精通正则表达式学习记录 第一章 正则表达式入门

可选项元素

元字符?代表可选项，比如color和colour两个单词，只相差一个字符u，可以用colou?r来解决这个问题。把问号加在一个单词的后面，就表示此处容许出现这个字符，不过它的出现并非匹配成功的必要条件。
u?这个元字符和我们之前看到的元字符都不同，它只作用于之前紧邻的元素例子：匹配7月4日：
(July|Jul)。(fourth|4th|4)
July?。(fourth|4th|4)
两个正则表达式都是可以正确匹配的。

现在我们来看第二部分，可以把4th|4简化为4(th)?。我们看到，现在?作用的元素是整个括号了。括号内的表达式可以任意复杂，但是“从括号外来看”它们是一个整体。界定?的作用对象（还可以划定的其他类似元字符的作用对象）是括号的主要功能之一。

正则表达式不是死板的教条，它更像是一门艺术。

其他量词：重复出现

加号+星号*和问号?统称为量词，因为他们限定了所做用的元素的重现次数。

与...?一样...*也是永远不会匹配失败的，区别只在于它们的匹配结果。而...+在无法进行任何一次匹配时，会报告匹配失败。

用上面三个量词来匹配空格数的例子：
。?能够匹配一个可能出现的空格（这里用句号（。）表示空格，便于直观显示）。
。*能够匹配任意个空格。
在HTML规范中标签内的空格数目不统一，可能出现任意空格，这时候可以用量词进行空格匹配找到标签。

例子：HTML标签<HR。SIZE=14>这个标签，他表示一条高度为14像素的穿越整个屏幕的水平线。

1. 在最后的尖括号之前可以出现任意个空格
2. 在等号两边允许出现任意个空格
3. 在HR和SIZE之间必须至少有一个空格
   一个合格的正则表达式可以是:<HR。+SIZE。*=。*14。*>
   我们必须能匹配其他高度的线，所以要对14进行匹配优化。在这里，“数值”是由一位或多位数字构成的。[0-9]可以匹配任意一个数字，因为至少出现一次，所以使用加号量词，结果就是[0-9]+替换14，（一个字符组就是一个元素，可以对它使用量词，而不需要括号）。
   简化后得到：<HR。+SIZE。*=。*[0-9]+。*>。

如果尺寸是可选项，则正则表达式可以是：
<HR(。+SIZE。*=。*[0-9]+)?。*>。这里要注意放在括号内外的内容。详细解释参见书20页的解释。

请注意：每个量词都规定了匹配成功至少需要的重现次数下限，以及尝试匹配的重现次数上限。

规定重现次数的范围：区间

...{min,max}被称为“区间量词”。

括号及反向引用

括号已经了解的两个用途是：

1. 限制多选项的范围
2. 将若干字符组合为一个单元，受问号之类的量词的作用。
   现在将介绍括号的第三个用途。在许多流派的正则表达式中，括号能“记住”它们包含的子表达式匹配的文本。
   反向引用是正则表达式的特性之一，它允许我们匹配与先前部分匹配的同样的文本。
   将括号和反向引用结合起来就可以了。
   我们用元字符序列\1记住括号内子表达式匹配的文本。如果有多个括号那么可以用\2，\3等来匹配。注意：括号是按照开括号(从右至左得出现顺序进行的，所以([a-z]) ([0-9] \1\2)中的\1代表[a-z]匹配的内容，而\2代表[0-9]匹配的内容。
   匹配两个连续出现的单词的正则表达式为：\<([A-Za-z]+)。+\1\>。
   用上述正则匹配文本the。the，[A-Za-z]+匹配第一个the。因为这个子表达式在括号中，所以\1代表的文本就是the。如果。+能够匹配，后面的\1要匹配的文本就是the。如果\1也能够匹配成功，最后的\>对应单词的结尾（如果文本是the。theft，这一条件就不满足）。如果整个表达式能够匹配成功，我们就得到了一个重复单词。有的重复单词并不是错误，如that that，这时候要人来判断句子是不是错误。

神奇的转义

如果需要匹配的某个字符本身就是元字符，我们需要用转义。比如点号.真正匹配的应该是元序列是反斜线加上点号\.。这样的办法适用于所有元字符。
例子：\([a-zA-Z]+\)匹配用括号括起来的单词。反斜线消除了括号的特殊意义。
如果反斜线后面的字符不是元字符，那么其意义由程序的版本而定。比如\1，\<，\>。