[疯狂Java]正则表达式：Java正则表达式语法、贪婪模式/勉强模式

1. 基本字符和特殊字符：

    1) 正则表达式前面讲过了，是需要先编译再执行的，因此从某种方面来将正则表达式其实也是一种特殊的编程语言；

    2) 既然是编程语言（特殊的编程与语言）那么它就有它自己的源代码字符、关键字等概念了；

    3) 正则表达式没有像其它编程语言一样的关键字（像if、else、while等），它的关键字是特殊字符，因此正则表达式的源码分为基本字符和特殊字符：

    4) 基本字符：包括所有的英文字母（大小写都包含）和数字（0-9），它们就是纯文本字符，它们只代表自己本身；

    5) 特殊字符：基本上都是一些符号字符，例如*、\、^等，它们不是纯文本字符，有特殊含义，正则表达式引擎会把它们解释成命令并编译成子函数；

    6) 这里先介绍两个最重要的特殊字符，它们在后面会有大量应用：

         i. \：转义字符，用于转义紧跟在它后面的下一个字符，使其具有特殊含义；

         ii. ()：标记子表达式的开始和结束，即用()括起来的部分就是一个子表达式；

2. 匹配单个字符：

    1) 基本字符（普通字符）：所有的英文字母（包括大小写）和纯数字（0-9），之前已经讲过了；

    2) 用ASCII编码来表示字符：有两种形式，一种是8进制形式，一种是16进制形式

         i. \0XX：X表示八进制数（0-7）；

         ii. \xXX：X表示十六进制数（0-9、a-f，不分大小写,，一般推荐大写，大写更美观）；

！！由于这两种形式只能表示ASCII编码，而ASCII编码范围是十进制的[0, 127]，因此八进制表示法的X最多有2个，而十六进制的X最多也只有两个！！

    3) 用Unicode编码来表示字符：\uXXXX

！！X表示十六进制数（字母不区分大小写），必须是4个X，不能缺省（ASCII码表示法可以缺省）；

    4) 控制符：

         i. \t：制表

         ii. \n：换行

         iii. \r：回车

         iv. \a：报警

         v. \e：Escape

         vi. \cX：Ctrl+X，例如\cM就表示Ctrl+M，其中X是英文字母（包括大小写）

3. 中括号表达式：范围匹配，一种特殊的匹配单个字符的方法

    1) 即[ ]表达式，用来匹配单个字符，只不过这一个字符的所在范围有中括号内的表达式来确定

    2) 枚举：[abc]，表示匹配a、b、c的任意一个

    3) 范围：[a-f]，表示匹配a-f之间的任意一个字符，包括边界，其中右边界一定要≥左边界，否则引擎编译错误

    4) 并：[a-cm-p]，就表示a-c的范围和m-p的范围求并，其实前面的abc之类的枚举也是一种并运算

    5) 交：[a-z&&b-d]，就表示a-z的范围和b-d的范围求交，结果等于[b-d]

    6) 补：[^abc]表示非a、b、c的任意一个字符，[^a-f]表示非a-f的任一字符；^也是一个脱字符，必须是中括号表达式的第一个字符，否则不起任何作用！！

！补的是^后面紧跟的整个表达式！

    7) 嵌套：[a-m&&[def]]，a-m和[def]都表示范围，因此可以做运算，结果等于[d-f]

    8) 有了上面这些基本运算，就可以构造一些很复杂的运算了：[a-z&&[^bc]] == [ad-z]

！！但是注意不要用^构造复杂表达式，以下一些表达式将不起作用！

        a. ^后面紧跟一个[ ]嵌套：^[a-d]，非法！不起任何作用

        b. ^后面是一个运算（交并补）：^a-cf-h、^a-z&&c-h、^^a-c，都是非法的！！不起任何作用！！

        c. ^后面只能跟单纯的枚举和范围运算！！例如[^azh]、[^a-h]等；

4. 前面紧邻的子表达式的重复次数：

    1) *：重复0次或多次

    2) +：重复1次或多次

！！常用：\w+表示匹配一个单词！

    3) ?：重复0次或1次

    4) {n}：刚好重复n次

        {n,}：重复≥n次，即≥n次的都可以

        {n,m}：重复[n, m]次，即n≤  ≤m的都可以

！！不能有任何多余的空格，否则直接编译（引擎编译）不通过；

！！n必须为非负整数，且n≤m，否则也会引擎编译不通过；

！！贪婪模式和勉强模式：解决重复次数匹配的歧义（就是上面的重复次数匹配）

        a. 由于重复次数的匹配可能匹配到多种结果，例如：x{2, 3}匹配xxxx，既可以匹配xx，也可以匹配xxx，因此存在歧义；

        b. 但是任何编程语言，包括正则表达式，都是不允许有任何歧义的，因此底层必定有避免歧义的机制；

        c. 正则表达式引擎默认使用贪婪模式解决歧义问题，贪婪模式：只要符合要求就一直匹配下去，直到无法匹配为止，即上面的结果就是2和3都存在，就往大的取！只取上限，包括*、+、?都是一样的，例如ab.*zz匹配abcxxzzsfewzzq的结果是abcxxzzsfewzz，并没有在abcxxzz处停止，而是直到最后的zzq不能再匹配时才停止匹配！

        d. 与贪婪模式对应的就是勉强模式：只匹配下限，即只往少的匹配，一找到符合要求的就立马匹配成功，不再管后面的序列，在勉强模式下*匹配0个，+匹配一个，?匹配0个，而{ }只匹配下限！

        f. Java是支持勉强模式的，勉强模式的表示方式是重复次数字符后面紧跟一个?，例如??就表示勉强模式的?，+?就表示勉强模式的+，*?就表示勉强模式的*，{ }?就表示勉强模式的{ }；

5. 通配符：

    1) .：匹配\r和\n之外的任意其他字符

    2) \d：匹配任意一个数字（0-9），即digit

    3) \D：匹配任意一个非数字

    4) \s：匹配任意一个空白符（制表、换行、空格、换页、回车等），即space

    5) \S：匹配任意一个非空白符

    6) \w：匹配任意一个单词字符，单词字符指0-9、26个英文字母（包括大小写）、下划线（_），注意是一个字符！而不是一个单词

    7) \W：匹配任意一个非单词字符

6. 匹配起始和结尾：锚

    1) ^：脱字符，匹配主串的开头，即必须以^后面紧跟的子表达式为开头，例如^abc可以匹配abcxxx，group的返回结果是abc

    2) $：锚字符，匹配主串的结尾，即必须以$前面紧跟的子表达式结尾，例如abc$可以匹配qqqxxabc，group的返回结果是abc

    3) 组合锚点：例如，^book.*end$可以匹配所有以book起始以end结尾的子串

    4) 脱字符必须作为模式串的起始，锚字符必须作为$模式串的结束，否则将不会起到任何作用！！

！例如，abc^xq并不能匹配abcxquuu，而abc$zx并不能匹配abczxddd！！

7. 匹配单词边界：boundary

    1) \b：前面紧邻的子表达式必须是单词的边界（单词之间用空白符分隔），例如：ok\b可以匹配"book lala"中的book的ok，但不能匹配"books lala"，group返回的也是ok

    2) \B：前面紧邻的子表达式必须“不是”单词的边界，例如：ok\B可以匹配"books lala"中的books的ok，但不能匹配"book lala"，group返回的也是ok

8. 或运算：|

    1) 表示指定两项（表达式）之间任选一项，即或运算；

    2) 例如a|b等于[ab]，(public)|(private)就表示这两个单词任意匹配一个，但最好不要写成public|private，这可能表示匹配publicrivate或者publiprivate，有些引擎就会判定歧义；

！！良好的习惯：自己不确定是否产生歧义的时候就加一下()变成子表达式，一目了然，而且可以避免错误！！

9. 所有特殊字符的纯文本形式都必须转义！

    1) 像.、^、$、\、|、[、]、{、}、(、)等特殊字符，如果想表示其纯文本形式，都必须使用\转义；

    2) 例如\(就表示纯文本的'('字符；

10. 在Java源代码中编写正则表达式：

    1) 由于正则表达式使用的是自己的字符，而Java源代码也有自己的字符，这就会导致两者之间发生一些不可避免的冲突；

    2) 最大的冲突就是\，正则表达式中\就是一个字符（特殊字符），而Java中要表示纯文本的\也需要转义，即用\\来表示纯文本的\；

    3) 而Java源代码中编写的正则表达式对于Java源代码来说应该是纯文本，这就意味着，Java源代码中编写的正则表达式中的\都必须要用\\来表示；

    4) 例如：正则表达式\w在Java源码中编写就必须写成\\w，比较麻烦

！小结：所有在Java源码中编写的正则表达式中的\都必须用\\表示，如果你觉得上面的原理看着头晕，那就记住这句简单的小结即可，无脑使用；

！！即先正常写好正则表达式，然后把里面所有的\换成\\即可；

    5) 一般为了避免这种麻烦的事情，都是先在程序外部的配置文件中写好正则表达式，然后在程序中读取、编译并使用，这就避免了两者字符集的冲突了；