自制正则表达式.pdfVIP

深入浅出之正则表达式（一） 前言： 半年前我对正则表达式产生了兴趣，在网上查找过不少资料，看过不少的教程，最后 在使用一个正则表达式工具RegexBuddy时发现他的教程写的非常好，可以说是我目前见 过最好的正则表达式教程。于是一直想把他翻译过来。这个愿望直到这个五一长假才得以实 现，结果就有了这篇文章。关于本文的名字，使用“深入浅出”似乎已经太俗。但是通读原文 以后，觉得只有用“深入浅出”才能准确的表达出该教程给我的感受，所以也就不能免俗了。 本文是JanGoyvaerts为RegexBuddy写的教程的译文，版权归原作者所有，欢迎 转载。但是为了尊重原作者和译者的劳动，请注明出处！谢谢！ 1. 1. 11.. 什么是正则表达式 基本说来，正则表达式是一种用来描述一定数量文本的模式。Regex代表Regular Express。本文将用regex来表示一段具体的正则表达式。 一段文本就是最基本的模式，简单的匹配相同的文本。 2. 2. 22.. 不同的正则表达式引擎 正则表达式引擎是一种可以处理正则表达式的软件。通常，引擎是更大的应用程序的一 部分。在软件世界，不同的正则表达式并不互相兼容。本教程会集中讨论Perl 5 类型的引 擎，因为这种引擎是应用最广泛的引擎。同时我们也会提到一些和其他引擎的区别。许多近 代的引擎都很类似，但不完全一样。例如.NET正则库，JDK正则包。 3. 3. 33.. 文字符号 最基本的正则表达式由单个文字符号组成。如a，它将匹配字符串中第一次出现 的字符“a”。如对字符串“Jack is a boy”。“J”后的“a”将被匹配。而第二个“a” 将不会被匹配。 正则表达式也可以匹配第二个“a”，这必须是你告诉正则表达式引擎从第一次匹配的 地方开始搜索。在文本编辑器中，你可以使用“查找下一个”。在编程语言中，会有一个函 数可以使你从前一次匹配的位置开始继续向后搜索。 类似的，cat会匹配“About cats and dogs”中的“cat”。这等于是告诉正 则表达式引擎，找到一个c，紧跟一个a，再跟一个t。 要注意，正则表达式引擎缺省是大小写敏感的。除非你告诉引擎忽略大小写，否则 cat不会匹配“Cat”。 • 特殊字符 对于文字字符，有12个字符被保留作特殊用途。他们是： [ ] \ ^ $ . | ? * + ( ) 这些特殊字符也被称作元字符。 如果你想在正则表达式中将这些字符用作文本字符，你需要用反斜杠“\”对其进行换 码 (escape)。例如你想匹配“1+1=2”，正确的表达式为1\+1=2. 需要注意的是，1+1=2也是有效的正则表达式。但它不会匹配“1+1=2”， 而会匹配“123+111=234”中的“111=2”。因为“+”在这里表示特殊含义（重复1 次到多次）。 在编程语言中，要注意，一些特殊的字符会先被编译器处理，然后再传递给正则引擎。 因此正则表达式1\+2=2在C++中要写成“1\\+1=2”。为了匹配“C:\temp”， 你要用正则表达式C:\\temp。而在C++中，正则表达式则变成了“C:\\\\temp”。 • 不可显示字符 可以使用特殊字符序列来代表某些不可显示字符： \t代表Tab(0x09) \r代表回车符(0x0D) \n代表换行符(0x0A) 要注意的是Windows中文本文件使用“\r\n”来结束一行而Unix使用“\n”。 4. 4. 44.. 正则表达式引擎的内部工作机制 知道正则表达式引擎是如何工作的有助于你很快理解为何某个正则表达式不像你期望 的那样工作。 有两种类型的引擎：文本导向(text-directed)的引擎和正则导向(regex-directed)的 引擎。JeffreyFriedl把他们称作DFA和NFA引擎。本文谈到的是正则导向的引擎。这是 因为一些非常有用的特性，如“惰性”量词(lazy quantifiers)和反向引用 (backreferences)，只能在正则导向的引擎中实现。所以毫不意外这种引擎是目前最流行 的引擎。 你可以轻易分辨出所使用的引擎是文本导向还是正则导向。如果反向引用或“惰性”量 词被实现，则可以肯定你使用的引擎是正则导向的。你可以作如下测试：将正则表达式 regex|regex not应用到字符串“regex not”