关于GoogleCodeSearch和正则语法(regexp)（一）正则语法基础

 

在程序员的修炼过程中，借鉴和修改优秀的源代码是学习编程的捷径。Google就提供了这个很方便的开源代码搜索引擎，网址：codesearch。在（三）google的codesearch里介绍

搜索关键字的语法是正则语法，首先介绍一下正则语法(regexp)的使用。我熟悉的主要开发语言是Java，所以就拿Java对正则语法的使用做为学习的扩充了。在（二）Java与正则语法中介绍

       正则语法是基于正则表达式的语法，Phython、Java等开发语言对其都有支持。这是第一部分(一) 正则语法基础

       在第四部分会是我用正则语法的使用经验和技巧，以及用正则语法在codesearch上搜索到的经验。

1           正则表达式的定义和作用

定义：正则表达式（regular expression）描述了一种字符串匹配的模式。没有什么难的，当然还是把定义说一下，因为定义往往很重要，而我们这些coding人却不太在意，其实对编程接触久了，就会发现交流的时候定义是最准确，最快速的让别人理解你的方式。

注意定义中的话：1）字符串，好了针对的东西知道了.2)模式，提到模式就让我想起了结构，好了字符串的结构规则的说明的东西。

2           正则表达式规则(RE)

2.1          普通字符(ordinary character）

没有特殊字符的字符串，特殊字符接下来介绍。普通字符像’A’,’a’,’0’等。普通字符仅仅match它们本身。普通字符连接起来就是字符串了。如last matches 字符串"last"

2.2          特殊字符(special character)

特殊字符 特殊字符用转义字符和它本身来代表自己

•        "."          (DOT.)在缺省模式下，它匹配除了换行符(/n)newline以外任何一个字符。要匹配小数点本身，使用"/."
•      "^"          (Caret.)匹配字符串的起始部分。要匹配"^"用"/^"
• "$"          匹配字符串的结束部分或者是在换行符之前的字符串。比如foo匹配'foo'和'foobar'，但正则表达式下foo$仅仅匹配'foo'.要匹配"$"用"/$"
•  "*"          简单的说就是使RE去匹配前面的RE0次或是n次，修饰匹配次数。比如ab*匹配'a','ab'和'abbbbb……b'.要匹配"*"用"/*"
•  “+”               使RE去匹配前面的RE1次或是n次，修饰匹配次数。比如ab+匹配'ab'和'abbbbb……b'.要匹配"+"用"/+"
• “?”          使RE去匹配前面的RE0次或是1次。比如ab？匹配'a’和'b’

贪婪(greedy)模式和非贪婪(non-greedy)模式

    贪婪模式就是尽可能多的匹配，用英语能更好的解释为match as much text as possible.

    非贪婪模式也叫勉强模式(minimal)就是尽可能少的匹配，用英语解释为match as few character as possible。

•  *? 、+?、 ?? “*” 、“+” 、“?”都是贪婪(greedy)模式，而在贪婪模式后加”?”则为非勉强模式。如字符串”<H1>code</H1>”,RE为”<.*>”,匹配结果为”<H1>code</H1>”整个字符串，而我们有时候需要的是<H1>,那么RE为”<.*?>”非贪婪模式去匹配。
•   {m}   准确的重复先前的REm次，如a{6}匹配”a”字符6次，而不是5次。
•    {m,n} 贪婪模式，匹配尽可能多的m次至n次的RE, 如果{，n}，那么m默认为0,如果{m,},那么默认n是无穷大。
•      {m,n}？非贪婪模式，匹配尽可能少的m次至n次RE，比如string ‘aaaaaa’，a{3,5}会匹配5个a，而a{3,5}?会匹配3个a.
•   “/” 转义字符，其实我们已经很熟悉了，除了我们经常见到的/n,/r,/t等等,它还表示特殊符号本身”//”,”/.”,”/^”等
•      [ ]、[ - ]和[^ ] 是用[ ]包含一系列字符，能够匹配其中任意字符。[ - ]则是一系列字符的范围的意思。[^ ]是能够匹配其中任意字符之外的RE。举例：[ab5@] 匹配 "a" 或 "b" 或 "5" 或 "@"。[^abc]，匹配 "a","b","c" 之外的任意一个字符。[f-k] 匹配 "f"~"k" 之间的任意一个字母。[^A-F0-3] 匹配 "A"~"F","0"~"3" 之外的任意一个字符。
•   “|”     非贪婪模式，A|B,就是匹配A或者B，如果A已匹配，那么就不会去匹配B了。如果想要匹配字符本身，则可以用”/|”或者”[|]”来表示。
•  （） 在()里的表达式可以当作整体来匹配。用”(“和”)”来匹配括号，或则用[(][)]来匹配
•      (?...)模式，在？后的字符决定扩展模式的作用
•    (?isLmsux) 设置可选参数的另类方式，不影响匹配。

ü         I 或 IGNORECASE 匹配忽略时大小写。

ü         L 或 LOCALE 让 /w, /W, /b, 和 /B 由当前区域设置决定。

ü         M 或 MULTILINE 特殊符号 ^ 和 $ 除了匹配字符串开始和结尾，也匹配每行的开始和结尾 (换行符之后/之前)。

ü         S 或 DOTALL 特殊字符 . 匹配任意字符，包括换行符 .U 或 UNICODE /w, /W, /b, 和 /B 由Unicode字符集决定

分组和捕获(Groups and Captrue)

J ava编程时我会用到，所以还是清楚一下好在（…）内因为有嵌套括号，所以给括号分组就很有用。简单来说，捕获分组从左括号开始计数，例如在表达式((A)(B(C))),它有4个如此的分组

1.((A)(B(C)))

2.(A)

3.(B(C))

4.(C)

Group 0总是代表整个表达式

•  (?:...)              是非分组模式的()
•       (?P<id>...)     类似 (...), 但该组同时得到一个 id,可以在后面的模式中引用
•       (?P=id)         匹配前面id组匹配的东西
•      (?P<id>...)     类似 (...), 但该组同时得到一个 id,可以在后面的模式中引用
•        (?P=id)         匹配前面id组匹配的东西
•    (?#...)         括号内的内容仅仅是注释，不影响匹配

注：我在Java 里没有找到这Perl语法的支持所以用了别的编号以引起你的注意

•         (?=…)和(?!...)              (positive lookahead和negative lookahead)就是匹配字符串的后面（正方向）要跟着（?=）里的内容，和匹配后面字符串不是(?!...)里的内容. 举例表达式 "Windows (?=NT|XP)" 在匹配 "Windows 98, Windows NT, Windows 2000" 时，将只匹配 "Windows NT" 中的 "Windows "，其他的 "Windows " 字样则不被匹配。"Windows (?!=NT|98)"则会匹配Windows 2000中的Windows.
•       (?<=…)和(?<!...) (positive lookbehind和negative lookbehind)是(?=…)和(?!...)    的相反方向.应该明白吧，不明白，就举例了(?<=abc)def匹配字符串abcdef中的def 而不匹配字符串defabc,同理！就是非的意思

2.3          转义字符下的特殊字符

“/..”后跟着一个字符代表新的特殊字符

•       /A           仅仅匹配字符串的开头部分
•      /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
•      /B           匹配非单词边界，即左右两边都是 "/w" 范围或者左右两边都不是 "/w" 范围时的字符缝隙
•        /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
•         /B匹配非单词边界，即左右两边都是 "/w" 范围或者左右两边都不是 "/w" 范围时的字符缝隙 /d 匹配任何10进制数字，与RE[0-9]等价
•        /D 匹配任何非10进制数字,与RE[^0-9]等价
•        /s 匹配whitespace字符,与RE[ /t/n/x0B/f/r]等价
•          /S 匹配非whitespace字符,与RE[^ /t/n/x0B/f/r]等价
•          /w 匹配word,与RE[a-zA-Z_0-9]等价
•         /W 非word,与RE[^/w]等价
•         /z 匹配字符串结束。

3           总结

写这些枯燥的基础真的是很累，我参考了一下文档，下班后写了俩个晚上，希望能有一些作用。我也列出了一下相关的正则语法参考的网站和资料。

http://www.regexlab.com/zh/ 正则表达式工具室

http://docs.python.org/lib/re-syntax.html python的doc， Regular Expression Syntax

还有java doc，我会在下一部分跟大家分享。