Emacs 正则表达式简介(From 水木清华)

    Emacs 正则表达式简介(From 水木清华)
   
发信人: dddkk (进化的鱼), 信区: Emacs
标  题: Emacs 的正则表达式
发信站: BBS 水木清华站 (Thu Mar 18 20:11:52 2004), 转信
两年多以前翻译的，就是 (info "(emacs)Regexps") 一节。
正则表达式语法
  正则表达式(regular expressions, 缩写为regexp)是由几个特殊字符和一些普通
字符组成，一个普通就是一个简单的正则表达式，仅仅可以匹配与自己相同的字符。
而特殊字符包括“$”，“^”， “.”， “*”， “+”， “?”，“[”， “]”
以及 “\”。除非在一个字符前面有“\”，否则正则表达式中的出现的任何其他字符
都是普通字符，（当你在 Lisp 语言的程序中使用正则表达式的时候，每一个“\”都
必须写成两个，请看下面的例子。）
  例如，“f”不是特殊字符，是普通字符，因此“f”是一个正则表达式，它仅仅
匹配“f”这个字符串。（不匹配串“ff”。）同样“o”是一个仅仅匹配串“o”的正
则表达式。（当不区分大小写的时候，上面提到的式子也匹配“F”和“O”，而一般
认为它们是“同样的串”，并不是例外。）
  两个任意的表达式 A 和 B 可以被连接。结果是一个能够匹配以 A 开始，其余部
分是 B 的字符串的表达式。
  举个简单的例子，我们将表达式“f”和“o”连接，得到表达式“fo”，它仅匹
配串“fo”，很简单的。想做些不简单的，你需要使用特殊字符。下面为这些特殊字
符。
特殊字符
“. (Period)”
  
  一个匹配除了换行符(newline)之外任何单个字符的特殊字符。使用连接，我们
  可以得到如“a.b”的表达式，它匹配了所有的以“a”开始，以“b”结束的三
  个字符的字符串。
“*”
  
  自身不构成表达式的部分；它是个后缀操作符，表示某个前导表达式重复任意次。
  比如，“o*”匹配任意个数的“o”（包括没有“o”）。
  “*”总是作用于“最少的”可能的前导表达式。于是，“fo*”中，认为“o”是
  的重复，而不是“fo”，匹配形如“f”, “fo”, “foo”的串等等。
  匹配程序以迅速的、尽可能多的找到重复部分来处理一个带“*”的结构。然后继
  续其他部分的处理。如果失败了，为了使剩余的部分能够尽可能的匹配，匹配程
  序会回退，放弃一些由“*”匹配的结构。例如，在使用“ca*ar”来匹配串
  “caaar”时，“a*”首先试图匹配全部的三个“a”；但余下的部分是“ar”并
  且仅有“r”没被匹配，因此这次试图匹配失败。接着选择是用“a*”来匹配两个
  “a”，并且匹配成功。
“+”
  
  是一个和“*”相似的后缀操作符，它匹配前导表达式至少一次的出现。例如，
  “ca+r”匹配串“car”和“caaaar”，不匹配“cr”，然而“ca*r”可以匹配这
  三个串。
“?”
  
  也是一个和“*”相似的操作符，它匹配前导表达式至多一次的出现。例如，
  “ca?r”仅仅匹配“car”或“cr”。
“*?, +?, ??”
  
  是前面几个个操作符的非贪心(non-greedy)的变体。正常的“*”， “+”， “?”
  操作符是“贪心的(greedy)”，只要总体上能够匹配，这些操作符总是尽可能多
  的匹配。当有一个紧跟着的“?”，就是是非贪心的了：将尽可能少的匹配。
  “ab*”和“ab*?”都能匹配串“a”和“abbbb”；但如果你试图用它们来匹配
  “abbb”时，“ab*”将匹配全部（最长有效匹配），而“ab*?”将仅仅匹配“a”
  （最短有效匹配）。
“\{N\}”
  
  指定重复次数为 N 的后缀操作符，一个前导表达式必须恰好匹配了 N 次。例如
  “x\{4\}”仅仅匹配串“xxxx”。
“\{N,M\}”
  
  指定重复次数在N和M之间的后缀操作符，就是说它的前导表达式的匹配次数至少
  N 次但不能超过 M 次。如果省略 M，表示没有上限，但它的前导表达式至少匹配
  N 次。“\{0,1\}”等同于“?”。“\{0,\}”等同于“*”。“\{1,\}”等同于
  “+”。
“[ ... ]”
  
  字符集，以“[”开始以“]”结束。最简单的例子，在两个方括号中间的字符就
  是这个集合所能匹配的全部。
  所以，“[ad]”仅匹配一个“a”或一个“d”，“[ad]*”匹配所有仅由“a”和
  “d”构成的串（包括空串）。“c[ad]*r”匹配“cr”，“car”， “cdr”，
  “caddaar”，等等。
  也可以用一个“-”放在一个开始字符和一个结束字符的中间来在字符集中包含这
  个范围。“[a-z]”匹配所有小写 ASCII 字母。范围可以和单独的字符自由的组
  合在一起，比如“[a-z$%.]”，匹配了任意的小写字母，或“$”，“%”，以及
  “.”。
  注意，通常在字符集中的特殊字符不再特殊。而在字符集中的“]”，“-”和
  “^”却不这样。
  如果想在集中包括“]”，必须把它作为字符集中的第一个字符。例如，“[]a]”
  匹配“]”或“a”。想包括“-”，它要是字符集中的第一个或最后一个字符。
  或者放在一个范围的后面。如“[]-]”匹配“]”和“-”。
  如果想在集包括字符“^”，它可以在除第一个位置以外的任何地方。（在开始
  位置，它会把这个字符集取补——看下面。）
  当不区分大小写使用范围时，表示范围的两个字符或者都是大写、或者都是小写、
  或者都不是字母。混合大小写的范围如“A-z”有点错误定义的意思，在将来的
  Emacs 中这个可能会被改变。
“[^ ... ]”
  
  “[^”表示“补集合”，匹配的字符是除掉指定的字符外其他所有的字符。如，
  “[^a-z0-9A-Z]”匹配除掉ASCII字母和数字的所有字符。
  当“^”在字符集中第一个时，被看作是特殊字符。而跟在“^”后面的字符被看
  作是第一个字符（就是说，此处的“-”和“]”将不是特殊的）。
  一个补集合可以匹配换行符，除非换行符被指定为补集合中的一个字符。这不同
  于某些象“grep”的程序对正则表达式的处理。
“^”
  
  仅仅匹配在文本中行首的那个空串的特殊字符。就是说，“^foo”匹配在行首的
  “foo”。
“$”
  
  和“^”相似，但仅匹配行尾的空串。因此“x+$”匹配在行尾的一个或多个“x”
  的串。
“\”
  有两个作用：引用特殊字符（包括“\”）；产生附加的特殊结构。
  因为“\”引用特殊字符，“\$”是一个仅匹配“$”的表达式，“\[”是一个仅
  匹配“[”的表达式，等等。
关于反斜线
  注意：为兼容性考虑，特殊字符，如果在其没有意义的上下文中，将被当作普通
字符。比如：“*foo”中把“*”当作普通字符，因为在它前面没有可以作用的前导表
达式。很少有人会根据这条规则去实践；无论如何，在任何地方都加上引用会更好些。
  对于大多数情况，“\”后接任何字符仅仅匹配那个字符。然而，有几个例外：
以“\”开始的两字符序列会有特殊的意思。其中的第二个字符往往是普通字符。下
面是“\”的结构表。
“\｜”
  
  指定一个选择。中间有一个“\｜”的两个正则表达式 A 和 B，形成了一个可以匹
  配 A 或 B 的文本。它首先试图用 A 匹配，如果失败再用 B 去试。
  由此，“foo\｜bar”仅匹配“foo”或“bar”。
  “\｜”作用于两边最长的可能的表达式。仅由“\( ... \)”括起来才可以限制
  “\｜”的分组能力。
  Emacs 有全面的回退功能，以处理“\｜”的多种的用途。
“\( ... \)”
  分组结构，有三个功能：
  

围住“\｜”的选择项，以实现别的操作。例如“\(foo\｜bar\)x”匹配   “foox”或“barx”。    围住复杂的表达式以实现后缀操作符（如“*”“+”和“?”）的操作。例如   “ba\(na\)*”匹配如“bananana”等，有任意个（零或更多）的“na”串。    记录一个已匹配的子串用作后面的参考引用。   最后一个应用并不是括号的分组功能思想的结果；这个分开的特点是给同样的   “\( ... \)”结构赋予的第二种含义。在实际应用中，这两种含义通常不会发生   冲突。当发生冲突的时候，可以使用“谨慎的”分组("shy" group)。 “\(?: ... \)”      “谨慎的”分组("shy" group)，这个分组不记录匹配的子串；你不能用“\D”来   引用。这在机械的结合正则表达式的时候有用，这样，你可以为语法目的加入分   组，而不用干涉使用者写的分组的个数。 “\D”   匹配和“\( ... \)”结构第 D 次出现时所匹配的同样的文本。   在“\( ... \)”结构结束之后，匹配程序保存被这个结构匹配的文本（的开始和   结束）；之后的正则表达式中，你可以使用“\”跟着一个数字 D 来表示“匹配   和‘\( ... \)’结构第 D 次出现时所匹配的同样的文本。”   正则表达式中前九个出现的“\( ... \)”结构，按正则表达式中左括号出现的次   序从 1 到 9 赋值。因此可以用“\1”到“\9”来引用相应的“\( ... \)”结构。   例如，“\(.*\)\1”匹配任何有完全相同的两部分而无换行符的串。“\(.*\)”   匹配前一半，可以是任意的串，“\1”匹配后面的，但必须和前面的完全相同。   如果一个特定的“\( ... \)”结构匹配了多次（比如后面有一个“*”，这很显   然），那么仅记录最后一次的匹配。 “\`”   匹配空串，但仅是接在缓冲区的开始处的。 “\'”   匹配空串，但仅是接在缓冲区的尾部的。 “\=”   匹配空串，但仅在“点(point)”处的。 “\b”      匹配空串，但仅在一个词的开始或者结尾的。例如，“\bfoo\b”匹配任何作为单   独的词出现的“foo”。“\bballs?\b”匹配作为单独的词出现的“ball”或   “balls”。   在缓冲区的开始和结束位置时，“\b”不考虑紧接其前的文本是什么。 “\B”   匹配空串，但不在词的开始或结尾处。 “\      匹配空串，但仅在词的开始处。仅当一个构成词的字符在缓冲区开始处时“\ “\>”      匹配空串，但仅在词的结尾处。仅当缓冲区尾部有构成词的字符时“\>”匹配缓   冲区尾部的空串。 “\w”   匹配任何构成词的字符。由语法表决定这些字符是什么。 “\W”   匹配任何非构成词的字符。 “\sC”      匹配任何语法是 C 的字符。这里 C 是一个指定特定语法类的字符：如“w”为词   的构成字符，“-”或“ ”为空白，“.”为普通标点符号，等等。 “\SC”   匹配任何字符不属于语法 C。 “\cC”      匹配任何属于种类 C 的字符。例如，“\cc”匹配汉字，“\cg”匹配希腊字符等。   如果想了解已知种类，用“M-x describe-categories ”。 “\CC”   匹配所有不属于种类C的字符。 属于词和语法的结构是由语法表的设置来控制的。 例   下面是一个复杂的正则表达式，存储在“sentence-end”，Emacs 将其用于识 别句子的结束以及后面的任何空白。其中以 Lisp 语法区分了空白符和制表符。在 Lisp 语法中，串常量用双引号括起来。“\"”表示双引号是表达式的一部分， “\\”表示反斜扛是表达式的一部分，“\t”表示制表符，“\n”表示换行。    "[.?!][]\"')]*\\($\\| $\\|\t\\|  \\)[ \t\n]*" 其中包含四个连续的部分：匹配句号(“.”)、“?”或“!”的字符集；匹配右方括 号、右(单/双)引号的字符集的任意次重复的部分；在“反斜线括号”部分中，匹配 行尾、行尾空白、制表符或两个空格的可选集合；以及一个任意次匹配空白的字符 集。   在增量搜索中，要用  输入制表符，“C-j”输入换行符。也可以使用单 独的反斜线，不用象 Lisp 串中那样写成两个。