《精通正则表达式》第三版 1-2 量词：问号，加号，星号

最新推荐文章于 2023-04-01 12:43:59 发布

蓝蓝223

最新推荐文章于 2023-04-01 12:43:59 发布

阅读量1.9k

点赞数

分类专栏：正则表达式

正则表达式专栏收录该内容

6 篇文章 3 订阅

订阅专栏

上一篇：《精通正则表达式第三版》读书笔记1

可选项元素`？`(量词：`？`)

例子1：`colou?r`

现在来看color和colour的匹配。他们的区别在于，后面的单词比前面的单词多一个u,我们可以用colou?r这个正则表达式来解决这个问题。元字符?(问号)，代表可选项。把?加在一个字符的后面，就表示此处允许出现这个字符，也可以不出现这个字符，这个字符的出现并非匹配成功的必要条件。
u?中的？元字符？与我们之前看到的元字符都不相同，它只作用不之前紧邻的元素。因此colou?r的意思是：先依次匹配字符c,o,l,o,然后是u?，最后是r。

u?是必然能匹配成功的，有时候它会匹配字符u,其他时候则不匹配任何字符。关键在于u是否出现u?都是匹配成功的。但是这并不意味着，任何包含?的正则表达式都永远能匹配成功，例如colo和u?都能在semicolon中匹配成功，(colo匹配semicolon中的colo，u?则什么都不匹配)。但是之后的r无法匹配，所以最终正则表达式colou?r无法匹配semicolon
实例：
questionMark.txt：

color colour semicolon

命令：egrep "colou?r" questionMark.txt，匹配效果如下。
这里写图片描述
grep好像不支持可选元字符?,上面的命令如果用grep "colou?r" questionMark.txt将无法匹配。

例子2

现在看看第二部分，我们可以把4th|4简化为4(th)?,可以看到？现在作用的是整个括号了，括号内可以是任意复杂的正则表达式，但是从括号外面来看它们是一个整体。可以看到这里的括号()用来限定？的作用对象。同样的道理使用括号()还可以用来限定其他类似元字符的作用对象，这是括号()的主要用途之一。
现在正则表达式变成了July?.(fourth|4(th)?)。尽管这个正则表达式包含了许多元字符，但是理解起来并不困难。
实例：
dates.txt:

Wen July 4 17:39:57 CST 2018
Wen Jul 4th 17:39:57 CST 2018
Wen Jul fourth 17:39:57 CST 2018

其他量词：重复出现

加号+和星号*的作用于问号?类似，元字符+表示之前紧邻的元素可以出现一次或多次，而元字符*表示之前紧邻的元素可以出现任意多次，甚至不出现。换种说法就是:
- *表示匹配尽可能多的次数，如果实在无法匹配也不要紧。
- +的意思是匹配尽可能多的次数，但是至少要匹配一次，如果连一次也无法匹配，则匹配失败。

量词：问号`?`,加号`+`，星号`

问号?,加号+，星号*这三个元字符统称为量词，它们限定了作用元素的匹配次数。

三个量词的异同

和问号？一样量词星号*也是永远不会匹配失败的，区别值在于它们的匹配结果，而加号+在无法进行任何一次匹配是，会报告匹配失败。
举例来说：
.?能有匹配一个可能出现的空格，但是.*能匹配任意多个个空格。

量词应用实例

实例1：匹配`<H[1-6]>`的这样的`HTML tag`

作者的例子：
我们可以用着两个量词来简化上一篇文章中的<H[1-6]>的例子，按照HTML规范，在tag结尾的>字符之前可以出现任意长度的空格，例如<H3___>或者<H4_________>
等等(这里用下划线代替空格，因为在markdown里写空格好像显示出来)。
把.*加入正则表达式中可能出现空格的位置，就得到了：H[1-6].*。这个正则表示是依然能匹配<H1>，因为空格并不是必须出现的，单其他形式的tag也能匹配。

我的实例验证：

<!doctype html>
<html lang="en">
<head>
        <meta charset="UTF-8">
</head>

<body>
        <h1   >一级标题</h1>
        <h2    >二级标题</h1>
        <h3     >三级标题</h1>
        <h4      >四级标题</h1>
        <h5       >五级标题</h1>
        <h6        >六级标题</h1>

</body>

</html>

使用正则表达式[Hh][1-6].*,进行匹配： egrep "[Hh][1-6].*" CharSet.html
这里写图片描述
可以看到，什么都没匹配到，就匹配到一些空行，看来作者这里写的有问题，还是不要用点号.代替空白符的好，而是使用空白符\s，我这里把正则表达式为[Hh][1-6]\s*。
执行命令：egrep "[Hh][1-6]\s*" CharSet.html
这里写图片描述
从匹配的结果中可以看到，空白符也匹配到了，已经用红色标记出来了。当然上面也没有完整匹配到HTML标签，应该加入HTML标签的开始符合结束符<和>，修改后的匹配命令为：egrep "<[Hh][1-6]\s*>" CharSet.html

可以看看到上面成功匹配的HTML标签的开始符如<h1>,但是结束符</h1>,没能匹配到。观察这了两个标签可以看出，结合标签多了一个反斜杠/,这个时可以加入问号？这个量词，这样就能同时匹配HTML的开始符和结束符。修改后的正则表达式为：</?[Hh][1-6]\s*>,执行命令： egrep "</?[Hh][1-6]\s*>" CharSet.html，匹配效果如下。
这里写图片描述
还有一个就是，在Ubuntu终端中，空白符是默认不显示的，可以用鼠标选中这些匹配的结果，就可看到空白符是不是被选中了，如果选中了会有标记红色。

实例2：匹配类似`<HR SIZE=14>`这样的`HTML tag`

接下来看类似<HR SIZE=14>这样的HTML tag,它表示一条高度我14像素的穿越屏幕的水平线，与<H3>的例子一样，在最后的尖括号之前可以出现任意多个空格。此外在等号=两边也允许出现任意多个空格。最后HR和SIZE之间最少有一个空格。为了简便处理使用点号.来匹配空空格，然后该空格后面可以有多个空格可以用.*表示。这样的的正则表达式为<HR..*SIZE.*=.*14.*>。虽然这样能实现效果，但是还是用.+来替代..*比较简洁。所以得到的正则表达式为：<HR.+SIZE.*=.*14.*>。

验证：
HR.html:

<!doctype html>
<html lang="en">

<head>
    <meta charset="UTF-8">
    <title>测试匹配水平线</title>
</head>

<body>
    <hr size=14>
    <hr  size=14>
    <hr  size =14>
    <hr  size = 14>
    <hr  size  = 14 >
</body>

</html>

使用正则表达式<HR..*SIZE.*=.*14.*>进行匹配： egrep -i "<HR..*SIZE.*=.*14.*>" HR.html ：
使用正则表达式<HR.+SIZE.*=.*14.*>进行匹配：egrep -i "<HR.+SIZE.*=.*14.*>" HR.html
这里写图片描述
可以看到两个正则表达式匹配的效果都是一样的

尽管上面的<HR.+SIZE.*=.*14.*>这个正则表达式不受到空格个数的限制，单他仍然后tag中水平直线大小约束，我们要找的不仅仅是高度为14的tag,而是所有的tag,所以我们必须用能有匹配普通数值的表达式来替换上面的14。在这里，数值是由一位或者多位数值构成的[0-9]可以表示一个数字，因为至少出现一次，所以使用加号+量词，结果就是使用[0-9]+带代替<HR.+SIZE.*=.*14.*>中的14。一个字符组是一个元素(一个元素最终只匹配一个字符),所以它可以直接加上加号+，星号*，和问号？而不需要加括号限定。
这样我们就得到了正则表示式：<HR.+SIZE.*=.*[0-9]+.*>

现在使用这个新的正则表达式<HR.+SIZE.*=.*[0-9]+.*>匹配上面的HR.html文件，命令： egrep -i "<HR.+SIZE.*=.*[0-9]+.*>" HR.html
这里写图片描述

<HR.+SIZE.*=.*[0-9]+.*>这个正则表达式看起来比较诡异，这是因为这里使用了星号和加号作用的对象空格，人们习惯吧空格跟普通的字符区分开。在阅读正则表达式时，要改变这种习惯，因为空格也是普通字符之一，它与a,b,c…0,1,2…没有任何差别。

实例3：同时匹配`<HR>`，`<HR SIZE=14>`这样的`HTML tag`

我们继续这个例子，如果尺寸这个属性也是可选的，也就是说<HR>就代表默认高度的直线(同样在>之前也可能出现空格)。现在修改上面的正则表达式实现这个功能。

可选项：(子表达式)?

可选项的意思是可以出现一次，也可以不出现，例如上面的<HR> 和<HR SIZE=14>中,SIZE=14就是可选出现的。这样的可选项可以使用问号量词?实现，因为可选项SIZE=14多余一个字符，所以要用括号()进行限定，可选项的正则表达式为(.+SIZE.*=.*[0-9]+.*)?，所以上面的问题的最终的正则表达式为：<HR(.+SIZE.*=.*[0-9]+.*)?.*>。
要注意的是结尾的.*出现在可选项(...)?之外，这样就能应付<HR.>之类的情况。同样要注意的时括号里面的SIZE前面的.+也不能少，如果把它拿到括号外，则HR之后就必须要有一个空格，这样即使SIZE没有出现，也是必须要有一个空格。这样就无法匹配<HR>这种情况了。
上面的正则表示式中把可选的字表达式(.+SIZE.*=.*[0-9]+.*)?和.*交换一下也是可以的：<HR.*(.+SIZE.*=.*[0-9]+.*)?>

代码验证：

修改后的HR.html:

<!doctype html>
<html lang="en">

<head>
    <meta charset="UTF-8">
    <title>测试匹配水平线</title>
</head>

<body>
    <hr size=14>
    <hr  size=1>
    <hr  size =2>
    <hr  size = 3>
    <hr  size  = 4 >
    <hr>
    <hr  >
</body>

</html>

使用上面的正则表达式<HR(.+SIZE.*=.*[0-9]+.*)?.*>进行匹配， egrep -i "<HR(.+SIZE.*=.*[0-9]+.*)?.*>" HR.html
这里写图片描述
可以看到不管是<hr>还是<hr >,还是<hr size=14>以及有空格的情况。<HR(.+SIZE.*=.*[0-9]+.*)?.*>这个正则表达式都能匹配到。
使用另个一个正则表达式<HR.*(.+SIZE.*=.*[0-9]+.*)?>进行匹配，egrep -i "<HR.*(.+SIZE.*=.*[0-9]+.*)?>" HR.html
这里写图片描述

要注意的是，每个量词都规定了匹配成功至少需要的次数的下线，以及尝试匹配次数的上限，对于量词？和量词*，下限是0，而量词+下限是1。而对于+和*这两个量词，上限是无穷大，而。量词？的上限是1

量词小结

序号	量词	次数下限	次数上限	描述
1	`？`	0	1	可以出现一次，也可以不出现(单次可选)
2	`*`	0	无穷大	可以不出现，也可以出现任意次(任意次均可)
3	`+`	1	无穷大	可以出现无数次，但至少出现一次(至少一次)

蓝蓝223

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
《精通正则表达式》第三版 1-2 量词：问号，加号，星号

上一篇：《精通正则表达式第三版》读书笔记1可选项元素例子1：colou?r现在来看color和colour的匹配。他们的区别在于，后面的单词比前面的单词多一个u,我们可以用colou?r这个正则表达式来解决这个问题。元字符?(问号)，代表可选项。把?加在一个字符的后面，就表示此处允许出现这个字符，也可以不出现这个字符，这个字符的出现并非匹配成功的必要条件。 u?中的？元字符？与我...
复制链接

扫一扫