正则表达式指北

正则表达式(regular expression)提供了一种字符串匹配模式，在定义了一系列“通配符”的情况下，方便我们查找给定文本串下的满足某些特定条件的子串。

一般而言，我们用bbs去匹配bsbsbbs，得到的就是匹配到最后三位的结果。但假设我忘记了最后一位是什么，只记得前两位是bb该怎么办，利用正则表达式就能解决此类问题。

字符类

这一类的符号限制匹配的字符种类。

• .可以用来匹配任何一个字符，如bb.可以用来匹配bbs或者bbq或者bb2.

• []表示匹配括号内的任何一个字符，如[abc]bc能同时匹配到abc,bbc,cbc,但是不能匹配到dbc.

• -表示范围，如[abc]bc等价于[a-c]bc.

• ^表示“非”，在[]的开头使用，表示匹配除括号内的字符以外的任何字符，如[^abc]bc和[^a-c]bc能匹配到dbc,2bc, bc，不能匹配到abc,bbc,cbc.

注意，对于在正则表达式有特殊意义的字符，如果我们需要在文本串中匹配这个字符，则需在正则表达式中的该字符前加上\，比如为了匹配0.1的正则表达式需要写成[0-9]\.[0-9]。

数量类

这一类的字符对字符的出现次数进行限制。

• ?表示前面的字符的出现次数\(\leq 1\)，如a?bc能匹配到abc和bc，不能匹配到aabc。

• +表示前面的字符的出现次数\(\geq 1\)，如a+bc能匹配到abc和aabc，不能匹配到bc。

• *表示前面的字符的出现次数\(\geq 0\)，如如a?bc能匹配到abc,bc和aabc。

• {n,m}表示前面字符的出现次数在区间\([n,m]\)中。注意，如果没有\(n\)或者没有\(m\)则表示前面字符的出现次数没有下界/上界限制。如果大括号内只有一个数{n}则表示前面字符的出现次数应恰好为\(n\)次。

有了上面的两类表达式已经可以解决一些简单的匹配问题了。

• 匹配一个三位数：[1-9][0-9]{2}（但其实这个会对那些长度\(>3\)的数进行一个分段操作，所以并不是完美的。）

• 匹配无前导0的数：[1-9][0-9]*

• 匹配C语言的标识符：[a-zA-Z_]+[a_zA-Z0-9_]*

• 匹配邮箱地址：[a-zA-z0-9_.-]+@[a-zA-z0-9_.-]+\.[a-zA-z0-9_.-]+（这里的中括号中的_.-表示的就是这三个字符，只有当它们位于括号外面且需要匹配其本身时才需要加上转义符\）

位置类

这一类字符对匹配的字符或串出现的位置进行限制。

• ^：匹配行首的位置。

• $：匹配行尾的位置。

• \<：匹配单词开头的位置。如\<t能匹配the，但不能匹配cat。

• \>：匹配单词结尾的位置。如t\>能匹配cat，但不能匹配the。

• \b:匹配单词开头或结尾的位置，如\bat\b能匹配at，但不能匹配cat,ate或kate。

• \B:匹配不是单词开头或结尾的位置，如\Bat\B能匹配kate，但不能匹配cat,ate或at。

其它类

记录一下其它的字符

• ()：将括号内的东西视为整体，可对这个整体进行数量类限制。

• |：连接两个字符串，表示匹配时的或者关系。

• \d,\D：表示数字/非数字字符。

• \w,\W：表示（不是）数字字母下划线字符。

• \s,\S：表示（不是）空白区域。

Tips（不断更新）

• 利用正则表达式进行替代时可以用$1,$2,\(\cdots\)来替代查找中进行省略查找的部分（需要注意的是替代的部分在匹配时用()包含）。

• 一般来说使用*.等符号进行查找时会尽量多的匹配文本串（贪婪模式），可以通过加上？来使得尽量少的匹配（非贪婪模式，一旦发现能匹配成功就停止匹配）

例如对于文本串：acacacb

如果使用a.*c进行查找，得到的串就是acacac。

如果使用a.*?c进行查找，得到的串就是ac。