精通正则表达式第三章：正则表达式的特性和流派概览

程序设计语言处理正则表达式的方式

1. 集成式：表达式直接内建在语言之中，如Perl
2. 程序式和面向对象式：正则表达式不属于语言的低级语法。相反，普通的函数接受普通的字符串，把他们作为正则表达式进行处理。

集成式处理

集成式处理方法减轻了程序员的负担，因为它隐藏了一些工作，例如正则表达式的预处理，准备匹配，应用正则表达式，返回结果。但是有时这样处理反而更慢，更复杂。

程序式处理和面向对象式处理

正则功能不是由内建的操作符来提供，而是由普通函数（函数式）或构造函数（面向对象式）来提供的。
Java中的正则处理

常用元字符和特性

字符组及相关结构

1. 普通字符组：[a-z]和[^a-z],需要强调的是，元字符的规定在字符组内外饰有差别的。例如，字符组内部的*永远都不是元字符，二-通常都是元字符。有些元序列如\b在字符组内外是不一样的。
   字符组通常表示肯定断言。也就是说他们必须匹配一个字符。排除型字符组仍然需要匹配一个字符，只是她没有在字符组内列出而已。

几乎能匹配任何字符的元字符：点号

在某些工具软件中，点好被用来缩略表示可以匹配任何字符的字符组，而在其它工具中，点号匹配除了换行符之外的任何字符。

1. 在Sun的Java regex package 之类的支持Unicode的系统中，点号不能匹配Unicode的行终结符。
2. 匹配模式会改变点号的匹配规则。
3. POSIX规定，点号不能匹配NUL（值为0的字符），尽管大多数脚本语言容许文本中出现NUL（而且可以用点号来匹配）。

点号还是排除型字符组

如果所使用的工具能够在多行文本中进行搜索，请务必注意点号，它通常情况下不能匹配换行符，而排除型字符组[^"]通常都可以。如果把".*"替换为"[^"]"，可能会带来意想不到的效果。

单个字节

Perl和PCRE（也包括PHP）支持用\C匹配单个字节，即使该字节位于某个多字节编码的字符之中（相反，其他功能都是基于字符的）。这个功能一定要在清楚自己的所作所为下才使用。

Unicode组合字符序列：\X

Perl和PHP支持使用\X缩略表示\P{M}\p{M}*，它可以视为点号的扩展，它匹配一个基本字符（除了\p{M}之外的任何字符），之后可能有任意数量的组合字符（出\p{M}之外）。

字符组简记法：\w , \d, \s, \W, \D, \S

\d:数字，等价于[0-9],如果工具软件支持Unicode，能匹配所有的Unicode数字。
\D:非数字字符 等价于[^\d]。
\w: 单词中的字符，=一般等价于[a-zA-Z0-9_]，某些工具软件中\w不能匹配下划线，而另一些工具软件中的\w能支持当前locale中的所有数字和字符。如果支持Unicode，\w通常能匹配所有数字和字符，而在java.util.regex和PCRE（包括PHP）中，\w严格等价于[a-zA-Z0-9_]。
\W：非单词字符 等价于[^\w]。
\s：空白字符，在支持ASCII的系统中，它通常等价于\f\n\r\t\v（第一个是空白字符）。有时包括Unicode的”换行“字符U+0085，有时包含空白（whitespace）属性\p{M}
\S：非空白字符， 等价于[^\s]。
POSIX的locale设定会影响这些简记符号的含义（尤其是\w）。支持Unicode的程序中，\w通常能匹配更多的字符，例如\p{L}和下划线。

Unicode属性，字母表和区块：\p{Prop}、\P{Prop}

Unicode不仅仅是一套字符规则，他还定义了每个字符的性质，例如”这个字符是小写字母“，”这个字符是从右往左看的“，”这个字符是标记字符，他必须与其他字符一同使用“等等。

不同的正则表达式系统对这些属性的支持也不相同，但是许多支持Unicode的程序能够通过\p{quality}和\P{quality}支持其中的一部分。比如\p{L}就是一个简单例子，这里'L'的意思是”字母（letter）“（相对于数字number，标点qunctutation和口音accent，之类）。'L'是一种普通属性（general property，也成为分类）。我们马上会了解到，可以用\p{...}和\P{...}来测试其他属性。
字母表：有的系统能够按照字母表（书写系统writing system）的名字以\p{...}来匹配。例如\p{Hebrew}匹配希伯来文独有的字符（但不包含其他书写系统中常见的字符，例如空格和标点）。
字母表不会包含特定书写系统中的所有字符，而只包含独属于（或者几乎独属于）此书写系统中的字符。常见的字符，如空格和标点不属于任何字母表，而是属于通用的IsCommon伪字母表（pseudo-script），用\p{IsCommon}匹配。
区块：类似于字母表，区块表示Unicode字符映射中一定范围内的代码点。

简单的字符组减法

[[a-z]-[aeiou]]就是匹配小写非元音字母

完整的字符组集合运算：[[a-z] && [^aeiou]]

OR运算：用于将多个字符组合并
AND对两个集合进行概念上的“与”运算，只保留同时属于两个字符组的字符。

POSIX“字符组”方括号表示法

我们通常所说的字符组，在POSIX标准中成为方括号表达式（bracket expression）。POSIX字符组是POSIX方括号表达式使用的几种特殊元字符序列之一。比如[:lower:]表示当前locale中的所有小写字母。它还包含一些特殊的小写字母（在locale）中定义的。

POSIX“collating序列”方括号表示法：[[ span-ll ]]

Local可以包含对应的collating序列，用来决定其中的字符如何排序。

POSIX“字符等价类”方括号表示法：[[=n=]]

有的locale定义了字符等价类，表示某些字符在进行排序之类的操作时应视为等价。

锚点和其他零长度断言

这两个东西并不会匹配实际的文本，而是寻找文本中的位置。

行/字符串起始位置：^、\A

如果可以使用，\A总是匹配待搜索文本的起始位置。

行/字符串的结束位置：$、\z和\Z

如果支持，\Z通常表示“未指定任何模式下”$匹配的字符，通常是字符串末尾的位置，或者是在字符串末尾的换行符之前的位置。作为补充，\z只匹配字符串的末尾，而不考虑任何换行符。

匹配的起始位置（或者是上一次匹配结束的位置）：\G

\G首次出现在Perl中。使用/g的匹配中，\G对迭代操作非常有用，它能够匹配上一次匹配结束的位置。在第一次迭代中，\G匹配字符串的开头，与\A一样。

分组，捕获，条件判断和控制

捕获/分组括号：(…)和 \1, \2, …

普通的无特殊意义的括号通常由两种功能：分组和捕获。普通括号常见的形式是(...)，但有的流派中使用\(...\),例如FNU Emacs，sed，vi和grep。

仅用于分组的括号

仅用于分组的括号(?:...)不能用来提取文本，而只能用来规定多选结构或者两次的作用对象。因此也被称为“非捕获型括号”。

命名捕获(?<Name>...)

Python和PHP的preg引擎，都能够为捕获内容命名。python和PHP使用的语法是(?P<name>...)，而.NET使用(?<name>...)。

\b(?<Area>\d\d\d)-(?<Exch>\d\d\d)-(?<Num>\d\d\d)\b

可以用对应的方法提取命名捕获的内容，如在VB和.NET语言中使用RegexObj.Groups(“Area”)，在PHP中使用RegexObj.group(“Area”)。

固化分组：(?>...)

一旦括号内的子表达式匹配之后，匹配的内容就固定下来（固化（atomic）下来无法改变），在接下来的匹配过程中不会变化，除非整个固化分组的括号都被弃用，在外部回溯中重新应用。
表达式。.*!能够匹配文本。Hola!，但是表达式。(?>.*)!却不能。因为使用了固化分组，在.*在固化分组中，他永远不会“交还”已经匹配的任何内容。

固化分组有重要的用途。尤其是，能够提高匹配的效率，而且能够对什么匹配，什么不能匹配进行精确地控制。

多选结构

多选结构能够在同一位置测试多个子表达式。每个子表达式称为一个多选分支（alternative）。多选结构的优先级很低，所以this and|or that的匹配等价于(this and)|(or that)，而不是this (and|or) that。

条件判断：(?if then | else)

可以根据已经匹配的结果选择下一步要用哪个子表达式进行匹配。下面的例子匹配<IMG> tag，无论是单独出现的，或者是在<A>...</A>中出现的。

(<A\s+[^>]+> \s* )?  #匹配开头的<A> tag,如果存在的话
<IMG\s+[^>]+>		#匹配<IMG> tag
(?(1)\s*</A>)       #匹配结尾的</A>,如果之前匹配过<A>

(?(1)...)测试中的(1)会测试第一组捕获型括号是否参与了匹配。“参与匹配”不等于实际匹配了文本。

匹配优先量词：*, +, ?, {num,num}

要注意在某些工具中可能使用\+和\?来取代+和?。同样，在更老的某些工具中，量词不能限定反向引用，也不能限定括号。

区间：{min,max}或者{min,max \}

区间可以被认为是“计数量词”

忽略优先量词：*?, +?, ??, {num,num}?

量词在正常的情况下都是匹配优先的，匹配尽可能多的内容。相反，这些忽略优先的量词会匹配尽可能少的内容，只需要满足下限，匹配就能成功。

占有优先量词：*+, ++, ?+, {num,num}+

这些量词目前只有java和PCRE提供（这本书比较老了，现在的情况不知道怎样），占有优先量词类似普通的匹配优先量词，不过他们一旦匹配内容，就不会“交还”。他们类似固化分组。

从某种意义上来说，占有优先量词只是些表面功夫，因为它们可以用固化分组模拟实现。
.++与?>.+的结果完全一样，只是足够智能的实现凡是能对占有优先量词进行更多优化。