正则表达式学习笔记

1、关于正则表达式的描述及其应用

    正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，
这个“规则字符串”用来表达对字符串的一种过滤逻辑。
    给定一个正则表达式和另一个字符串，我们可以达到如下的目的：
    1. 给定的字符串是否符合正则表达式的过滤逻辑（称作“匹配”）；
    2. 可以通过正则表达式，从字符串中获取我们想要的特定部分。

2、简单的正则表达式应用举例

• 查找hi

  hi是一个最简单的正则表达式，可用来在一段文本中查找hi,像him, history, high这些单词中都包含hi
  

• 精确匹配单词hi

  \bhi\b  精确的只匹配单词hi
  \b是正则表达式中规定的特殊代码(元字符)，代表着单词的开头或者结尾，即单词的边界
  

• hi后面不远处跟着一个lucy

   \bhi\b.*\blucy\b
       .是正则表达式中的元字符，匹配除了换行符\n以外的任意字符
       *是正则表达式中的元字符，代表数量(可以是0次)，意指*前面的内容可以连续重复使用任意次使整个表达式匹配。
  

• 以0开头的三位区号-为连接符的8位电话号码

  0\d\d-\d\d\d\d\d\d\d\d  
  \d是正则表达式中的元字符，匹配一位数字。
  0\d{2}-\d{8}
  {2}意思是前面的\d必须连续重复匹配两次
  

• 以字母a开头的单词

   \ba\w*\b
   \w是正则表达式中的元字符，匹配字母、数字、下划线、汉字等
  

• 1个或更多连续的数字

   \d+
   +是正则表达式中的元字符，匹配前面内容1次或者更多次
  

• 刚好6个字符的单词

   \bw{6}\b
  

• 5位到12位数字(如网站输入QQ)

  ^\d{5,12}$
  ^是正则表达式中的元字符，匹配字符串的开始
  $是正则表达式中的元字符，匹配字符串的结束
  {5,12}指的是匹配次数>=5且<=12        
  

• linux后面跟一个或更多的数字

    linux\d+
  

3、一些细枝末节

• 常用元字符总结

  .           匹配除换行符以外的任意字符
  \w          匹配字母、数字、下划线、汉字
  \s          匹配任意空白符
  \d          匹配数字
  \b          匹配单词的开始或结束
  ^           匹配字符串的开始
  $          匹配字符串的结束
  

• 字符转义

  如果想查找元字符本身必须使用\对其转义，例如查找.应该使用\.,\被用作转义字符了，那么如果查找\,则需要使用\\。
  例如：c:\\windows匹配c:\windows
  

• 常用限定符总结(限定符限定它们之前的字符)

  *           重复>=0次      
  +           重复>=1次
  ?           重复0次或1次
  {n}         重复n次
  {n, }       重复>=n次
  {n,m}       重复[n,m]次
  

• (字符类)匹配指定字符集合中的任意一个字符

      使用[]指定字符范围。例如：[aeiou]匹配任何一个元音字母     [0-9]匹配任意一位数字    
  [a-z0-9A-Z_]匹配数字、字母、下划线(类似\w的功能)
  

• 常用反义代码总结

  \W          匹配任意不是字母、数字、下划线、汉字的字符
  \S              匹配任意不是空白的字符
  \D          匹配任意非数字的字符
  \B              匹配不是单词开头或结束的位置
  [^x]            匹配除了x以外的任意字符
  [^aeiou]    匹配除了aeiou以外的任意字符
  
  例如：
  \S+         匹配不包含空白符的字符串
  <a[^>]+>    匹配用尖括号括起来的以a开头的字符串
  

4、由一些问题引出的思考

• 0\d{2}[- ]?\d{8}

     以上的正则表达式目的是匹配几种格式的电话号码，例如(010)87324159或021-43226791或02981072105
  
  分析：
  \(?         (出现一次或者不出现
  0           区号第一个数字必须是0
  \d{2}       2个数字
  [) -]?      )、空格、-三者中只能出现一个，或者都不出现
  \d{8}       8位电话号码
  
  基于上面的分析，可能出现下面的几种错误依然被匹配的情况：
  (010 87324159       (010-87324159       (01087324159
  010)87324159
  

  针对这个问题引入分支条件，基于不同的情形匹配不同的规则：

  \(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}
  分支条件使用|，|类似于c语言中的|，满足某一问题的解的几种情况应该用|连接起来。
  |具有短路功能，若|之前的条件已经满足则|之后的不会去匹配。例如：B包含于A，必须写成A|B,不能写成B|A,因为会漏掉一些情况。
  

• 如何重复多个字符？

  使用分组(子表达式)后指定分组的重复次数，作为分组的字符用()包含进去

  (\d{1,3}\.){3}\d{1,3}------简单的IP地址匹配
  分析：\d{1,3}匹配1到3位数字，{3}将之前的分组匹配3次，\d{1,3}作为IP地址的最后一个字节的数字。
  基于上面的分析，该正则表达式是不合法的，IP地址中的每个数字必须小于255。
  正确的IP地址匹配：
  ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)
  要注意分支条件的排列顺序，3位数字的匹配必须先于2位数字。