正则学习二三事

正则一直是我一大痛点，一直都想解决这个问题，但是奈何每次看到那么多符号就发蒙，所以就一直拖下去了。直到最近总是被别人问到如何在hql中使用rlike查询符合特定规则的字段，然后各种不会，结果被鄙视的一塌糊涂，无奈，这才静下心来慢慢研究。
以前看正则就是一堆符号，代表各个意思，如\d表示数字，\d+表示一个或者多个连续数字，单看每个规则都可以理解，除了组合，但是实际使用时真的很难组织到一起。归根结底还是因为对这些符号的理解不够深入。所以正则还是得多写，推荐一个在线练习的网站RegexGolf。好了，下面写写自己学习正则的一些总结吧，希望能够帮助到别人，也帮助自己总结总结。

正则的基础知识：

• 字面值
  正则表达式由只代表自身的字面值和代表特定含义的元字符组成。 只代表自身的字面值指的是普通的字符，如abcde，特殊含义的元字符包括：

  字符	含义
  \	反斜线字符
  \0n	带有八进制值 0 的字符 n (0 <= n <= 7)
  \0nn	带有八进制值 0 的字符 nn (0 <= n <= 7)
  \0mnn	带有八进制值 0 的字符 mnn（0 <= m <= 3、0 <= n <= 7）
  \xhh	带有十六进制值 0x 的字符 hh
  \uhhhh	带有十六进制值 0x 的字符 hhhh
  \t	制表符 (‘\u0009’)
  \n	新行（换行）符 (‘\u000A’)
  \r	回车符 (‘\u000D’)
  \f	换页符 (‘\u000C’)
  \a	报警 (bell) 符 (‘\u0007’)
  \e	转义符 (‘\u001B’)
  \cx	对应于 x 的控制符

• 字符类
  字符类是字符在方括号中的集合。表示“找到集合里任意一个字符“。例如：

  字符	含义
  [abc]	a、b 或 c（简单类）
  [^abc]	任何字符，除了 a、b 或 c（否定）
  [a-zA-Z]	a 到 z 或 A 到 Z，两头的字母包括在内（范围）
  [a-d[m-p]]	a 到 d 或 m 到 p：[a-dm-p]（并集）
  [a-z&&[def]]	d、e 或 f（交集）
  [a-z&&[^bc]]	a 到 z，除了 b 和 c：[ad-z]（减去）
  [a-z&&[^m-p]]	a 到 z，而非 m 到 p：[a-lq-z]（减去）

  从上表可以看出[]里面可进行并集/交集/差集操作。对于字符范围是根据ASCII值的大小来的，例如[A-z]也是可以的，甚至能够匹配[，但是完全不建议如此使用，推荐使用的字符范围：[0-9]/[a-z]/[A-Z]。
  字符类还有一些预定义的字符类：

  字符	含义
  . 任何字符（与行结束符可能匹配也可能不匹配）
  \d	数字：[0-9]
  \D	非数字： [^0-9]
  \s	空白字符：[ \t\n\x0B\f\r]
  \S	非空白字符：[^\s]
  \w	单词字符：[a-zA-Z_0-9]
  \W	非单词字符：[^\w]

  使用上面的预定义字符类能够更加方便的表示字符范围。需要牢记。
  注意： 区间是字符的区间，不是数字的区间。正则表达式[1-31]表示“找到一个1或一个2或一个3”，不是“找到一个从1到31的整数”。

• 乘法器

  字符	含义
  X?	X，一次或一次也没有
  X*	X，零次或多次
  X+	X，一次或多次
  X{n}	X，恰好 n 次
  X{n,}	X，至少 n 次
  X{n,m}	X，至少 n 次，但是不超过 m 次

  X可以使一个普通字面值，如a+：一个或多个a，也可以是一个字符类，如[abc]{2}，表示a/b/c后跟a/b/c。
  值得注意的是优先选择更长的匹配，因为乘法器是贪婪的。如果你输入的文本是I had an aaaaawful day，该正则表达式就会在aaaaawful中匹配到aaaaa。不会在第三个a后就停止匹配。
  乘法器是贪婪的，但它不会忽略一个更好的匹配。如果你的输入文本为I had an aaawful daaaaay，之后这个正则表达式会在第一次的匹配中于aaawful找到aaa。只有在你说“给我找到另一个匹配”的时候，它才会继续搜索然后在daaaaay中找到aaaaa。
  惰性：
  正则表达式“.”表示“找到一个双引号，接着找到尽可能多的字符，最后再找到一个双引号”。注意一下被.匹配的内部字符，很可能包含多个双引号。这通常不是非常有用。乘法器可通过追加问号（?）来实现惰性。“.?”*表示“匹配一个双引号，跟着一个尽可能少的字符，再跟着一个双引号”。

• 分支
  可以使用管道符号来实现匹配多种选择。

  字符	含义
  X|Y	X或者Y

• 组合
  可以使用圆括号来组合表达式。例：
  在一周中找到一天，使用(Mon|Tues|Wednes|Thurs|Fri|Satur|Sun)day，这里如果把小括号或者中括号，结果是完全不一样的，因为中括号是字符类，即里面的Mon并不是完全匹配Mon，而是只要匹配M/o/n其中一个即可。
  同时组合后面还可跟上乘法器，如：\w+(\s+\w+)*代表“找到一个或多个单词，它们以空格隔开”。

• 边界
  边界分成：单词边界，行边界，文本边界

  1. 单词边界
     单词边界是一个单词字符和非单词字符之间的位置。记住，一个单词字符是\w，它是[0-9A-Za-z_]，一个非单词字符是\W，也就是[^0-9A-Za-z_]。
     文本的开头和结尾总是当作单词边界。
     输入的文本it’s a cat有八个单词边界，分别为：文本开头-i，t-‘，’-s，s-空格，空格-a，a-空格，空格-c，t-文本结尾。
  2. 行边界
     每一块文本会分解成一个或多个行，用换行符分隔。
     注意文本不是以换行符结束，而是以行结束。然而，任何行，包括最后一行，可以包含零个字符。
     起始行位置是在一个换行符和下一行的第一个字符之间。与单词边界一样，在文本的开头也算作一个起始的行。结束行位置是在行的最后一个字符和换行符之间。与单词边界一样，文本结束也算作行结束。
  3. 文本边界
     很多实现提供一个标记，通过改变它来改变^和$的含义。从“行开始”和“行结束”变成“文本开始”和“文本结束”。其它的一些实现提供单独的元字符\A和\z来达到这个目的。

  一些表示边界的符号：

  字符	含义
  ^	行的开头
  $	行的结尾
  \b	单词边界
  \B	非单词边界
  \A	输入的开头
  \G	上一个匹配的结尾
  \Z	输入的结尾，仅用于最后的结束符（如果有的话）
  \z	输入的结尾

  其中^$是最常用的两个边界分隔符。

捕获和替换：

1. 捕获组
   （）在正则中被用来表示组，同时也可以用来捕获匹配上的子串，可以拥有多个捕获组，它们甚至可以嵌套使用，捕获组从左到右进行编号，只要计算左圆括号。例如：
   对于表达式：(\w+) had a ((\w+) \w+)，文本是I had a nice day，那么

   • 捕获组1是I。
   • 捕获组2是nice day。
   • 捕获组3是nice。
   • 捕获组0是I had a nice day（根据具体实现不同）

   如果表达式使用了两个捕获组，但是只捕获到一组，那么组2是空字符串。引用捕获组使用+组序号，如\1表示引用第一个捕获组。

2. 后向引用
   可以在同样的表达式中引用同一个捕获组，这称为后向引用。
   例：表达式[abc]{2}表示“匹配aa或ab或ac or ba或bb或bc或ca或cb或cc”，但是表达式([abc])\1表示“匹配aa或bb或cc”。

以上就是正则的全部知识，其实了解正则的知识点很简单，但是真要应用到实际中还是需要通过大量的练习才能做到熟练使用。

实际案例

1. 压缩CSS文件，去掉CSS文件中的换行以及空格

工具：Notepad++  查找：([{;])\s+  替换：\1  

以上案例会不断更新，已记录一些自己对正则使用的经历。

参考文章

55分钟学会正则表达式(译)
JDK API文档