精通正则表达式-基础知识拓展.docVIP

精通正则表达式_基础知识拓展 2007-12-22 13:37 基础知识拓展 Expanding the Foundation 我希望，前面的例子和解释已经帮助读者牢固地打下了正则表达式的基础，也请读者明白，这些例子都很浅显，我们需要掌握的还有很多。 语言的差异 Linguistic Diversification 我已经介绍过大多数版本的egrep支持的正则表达式的特性，这样的特性还有很多，其中一些并不是所有的版本都支持，这个问题留到后面的章节讲解。 任何语言中都存在不同的方言和口音，很不幸，正则表达式也一样。情况似乎是，每一种支持正则表达式的语言都提供了自己的“改进”。正则表达式不断发展，但多年的变化也造就了数目众多的正则表达式“流派”（flavor）。我们会在下面的章节中见到各种例子。 正则表达式的目标 The Goal of a Regular Expression 从最宏观的角度看，一个正则表达式要么能够匹配给定文本（对egrep来说，就是一行文本）中的某些字符，要么不能匹配。在编写正则表达式的时候，我们必须进行权衡：匹配符合要求的文本，同时忽略不符合要求的文本。 尽管egrep不关心匹配文本在行中的位置，但对正则表达式的其他应用来说，这个问题却很重要。如果文本是这样： …zip is 44272. If you write, send $4.95 to cover postage and… 我们只希望找出包含「[0-9]+」的那些行，就不需要关心真正匹配的数字。相反，如果我们需要操作这些数字（例如保存到文件、添加、替换之类——我们会在下一章看到这样的处理），就需要关心确切匹配的那些数字。 更多的例子 A Few More Examples 在任何语言中，经验都是非常重要的，所以我会给出更多用正则表达式匹配常用文本结构的例子。 编写正则表达式时，按照预期获得成功的匹配要花去一半的工夫，另一半的工夫用来考虑如何忽略那些不符合要求的文本。在实践中，这两方面都非常重要，但是目前我们只关注“获得成功匹配”的方面。即使我没有对这些例子进行最全面彻底的解释，它们仍然能够提供有用的启示。 变量名 许多程序设计语言都有标识符（identifier，例如变量名）的概念，标识符只包含字母、数字以及下画线，但不能以数字开头。我们可以用「[a-zA-Z_][a-zA-Z_0-9]*」来匹配标识符。第一个字符组匹配可能出现的第一个字符，第二个（包括对应的「*」）匹配余下的字符。如果标识符的长度有限制，例如最长只能是32个字符，又能使用第20页介绍的区间量词「{min, max}」，我们可以用「{0,31}」来替代最后的「*」。 引号内的字符串 匹配引号内的字符串最简单的办法是使用这个表达式：「[^]*」。 两端的引号用来匹配字符串开头和结尾的引号。在这两个引号之间的文本可以包括双引号之外的任何字符。所以我们用「[^]」来匹配除双引号之外的任何字符，用「*」来表示两个引号之间可以存在任意数目的非双引号字符。 关于引号字符串，更有用（也更复杂）的定义是，两端的双引号之间可以出现由反斜线转义的双引号，例如nail–the–2\x4\–plank。在后面的章节讲解匹配实际进行的细节时，我们会多次遇到这个例子。 美元金额（可能包含小数） 「\$[0-9]+(\.[0-9][0-9])?」是一种匹配美元金额的办法。 从整体上看，这个表达式很简单，分为三部分：「\$」、「…+」和「(…)?」，可以大致理解为：一个美元符号，然后是一组字符，最后可能还有另一组字符。这里的“字符”指的是数字（一组数字构成一个数值），“另一组字符”是由一个小数点和两位数字构成的。 从几个方面来看，这个表达式还很简陋。比如，它只能接受$1000，而无法接受$1,000。它确实能接受可能出现的小数部分，但对于egrep来说意义不大。因为egrep从不关心匹配文字的内容，而只关心是否存在匹配。处理可能出现的小数部分对整个表达式能否匹配并没有影响。 但是，如果我们需要找到只包含价格而不含其他字符的行，倒是可以在这个表达式两端加上「^…$」。这样一来，可选的小数部分就变得很重要了，因为在金额数值和换行符之间是否存在小数部分，决定了整个表达式的匹配结果是否存在差异。 另外，这个正则表达式还无法匹配‘$.49’。你可能认为把加号换成星号能够解决问题，不过这条路走不通。在这我先卖个关子，答案留待第5章（F194）揭晓。 HTTP/HTML URL Web URL的形式可能有很多种，所以构造一个能够匹配所有形式的URL的正则表达式颇有难度。不过，稍微降低一点要求的话，我们能够用一个相当简单的正则表达式来匹配大多数常见的URL。进行这种检索的原因之一是，我只能大概记得在收到的某封邮件中有一个URL地