松鼠
2018/7/23
从今天起开始正则表达式的学习，凭此系列博客作为读书笔记和心得记录，一些思考和想法也会笔耕于此。
第一章：正则表达式入门（Introduction to regex）
首先需要理解这玩意是干啥的，为啥我们要学这玩意。学编程是避不开字符串的各种杂七杂八的处理的，说到底程序还是字符串堆砌，无论是搞爬虫是我们需要定向检索某一类的资源，或是数据库对各种信息的处理，亦或是最单纯的提取我们需要的各类文字、数字，我们总是希望使用某种方式直接获得我们想要的东西，跟其他方法比起来，正则有得天独厚的优势，具体细节暂且不表。
-
正则语句组成结构
完整的正则表达式由元字符（metacharacters）和普通文本字符(normal text characters)组成，简单来说，元字符就是语法功能，普通文本字符就是文本，元字符对文本的操作控制是以一个单元（unit）为基础的，元字符会对整个单元起作用。
-
元字符种类
脱字符号 ⌈^⌋：表示匹配行的起始，如 ⌈^cat⌋ 表示行起始后的第一个字符是 ⌈c⌋，然后是 ⌈a⌋，然后是⌈t⌋。
美元符号 ⌈$⌋：表示匹配行的结束，如⌈t$⌋表示行的结束之前的最后一个字符是⌈t⌋。
以上两种符号的特殊之处在于他们匹配的是位置，而不是具体的文本。
-
字符组 （character classes）
字符组[……]可以理解为一个“或运算”，字符组中的字符有且仅有一个字符可以匹配，如⌈ca[rt]⌋能匹配且仅能匹配⌈car⌋或⌈cat⌋。字符组元字符（character-class metacharacter）是仅在字符组中适用的元字符，连字符‘-’就是典型的例子，在字符组中表示范围，如⌈[0-9]⌋、⌈[a-z]⌋，需要注意的是：‘-’在字符组内部中时才是元字符，而且前后必须是合法范围，如⌈[-az]⌋表示⌈-⌋或⌈a⌋或⌈z⌋，一定要注意逻辑上是否存在谬误。‘-’在字符组外部就是一个普通文本字符，不可混淆。
排除型字符组：⌈[^……]⌋表示一个“或非”操作，如⌈[^0-9]⌋表示匹配一个非0到9的字符，需要注意的是：排除型字符组一定会有一个匹配，匹配不到是不可接受的，⌈^⌋只有在字符组内部才是元字符，在外部是行锚点（line anchor）。
-
点号⌈.⌋
点号可以匹配任意字符，这里包括空格，需要强调空格符也是一个字符。点号的匹配范围过于宽泛，可能会获得大量希望之外的结果，需要多加限制。
-
多选结构（alternation）
⌈|⌋，或运算，跟括号配合，可以起到比字符组更灵活的筛选功能，字符组只能对字符或运算，⌈|⌋可以筛选子表达式，一个二级结构出现了。⌈（|）⌋是一个常见的结构。
-
egrep中的 -i 命令可以忽略大小写。
-
单词标识符
为了避免希望匹配的单词在另一个单词里面，可采用⌈\<⌋,⌈\>⌋定位单词开始结束位置。⌈\<⌋是一个元字符序列。
-
可选项元素-量词（？+*）
⌈？⌋表示其作用的的单元可出现一次可以不出现，如⌈colou？r⌋表示u可有可无，⌈color⌋,⌈colour⌋均可匹配成功。
⌈+⌋表示其作用的的单元至少出现一次，如⌈[0-9]+⌋可匹配所有数字。若一次都没有匹配成功就会报错。
⌈*⌋表示其作用的单元爱出现几次都行，0到任意大都是可以的，也不会报错。
有时用{min，max}可规定确切匹配的区间。
-
括号和反向引用
大部分情况下括号可以记住其内部子表达式的匹配内容，我们可以通过⌈\1⌋反向调用，⌈\2⌋,⌈\3⌋依次匹配后面的括号内容。
此方法多用于寻找重复字符。
-
转义
⌈\⌋转义符，加元字符可以消除元字符本身的特性，恢复其普通的含义，反之⌈\⌋加普通字符可能产生元字符的特性。