- 由 zhongluqiang创建, 最后修改于8月 14, 2021
正则表达式概述
学习之前，可以暂时把正则表达式理解为功能更高级的通配符（wildcard）。
在Shell里，可以通过通配符来匹配一些具有相似模式的字符串，比如下面的命令：
$ ls * # 列举所有的文件 $ ls *.c # 列举所有以".c"结尾的文件 $ ls 108?.c # 列举以108开头，后面跟一个任意字符，再以".c"结尾的文件 $ ls 108[56].c # 列举以108开头，后面跟5或6，再以".c"结尾的文件 $ ls 108[0-8].c # 列举以108开头，后面跟0~8中的任意一个，再以".c"结尾的文件 $ ls l08[!0].c # 列举以108开头，后面跟一个不为0的字符，再以".c"结尾的文件
其中，'*'、'?' 等就被称为通配符，因为他们可以匹配一个或多个符合规则的字符，具体的，这些通配符的作用如下：
- '*' 用于匹配零个或多个任意字符。
- '?' 用于匹配单个任意字符。
- '[]' 用于匹配可能出现的单个字符，比如[56]表示该位置可能出现5或6, 也可以使用范围的方式，比如[0-8]表示数字范围0~8，[a-i]表示字符范围a~i。
- '!' 用于排除单个字符。
通配符的作用就是用于字符串的匹配，但是在遇到比较复杂的匹配需求时，通配符就无能为力了，比如像“匹配以test开头，后面跟1个或多个数字，再跟3个非数字的字符，再以abcef中的一个或多个字符结尾的字符串”，或是匹配一个邮箱地址，只使用通配符的话就无法实现，这时，正则表达式就可以派上用场了。
正则表达式是比通配符功能更加强大的用于字符串模式匹配的工具，具体地，正则表达式可以实现以下功能：
- 字符串模式匹配，即验证字符串是否符合指定特征，比如验证一串字符是否是一个合法的邮箱地址；
- 在模式匹配的基础上，进行字符串分割，将字符串按规则分割成几个部分，以便于提取字符串，比如从邮箱地址中提取@前面的用户名；
使用正则表达式的最大问题是正则表达式有很多的流派（正则表达式“派别”简述 - Keep Coding），也就是在实现相同功能的情况下，不同流派的正则表达式可能有不同的写法。具体来说，正则表达式可以分为以下几类：
- POSIX基础正则表达式（basic regular expression, BRE）
- POSIX扩展正则表达式（extended regular expression, ERE）
- Perl兼容的正则表达式（Perl compatible reqular expression, PCRE）
关于这几个流派，PCRE一般用于编程语言，比如Perl, Boost.Regex, java.util.regex。BRE和ERE一般用于POSIX程序，比如sed, awk, grep等，其中sed默认使用BRE，awk默认使用ERE，而grep则可以通过选项选择使用哪种流派的正则表达式。关于这几个流派的正则表达式差异可以参考：正则表达式 BRE ERE PCRE 区别 | IT日记，本篇主要介绍PCRE。
学习正则表达式可以借助一些在线测试的网站，比如：在线正则表达式测试工具，Regexp在线调试 - 在线工具。
正则表达式规则
关于模式匹配
所谓模式匹配，其实就是给出一个模式串和目标串，然后判断目标串中是否存在匹配串。
模式串用以描述要匹配的字符串特征，可以包含用于模式匹配的元字符，也可以包含普通字符。目标串则可以是任何字符串，匹配串是目标串中符合模式串的实际字符串。
以上面的通配符举例，abc[de]f就是一个模式串，这个模式串描述的字符串特征是“abc开头，后面接一个d或e，再接一个f”。目标串可以是任何字符串，这里以目标串abcdefg举例，在这个目标串里，不存在与模式串匹配的目标串。把目标串改成abcdfg，则存在一个匹配串abcdfg，匹配位置是从1开始，结束于5（下标从1开始）。如果把目标串改成abcdfgabcefg，则存在两个匹配串abcdfgabcefg，第一个匹配串起始于1，结束于5，第二个匹配串起始于7，结束于11。
模式串不一定要匹配整串目标串，只要部分匹配，就算匹配成功，甚至在一个目标串里可以存在多个匹配串。
正则表达式充当的就是模式串的作用，通过正则表达式可以描述一个待匹配的字符串特征。
正则表达式构成
参考：http://regexlab.com/zh/regref.htm
正则表达式其实就是一串用于描述字符串特征的字符串，包含普通字符和元字符。普通字符用于匹配目标串里的相同字符，比如正则表达式abc，在匹配目标串abcdef时，匹配的结果是成功，匹配到的内容是abc，匹配到的位置是开始于1，结束于3。元字符和Shell里的通配符功能类似，用于匹配一类字符，只不过正则表达式里的元字符数量比Shell里的通配符数量要多很多，功能也比通配符强大。下面的表格包含正则表达式里可用的元字符，其中有些是转义字符：
| 表达式 | 可匹配 |
|---|---|
| \r，\n | 匹配回车和换行符 |
| \t | 匹配制表符 |
| \\ | 匹配 '\' |
| \^ | 匹配 ^ |
| \$ | 匹配 $ |
| \. | 匹配 . |
| \d | 任意一个数字，0~9中的任意一个 |
| \w | 任意一个字母、数字或下划线，也就是A~Z, a~z，0~9, _ 中任意一个 |
| \s | 空格、制表符、换页符等空白字符中的任意一个 |
| . | 匹配除换行符(\n)以外的任意一个字符 |
| [ab5@] | 匹配'a'、'b'、'5'、'@'中的任意一个 |
| [^abc] | 匹配'a'、'b'、'c'之外的任意一个字符 |
| [f-k] | 匹配'f'~'k'之间的任意一个字符 |
| [^A-F0-3] | 匹配'A'~'F'，'0'~'3'之外的任意一个字符 |
| ^ | 匹配字符串起始位置，不匹配任何实际字符 |
| & | 匹配字符串结束位置，不匹配任何实际字符 |
| \b | 匹配一个单词边界，也就是单词和空格之间的位置，不匹配任何字符 |
| {n} | 表达式重复n次，比如 a{5} 相当于 aaaaa |
| {m, n} | 表达式重复m~n次，比如 ba{1,3} 可以匹配 ba, baa, baaa |
| {m,} | 表达式至少重复m次，比如 \w\d{2} 可以匹配 a12, _456, m1234, ... |
| ? | 表达式出现0次或1次，相当于{0,1}，比如 a[cd]? 可以匹配a, ac, ad |
| + | 表达式至少出现1次，相当于{1,}，比如 a+b 可以匹配 ab, aab, aaab, ... |
| * | 表达式不出现或出现任意次，相当于{0,}, 比如 \^*b 可以匹配 b, ^b, ^^b, ^^^b, ... |
| | | 左右两边的表达式之间“或”的关系，匹配左边或右边。 |
| () |
|
关于匹配次数中的贪婪与非贪婪
在基于出现次数进行匹配时，正则表达式总是基于可行的最大次数进行匹配，以目标串dxxxdxxxd为例，下面两个正则表达式的匹配规则描述如表格所述：
| 表达式 | 匹配结果 |
|---|---|
(d)(\w+) | \w+ 将匹配第一个"d"后面的所有字符"xxxdxxxd" |
(d)(\w+)(d) | \w+ 将匹配第一个"d"和最后一个"d"之间的全部内容，虽然 \w+ 可以连最后一个"d"也匹配上，但是为了让表达式匹配成功，\w+ 不得不让出最后一个可以匹配上的"d" |
上面的示例可以可以说明在基于次数进行匹配时，在保证可匹配成功的情况下，正则表达式总是尽可以多地匹配字符，这点对 {m,n}, {m,}, ?, *也一样，这种匹配原则叫作“贪婪”模式。
非贪婪模式：
在匹配次数的特殊符号后面加一个"?"号，可以使匹配次数不定的表达式尽可能少的匹配，使可匹配或不匹配的表达式，尽可能地不匹配。
| 表达式 | 匹配结果 |
|---|---|
(d)(\w+?) | \w+? 将尽可能少得匹配"d"之后的字符，这里只会匹配第一个"x" |
(d)(\w+?)(d) | 为了让整个表达式区分成功，\w+? 将不得不匹配"d"后面的"xxx"才可以让后面的"d"匹配，结果是 \w+? 只匹配了"xxx" |
反向引用\1, \2...
在匹配过程中使用前面括号中已经匹配的结果，比如匹配配对的标签：
<td>aa</td>
<p>aa</p>
几个示例：.*
区分多种不同的正则表达式类型，搞清楚它们之间的区别和应用场景，以及放在代码中的转义字符处理，特别是C++中构造正则表达式时的反人类的转义写法。
几个实例，
notepad++中替换文本
匹配UUID
匹配邮箱
- 无标签