正則表達(dá)式(REs)通常被錯(cuò)誤地認(rèn)為是只有少數(shù)人理解的一種神秘語言。在表面上它們確實(shí)看起來雜亂無章，如果你不知道它的語法，那么它的代碼在你眼里只是一堆文字垃圾而已。實(shí)際上，正則表達(dá)式是非常簡單并且可以被理解。讀完這篇文章后，你將會通曉正則表達(dá)式的通用語法。
支持多種平臺
正則表達(dá)式最早是由數(shù)學(xué)家Stephen Kleene于1956年提出，他是在對自然語言的遞增研究成果的基礎(chǔ)上提出來的。具有完整語法的正則表達(dá)式使用在字符的格式匹配方面上，后來被應(yīng)用到熔融信息技術(shù)領(lǐng)域。自從那時(shí)起，正則表達(dá)式經(jīng)過幾個(gè)時(shí)期的發(fā)展，現(xiàn)在的標(biāo)準(zhǔn)已經(jīng)被ISO(國際標(biāo)準(zhǔn)組織)批準(zhǔn)和被Open Group組織認(rèn)定。
正則表達(dá)式并非一門專用語言，但它可用于在一個(gè)文件或字符里查找和替代文本的一種標(biāo)準(zhǔn)。它具有兩種標(biāo)準(zhǔn)：基本的正則表達(dá)式(BRE)，擴(kuò)展的正則表達(dá)式(ERE)。ERE包括BRE功能和另外其它的概念。
許多程序中都使用了正則表達(dá)式，包括xsh,egrep,sed,vi以及在UNIX平臺下的程序。它們可以被很多語言采納，如HTML 和XML，這些采納通常只是整個(gè)標(biāo)準(zhǔn)的一個(gè)子集。
比你想象的還要普通
隨著正則表達(dá)式移植到交叉平臺的程序語言的發(fā)展，這的功能也日益完整，使用也逐漸廣泛。網(wǎng)絡(luò)上的搜索引擎使用它，e-mail程序也使用它，即使你不是一個(gè)UNIX程序員，你也可以使用規(guī)則語言來簡化你的程序而縮短你的開發(fā)時(shí)間。
正則表達(dá)式101
很多正則表達(dá)式的語法看起來很相似，這是因?yàn)槟阋郧澳銢]有研究過它們。通配符是RE的一個(gè)結(jié)構(gòu)類型，即重復(fù)操作。讓我們先看一看ERE標(biāo)準(zhǔn)的最通用的基本語法類型。為了能夠提供具有特定用途的范例，我將使用幾個(gè)不同的程序。
字符匹配
正則表達(dá)式的關(guān)鍵之處在于確定你要搜索匹配的東西，如果沒有這一概念，Res將毫無用處。
每一個(gè)表達(dá)式都包含需要查找的指令，如表A所示。
|
Table A: Character-matching regular expressions |
|
操作 |
解釋 |
例子 |
結(jié)果 |
|
. |
Match any one character |
grep .ord sample.txt |
Will match “ford”, “l(fā)ord”, “2ord”, etc. in the file sample.txt. |
|
[ ] |
Match any one character listed between the brackets |
grep [cng]ord sample.txt |
Will match only “cord”, “nord”, and “gord” |
|
[^ ] |
Match any one character not listed between the brackets |
grep [^cn]ord sample.txt |
Will match “l(fā)ord”, “2ord”, etc. but not “cord” or “nord” |
|
|
|
grep [a-zA-Z]ord sample.txt |
Will match “aord”, “bord”, “Aord”, “Bord”, etc. |
|
|
|
grep [^0-9]ord sample.txt |
Will match “Aord”, “aord”, etc. but not “2ord”, etc. |
重復(fù)操作符
重復(fù)操作符，或數(shù)量詞，都描述了查找一個(gè)特定字符的次數(shù)。它們常被用于字符匹配語法以查找多行的字符，可參見表B。
|
Table B: Regular expression repetition operators |
|
操作 |
解釋 |
例子 |
結(jié)果 |
|
? |
Match any character one time, if it exists |
egrep “?erd” sample.txt |
Will match “berd”, “herd”, etc. and “erd” |
|
* |
Match declared element multiple times, if it exists |
egrep “n.*rd” sample.txt |
Will match “nerd”, “nrd”, “neard”, etc. |
|
+ |
Match declared element one or more times |
egrep “[n]+erd” sample.txt |
Will match “nerd”, “nnerd”, etc., but not “erd” |
|
{n} |
Match declared element exactly n times |
egrep “[a-z]{2}erd” sample.txt |
Will match “cherd”, “blerd”, etc. but not “nerd”, “erd”, “buzzerd”, etc. |
|
{n,} |
Match declared element at least n times |
egrep “.{2,}erd” sample.txt |
Will match “cherd” and “buzzerd”, but not “nerd” |
|
{n,N} |
Match declared element at least n times, but not more than N times |
egrep “n[e]{1,2}rd” sample.txt |
Will match “nerd” and “neerd” |
錨
錨是指它所要匹配的格式，如圖C所示。使用它能方便你查找通用字符的合并。例如，我用vi行編輯器命令:s來代表substitute，這一命令的基本語法是：
s/pattern_to_match/pattern_to_substitute/
|
Table C: Regular expression anchors |
|
操作 |
解釋 |
例子 |
結(jié)果 |
|
^ |
Match at the beginning of a line |
s/^/blah / |
Inserts “blah “ at the beginning of the line |
|
$ |
Match at the end of a line |
s/$/ blah/ |
Inserts “ blah” at the end of the line |
|
\< |
Match at the beginning of a word |
s/\</blah/ |
Inserts “blah” at the beginning of the word |
|
|
|
egrep “\<blah” sample.txt |
Matches “blahfield”, etc. |
|
\> |
Match at the end of a word |
s/\>/blah/ |
Inserts “blah” at the end of the word |
|
|
|
egrep “\>blah” sample.txt |
Matches “soupblah”, etc. |
|
\b |
Match at the beginning or end of a word |
egrep “\bblah” sample.txt |
Matches “blahcake” and “countblah” |
|
\B |
Match in the middle of a word |
egrep “\Bblah” sample.txt |
Matches “sublahper”, etc. |
間隔
Res中的另一可便之處是間隔(或插入)符號。實(shí)際上，這一符號相當(dāng)于一個(gè)OR語句并代表|符號。下面的語句返回文件sample.txt中的“nerd” 和 “merd”的句柄：
egrep “(n|m)erd” sample.txt
間隔功能非常強(qiáng)大，特別是當(dāng)你尋找文件不同拼寫的時(shí)候，但你可以在下面的例子得到相同的結(jié)果：
egrep “[nm]erd” sample.txt
當(dāng)你使用間隔功能與Res的高級特性連接在一起時(shí)，它的真正用處更能體現(xiàn)出來。
一些保留字符
Res的最后一個(gè)最重要特性是保留字符(也稱特定字符)。例如，如果你想要查找“ne*rd”和“ni*rd”的字符，格式匹配語句“n[ei]*rd”與“neeeeerd” 和 “nieieierd”相符合，但并不是你要查找的字符。因?yàn)椤?’(星號)是個(gè)保留字符，你必須用一個(gè)反斜線符號來替代它，即：“n[ei]\*rd”。其它的保留字符包括：
- ^ (carat)
- . (period)
- [ (left bracket}
- $ (dollar sign)
- ( (left parenthesis)
- ) (right parenthesis)
- | (pipe)
- * (asterisk)
- + (plus symbol)
- ? (question mark)
- { (left curly bracket, or left brace)
- \ backslash
一旦你把以上這些字符包括在你的字符搜索中，毫無疑問Res變得非常的難讀。比如說以下的PHP中的eregi搜索引擎代碼就很難讀了。
eregi(\"^[_a-z0-9-]+(\.[_a-z0-9-]+)*@[a-z0-9-]+(\.[a-z0-9-]+)*$\",$sendto)
你可以看到，程序的意圖很難把握。但如果你拋開保留字符，你常常會錯(cuò)誤地理解代碼的意思。
總結(jié)
在本文中，我們揭開了正則表達(dá)式的神秘面紗，并列出了ERE標(biāo)準(zhǔn)的通用語法。如果你想閱覽Open Group組織的規(guī)則的完整描述，你可以參見：Regular Expressions，歡迎你在其中的討論區(qū)發(fā)表你的問題或觀點(diǎn)。