count(*)
from t1 group by char_length(regexp_replace(Content,'\\[.*?\\]', 'A'))
order by r;\\[ 和 \\] 用于将中括号转义为普通字符。非 dotall 模式下的正则表达式中，“.”表示匹配除换行符 \n 之外的任何单字符，“*”表示零次或多次。所以 “.*” 连在一起就表示任意字符出现零次或多次。没有“?”表示贪婪模式。比如 a.*b，它将会匹配最长的以 a 开始，以 b 结束的字符串。如果用它来搜索 aabab 的话，它会匹配整个字符串 aabab。又比如模式src=`.*`， 它将会匹配以 src=` 开始，以`结束的最长的字符串。用它来搜索 <img src=``test.jpg` width=`60px` height=`80px`/> 时，将会返回 src=``test.jpg` width=`60px` height=`80px`。
“?”跟在“*”后边用时，表示懒惰模式，就是匹配尽可能少的字符。这就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。a.*?b 匹配最短的以 a 开始，以 b 结束的字符串。如果把它应用于 aabab 的话，它会匹配 aab（第一到第三个字符）和 ab（第四到第五个字符）。又比如模式 src=`.*?`，它将会匹配 src=` 开始，以 ` 结束的尽可能短的字符串，且开始和结束中间可以没有字符，因为 * 表示零到多个。用它来搜索 <img src=``test.jpg` width=`60px` height=`80px`/> 时，将会返回 src=``。