正则表达式-基本概念与简单元字符

正则表达式工作中一直在使用，但是没有系统的总结过，今天就从小白的角度梳理一下正则表达式的使用，主要关注的是正则的思想

边写边听五月天的派对动物。学会了正则省下的时间就可以去party了 ^_^

正则表达式概念

我们先来看看正则表达式的概念，毕竟正则的语法、使用都是围绕着它要解决的问题来的。

wikipedia定义：

正则表达式（英语：Regular Expression，在代码中常简写为regex、regexp或RE），
又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法，
是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。
在很多文本编辑器里，正则表达式通常被用来检索、替换那些匹配某个模式的文本。

首先，正则表达式是一个字符串组成的模式，用来匹配一个字符串，一般用在检索，替换里，也经常用来校验一些字符模式，检验是否匹配一个给定的规则。

正则表达式的基本语法

正则表达式使用字符串来描述字符串，也就是说跟编程语言，正则表达式是有自己的关键字的,学会这些关键字是我们入门正则的第一步，然后在使用中领会正则表达式的思想，一步步进阶。

首先要明确一点，正则引擎在匹配时是一个字符一个字符的匹配的，跟我们平常印象中一串一串匹配的思维是不同的，这个需要我们时刻牢记。

匹配单个字符的元字符

我们首先来看一下匹配一个字符的关键字：

英文点号可以匹配任意字符，但是不包括换行符，也就是说匹配到换行点号就匹配失败了，我们可以使用\n来匹配换行符，在java中也有MULTI_LINES来指定让点号匹配到换行符

如果我们想匹配一个文本形式的点号怎么弄呢，可以使用反斜线\来转义关键字，这样就可以匹配一个点号，而不是匹配任意字符的关键字点号了。

关于字符组需要说明一点，可以使用-来描述一个范围，比如我们想匹配数字，我们可以写一个全列[0123456789],也可以使用[0-9],字符也是一样[a-zA-z]匹配英文大小写的26个字母，如果我们想匹配横杠怎么办呢？只有一个办法，那就是把它写在紧跟左中括号后面，[-a-z]匹配横杠和a-z的所有字母，如果写在中间是会被当成关键字来解析的。

计数元字符

有了匹配单个字符的关键字，匹配多个就要用到计数元字符，常用的有下面这些：

?*+这三个元字符是可以使用{}来模拟的，不过在一些正则流派里不支持{}元字符，我们只能使用这三个。

在为加?的量词上，前四个都是贪婪匹配的，也就是说他们会匹配尽可能多的字符，在匹配失败的时候才会停止，这有时候很有用，但有时候会让我们没有经过深思写出来的正则匹配到错误的内容。第四列在量词后面加了?则正相反，它会匹配尽可能少的内容，是先为人后为几的，这两种方式的区别我们后面再讲，这跟表达式引擎的递归与回溯有关。

最后一列是占有优先量词，这个概念是在贪婪的基础上加了铁公鸡属性(占有)，也就是说经它匹配过的字符就是它的了，不会再吐出来。后面我们在讲回溯跟固化分组时是再来回顾这个占有优先量词。

简写

上面两者组合可以匹配大部分字符了，不过有些写起来很繁琐，因此正则为我们提前定义好了一些简写，使用时可以减少表达式长度。

注：相同字母的小写跟大写在这是互补的，也就是互为补集，不过需要注意一点，在这里面没有包含Unicode字符，不同的正则引擎对这些有不同的实现，譬如\d有的正则引擎可以匹配Unicode中的数字，也就是说中文六也是有可能匹配的，这个可以参考各自的语言工具书(不过一般这样用没啥问题)。

练习

我这里使用nodepad++来练习正则表达式，Linux下有些字符处理起来比较麻烦，Java写起来又太啰嗦，怎么简便怎么来。

找出一段文字中的数字

\d+ 或 [0-9]+

这里使用加号是因为数字至少出现一次才是合法的，如果使用*则可以匹配任意位置，因为*可以不匹配任何字符

日志里常根据关键字和id来定位，一般如何使用呢？

假设关键字为keyword， id为13235413,并且id在后面，我们可以使用keyword.*13235413来匹配含有这个模式的一行日志，这里加不加问号对我们没有影响

找出一行里含有至少10个单词的行，假设单词以空格分割

这

是

自

己

的

思

考

线

不存在唯一的答案，我是这样写的(\w++ *){10,},第一次写成了(\w+ *){10,}，也就是没有使用占有优先量词，这个表达式是不符合要求的，大家可以试一下，然后想想，后面我们会在涉及到回溯与固化分组相关的时候就可以明白了。