正则表达式(regex)是什么?用途是什么?
1、新手上路
本质上来看,正则表达式是定义一种搜索模式的字符序列。正则表达式通常用于 grep 等工具中,以在较长文本字符串中查找模式。考虑以下一个 cat.txt 文件:
catcat2dog
如果我们使用正则表达式 cat 来搜索匹配项,我们会找到以下匹配项:
catcat2
高级用户需要注意的是,本文存在一个技术上的错误,即正则表达式和使用正则表达式的工具(如 grep)混为了一谈。
1.1、正则表达式适用于字符,而不是单词
需要反复强调的一个重要问题是:正则表达式适用于字符,而不是单词。隐含串联。
如果我们使用正则表达式搜索模式 cat,则不会查找单词「cat」,而会查找字符 c、a 和 t。
1.2、点和星号
最基本的字符是单个字符,如 a、b、c 等。现在让我们介绍以下两种特殊的字符。
- (点)字符可以匹配*任何单个字符*。例如,如果我们搜索 c.t,则将匹配从 cat 到 c0t 或 cAt 的任何内容,并将匹配任何单个字符 c +任何字符+单个字符 t。
- (星号)字符有点困难。它修改它前面的字符,然后匹配该字符的*零个或多个字符*。的确如此。例如,cat*可以匹配 cat、catt、cattttt 以及 ca。
假设我们逐行读取一个文件,则第一行如下所示:
The cat ate my homework.
让我们看看如何匹配该行中的模式 cat。
我们首先将该模式的首字符与句子中的首字符匹配。如果找不到匹配项,则跳转至该行中的下一个字符,然后再从模式的首字符开始。如果我们找到一个匹配项,则将跳转至模式和该行中的下一个字符,然后重复这个过程。当我们找到整个模式的匹配时,返回找到匹配项的行。这就是正则表达式最基本、最常用的功能,即在较大的字符串中查找较小的搜索模式。
2、正则表达式组件
正则表达式的各个部分可以由三个不同的组件组成:
- 锚点
- 字符集
- 修饰符
这三部分构成了正则表达式的三叉戟!
2.1、锚点
锚点指定个各行的模式位置。下面是两个最重要的锚点:
- ^(插入符号)将模式固定到行首。例如,模式^1 匹配以 1 开头的任意行。
- $(美元符)将模式固定到句尾。例如,9$匹配以 9 结尾的任意行。
注意,在以上两种情况下,锚点必须分别位于模式的开头和结尾。^1 匹配行首的 1,但 1^匹配后跟^的 1。类似地,1$匹配以 1 结尾的行,但$1 匹配一个该行任意位置后跟 1 的美元符号。
2.2、字符集
字符集是正则表达式的基础。单个字符,比如 a,是最基本的字符集(一组元素)。但是 [0-9] 等正则表达式可以匹配任何一个数字,或者如果你能回想到 *的含义,则可以制作模式 [0-9][0-9]。其他一些重要的字符集:
- [0-9] 匹配 0…9 中的任何一个数字
- [a-z] 匹配任何小写字母
- [A-Z] 匹配任何大写字母
还可以对多个字符集进行组合:
- [A-ZA-Z0-9] 匹配任何大小写字母和单个数字。
2.3、修饰符
修饰符以前面遇到的一个修饰符 *(星号)为例。修饰符改变它前面字符的含义。还有很多其他的修饰符,但以* 为例进行讨论是一个很好的开始。
$ echo "The cat jumps long time Then we also have the fact that these are words.1234 this is a test post please ignore." >> grep.txt
这是现在文件中的内容。
$ cat grep.txtThe cat jumps long timeThen we also have the fact that these are words.1234 this is a test post please ignore.
寻找 cat。
$ grep "cat" grep.txtThe cat jumps long time
寻找任何以数字^[0-9] 开始的任意行。
$ grep "^[0-9]" grep.txt1234 this is a test post please ignore.