正则表达式学习 -- 实践
如何让一个完全没接触过正则表达式的人去快速有效的学会正则表达式？这的确是个很难回答的问题。不过我想最好的方式就是把自己当成这么一个人，然后把自己的学习过程分享出来，想必是个比较不错的方式。
现在，我将打算去做这么一件事，希望对读者有所帮助……
首先在学习开始之前，我们应该学会怎么去搭建一个实验环境，简言之就是教大家怎么简单的去验证下面的一些实验demo。
大家可以百度到很多的方式，这里我用的是Linux（Ubuntu系统）环境下操作验证。那么，怎么去验证呢？
1. 某路径下创建一个TXT文件：test.txt
2. 写入一些字符串：
This isa test demo
HelloClay, how are you
HellommmClaymmm, how are you
Thisis a line with number 2568
This is a yuan char \d end
3. 实验的语法是： grep "xxxx" test.txt (其中"xxxx"就是我们测验的正则表达式，如果符合我们定义的正则要
求，会输出相应的结果)
正则表达式组成：普通字符和元字符 组成的（某一种或者两种都有）
普通字符： 是除 “元字符” 以外的所有字符。
元字符： 见以下的表（针对以下的表格，先粗略的浏览一遍就行）
| 元字符 |
描述 |
| \ |
将下一个字符标记符、或一个向后引用、或一个八进制转义符。例如，“\\n”匹配\n。“\n”匹配换行符。序列“\\”匹配“\”而“\(”则匹配“(”。即相当于多种编程语言中都有的“转义字符”的概念。 |
| ^ |
匹配输入字符串的开始位置。如果设置了RegExp对象的Multiline属性，^也匹配“\n”或“\r”之后的位置。 |
| $ |
匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性，$也匹配“\n”或“\r”之前的位置。 |
| * |
匹配前面的子表达式任意次。例如，zo*能匹配“z”，也能匹配“zo”以及“zoo”。 |
| + |
匹配前面的子表达式一次或多次(大于等于1次）。例如，“zo+”能匹配“zo”以及“zoo”，但不能匹配“z”。+等价于{1,}。 |
| ? |
匹配前面的子表达式零次或一次。例如，“do(es)?”可以匹配“do”或“does”中的“do”。?等价于{0,1}。 |
| {n} |
n是一个非负整数。匹配确定的n次。例如，“o{2}”不能匹配“Bob”中的“o”，但是能匹配“food”中的两个o。 |
| {n,} |
n是一个非负整数。至少匹配n次。例如，“o{2,}”不能匹配“Bob”中的“o”，但能匹配“foooood”中的所有o。“o{1,}”等价于“o+”。“o{0,}”则等价于“o*”。 |
| {n,m} |
m和n均为非负整数，其中n<=m。最少匹配n次且最多匹配m次。例如，“o{1,3}”将匹配“fooooood”中的前三个o为一组，后三个o为一组。“o{0,1}”等价于“o?”。请注意在逗号和两个数之间不能有空格。 |
| ? |
当该字符紧跟在任何一个其他限制符（*,+,?，{n}，{n,}，{n,m}）后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串“oooo”，“o+”将尽可能多的匹配“o”，得到结果[“oooo”]，而“o+?”将尽可能少的匹配“o”，得到结果 ['o', 'o', 'o', 'o'] |
| .点 |
匹配除“\r\n”之外的任何单个字符。要匹配包括“\r\n”在内的任何字符，请使用像“[\s\S]”的模式。 |
| (pattern) |
匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到，在VBScript中使用SubMatches集合，在JScript中则使用$0…$9属性。要匹配圆括号字符，请使用“\(”或“\)”。 |
| (?:pattern) |
非获取匹配，匹配pattern但不获取匹配结果，不进行存储供以后使用。这在使用或字符“(|)”来组合一个模式的各个部分时很有用。例如“industr(?:y|ies)”就是一个比“industry|industries”更简略的表达式。 |
| (?=pattern) |
非获取匹配，正向肯定预查，在任何匹配pattern的字符串开始处匹配查找字符串，该匹配不需要获取供以后使用。例如，“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”，但不能匹配“Windows3.1”中的“Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。 |
| (?!pattern) |
非获取匹配，正向否定预查，在任何不匹配pattern的字符串开始处匹配查找字符串，该匹配不需要获取供以后使用。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”，但不能匹配“Windows2000”中的“Windows”。 |
| (?<=pattern) |
非获取匹配，反向肯定预查，与正向肯定预查类似，只是方向相反。例如，“(?<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”，但不能匹配“3.1Windows”中的“Windows”。 |
| (?<!pattern) |
非获取匹配，反向否定预查，与正向否定预查类似，只是方向相反。例如“(?<!95|98|NT|2000)Windows”能匹配“3.1Windows”中的“Windows”，但不能匹配“2000Windows”中的“Windows”。这个地方不正确，有问题 此处用或任意一项都不能超过2位，如“(?<!95|98|NT|20)Windows正确，“(?<!95|980|NT|20)Windows 报错，若是单独使用则无限制，如(?<!2000)Windows 正确匹配 |
| x|y |
匹配x或y。例如，“z|food”能匹配“z”或“food”(此处请谨慎)。“[z|f]ood”则匹配“zood”或“food”或"zood"。 |
| [xyz] |
字符集合。匹配所包含的任意一个字符。例如，“[abc]”可以匹配“plain”中的“a”。 |
| [^xyz] |
负值字符集合。匹配未包含的任意字符。例如，“[^abc]”可以匹配“plain”中的“plin”。 |
| [a-z] |
字符范围。匹配指定范围内的任意字符。例如，“[a-z]”可以匹配“a”到“z”范围内的任意小写字母字符。 注意:只有连字符在字符组内部时,并且出现在两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身. |
| [^a-z] |
负值字符范围。匹配任何不在指定范围内的任意字符。例如，“[^a-z]”可以匹配任何不在“a”到“z”范围内的任意字符。 |
| \b |
匹配一个单词边界，也就是指单词和空格间的位置（即正则表达式的“匹配”有两种概念，一种是匹配字符，一种是匹配位置，这里的\b就是匹配位置的）。例如，“er\b”可以匹配“never”中的“er”，但不能匹配“verb”中的“er”。 |
| \B |
匹配非单词边界。“er\B”能匹配“verb”中的“er”，但不能匹配“never”中的“er”。 |
| \cx |
匹配由x指明的控制字符。例如，\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则，将c视为一个原义的“c”字符。 |
| \d |
匹配一个数字字符。等价于[0-9]。grep 要加上-P，perl正则支持 |
| \D |
匹配一个非数字字符。等价于[^0-9]。grep要加上-P，perl正则支持 |
| \f |
匹配一个换页符。等价于\x0c和\cL。 |
| \n |
匹配一个换行符。等价于\x0a和\cJ。 |
| \r |
匹配一个回车符。等价于\x0d和\cM。 |
| \s |
匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。 |
| \S |
匹配任何可见字符。等价于[^ \f\n\r\t\v]。 |
| \t |
匹配一个制表符。等价于\x09和\cI。 |
| \v |
匹配一个垂直制表符。等价于\x0b和\cK。 |
| \w |
匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”，这里的"单词"字符使用Unicode字符集。 |
| \W |
匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。 |
| \xn |
匹配n，其中n为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，“\x41”匹配“A”。“\x041”则等价于“\x04&1”。正则表达式中可以使用ASCII编码。 |
| \num |
匹配num，其中num是一个正整数。对所获取的匹配的引用。例如，“(.)\1”匹配两个连续的相同字符。 |
| \n |
标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式，则n为向后引用。否则，如果n为八进制数字（0-7），则n为一个八进制转义值。 |
| \nm |
标识一个八进制转义值或一个向后引用。如果\nm之前至少有nm个获得子表达式，则nm为向后引用。如果\nm之前至少有n个获取，则n为一个后跟文字m的向后引用。如果前面的条件都不满足，若n和m均为八进制数字（0-7），则\nm将匹配八进制转义值nm。 |
| \nml |
如果n为八进制数字（0-7），且m和l均为八进制数字（0-7），则匹配八进制转义值nml。 |
| \un |
匹配n，其中n是一个用四个十六进制数字表示的Unicode字符。例如，\u00A9匹配版权符号（©）。 |
| \p{P} |
小写 p 是 property 的意思，表示 Unicode 属性，用于 Unicode 正表达式的前缀。中括号内的“P”表示Unicode 字符集七个字符属性之一：标点字符。 其他六个属性： L：字母； M：标记符号（一般不会单独出现）； Z：分隔符（比如空格、换行等）； S：符号（比如数学符号、货币符号等）； N：数字（比如阿拉伯数字、罗马数字等）； C：其他字符。 *注：此语法部分语言不支持，例：javascript。 |
| \< \> |
匹配词（word）的开始（\<）和结束（\>）。例如正则表达式\<the\>能够匹配字符串"for the wise"中的"the"，但是不能匹配字符串"otherwise"中的"the"。注意：这个元字符不是所有的软件都支持的。 |
| ( ) |
将( 和 ) 之间的表达式定义为“组”（group），并且将匹配这个表达式的字符保存到一个临时区域（一个正则表达式中最多可以保存9个），它们可以用 \1 到\9 的符号来引用。 |
| | |
将两个匹配条件进行逻辑“或”（Or）运算。例如正则表达式(him|her) 匹配"it belongs to him"和"it belongs to her"，但是不能匹配"it belongs to them."。注意：这个元字符不是所有的软件都支持的。 |
下面我们就几个例子讲解一下其中几个元字符的含义。
1. 查找test.txt下包含“Clay”字段的，
我们如果直接用grep "Clay" test.txt ，结果：
clay.zhu@aclgcl-ubnt:~/Desktop/zhengze$ grep"Clay" test.txt
Hello Clay,how are you
Hello mmmClaymmm,how are you
clay.zhu@aclgcl-ubnt:~/Desktop/zhengze$
讲解：
1. 该表达式只包含 普通字符，不含包元字符
2. 该表达式只是匹配包含“Clay”字段的行
如果我们使用grep "\bClay\b" test.txt ，结果：
clay.zhu@aclgcl-ubnt:~/Desktop/zhengze$grep "\bClay\b" test.txt
Hello Clay,how are you
clay.zhu@aclgcl-ubnt:~/Desktop/zhengze$
讲解：
1. 这个表达式是 元字符+普通字符+元字符 组成
2. 我们加入了 \b 元字符（匹配一个单词边界，也就是指单词和空格间的位置（即正则表达式的“匹配”有两种
概念，一种是匹配字符，一种是匹配位置，这里的\b就是匹配位置的）。例如，“er\b”可以匹配“never”中的“er”，但不
能匹配“verb”中的“er”。） --> 也就是说匹配的Clay前后应该都是没有其他的单词的（单词边界）
2. 查找test.txt下某行前面包含“This”字段，后面包含“test”字段：
我们可以使用grep "\bThis\b.*\btest\b" test.txt ，结果：
clay.zhu@aclgcl-ubnt:~/Desktop/zhengze$grep "\bThis\b.*\btest\b" test.txt
This is a testdemo
clay.zhu@aclgcl-ubnt:~/Desktop/zhengze$
讲解：
1. 结构：元字符（\b）+普通字符（This）+元字符（\b）+元字符（.）+元字符（*）+元字符（\b）+普通字符（test）+元字符（\b）
2. \b 元字符 --> 说匹配的This和test前后应该都是没有其他的单词的（单词边界）
3. . 元字符 --> 匹配除了换行符以外的任意字符(没有限制)
4. *元字符 --> 表示数量的元字符，*前边的内容可以连续重复使用任意次，如果不加该元字符，表示
This 和 test之间就只能有一个除换行符以外的任意字符
3. 查找test.txt下某行包含数字字段：
我们可以使用grep -P "\b\d*\d\b" test.txt ，结果：
clay.zhu@aclgcl-ubnt:~/Desktop/zhengze$ grep-P "\b\d*\d\b" test.txt
This is a line with number 2568
clay.zhu@aclgcl-ubnt:~/Desktop/zhengze$
讲解：
1. 结构： 全部是元字符组成 --> 元字符（\b）+元字符（\d）+元字符（*）+元字符（\d）+元字符（\b）
2. \d --> 元字符, 匹配一个数字字符。等价于[0-9]。(grep 要加上-P)
3. \b 元字符 --> 说匹配的This和test前后应该都是没有其他的单词的（单词边界），这里表示 \d*\d是个独立
的单词字符，不是某个字符串的一部分。
4. \d*\d --> 这个表示第一个和最后一个是数字[0-9]，中间数字的重复是*（没有限制）。这里需要附加一个
说明是虽然有两个 \d ,但是不代表该数字必须是两位数或两位数以上，单位数字也能匹配。
4. 查找test.txt下某行 包含 \d 字段：
这里我们需要注意的是 “\d” 本身就是一个元字符，我们不能直接匹配 \d，我们可以使用grep "\\\d\b" test.txt ，结果：
clay.zhu@aclgcl-ubnt:~/Desktop/zhengze$grep '\\\d\b' test.txt
This is a yuan char \dend
clay.zhu@aclgcl-ubnt:~/Desktop/zhengze$
通过以上的三个例子，想必你已经对正则表达想必是有了比较初步的认识。总结而言，元字符主要分有以下几个类
型：
1. 常用匹配类型：
\ ： 将下一字符标记为特殊字符、文本、反向引用或八进制转义符。例如，“n”匹配字符“n”。“\n”匹配换行符。序列“
\\”匹配“\”，“\(”匹配“(”。、
[abcde]： 匹配abcde 之中的任意一个字符
[a-h]： 匹配 a 到h 之间的任意一个字符
[^fgh] ：不与 fgh 之中的任意一个字符匹配
\w ：匹配大小写英文字符及数字 0 到 9 之间的任意一个及下划线，相当于 [a-zA-Z0-9_]
\W ：不匹配大小写英文字符及数字 0 到 9 之间的任意一个，相当于[^a-zA-Z0-9_]
\s ：匹配任何空白字符，相当于 [ \f\n\r\t\v]
\S ：匹配任何非空白字符，相当于 [^\s]
\d ：匹配任何 0 到 9 之间的单个数字，相当于 [0-9]
\D ：不匹配任何 0 到 9 之间的单个数字，相当于 [^0-9]
[\u4e00-\u9fa5] ：匹配任意单个汉字（这里用的是 Unicode 编码表示汉字的 )
2. 限制类型
* ：匹配 0 到多个元字符，相当于 {0,}
? ：匹配 0 到 1 个元字符，相当于 {0,1}
{n} ：匹配 n 个元字符
{n,} ：匹配至少 n 个元字符
{n,m} ：匹配 n 到m 个元字符
+ ：匹配至少 1 个元字符，相当于 {1,}
\b ：匹配单词边界
^ ：字符串必须以指定的字符开始
$ ：字符串必须以指定的字符结束
上面主要是把常见的一些元字符show出来归类了一下，正则匹配说直白一点，按照上面的类型，首先用匹配类型
去限制你要取的值类型，然后用限制类型去限制你选定的类型情况（比如个数，单个单词等）。