正则表达式

引言

• 从前我们学习了KMP算法文本匹配，但是现在我们的这个正则表达式，提供一种单独的语法解决，但是KMP算法仍有很多局限且消耗算力，为了解决网络中的大量匹配问题，引入伟大的正则表达式，用于匹配与替换。

• 编程语言中我们使用的转义字符等有一定出处，正则表达式最初来自我们的unix机器

• 简单的语法

  • 纯文本匹配

    直接匹配文本，区分大小写，通常只返回第一个，可以编程语言中选择返回所有的数组。

  • **.号**匹配

    . 可以指代包括.在内的所有符号 匹配本身时引入了伟大的转义符号 \

  • 匹配想要中的字符

    使用[]，[]中的只要满足一个就算是匹配 常常用在不区分大小写的表示 [Cc][Aa][Tt].eg 事实上我们的markdown都有转义字符

    • 集合表示

      一个自然的过渡，如果，集合中元素很多时，且连续，使用[A-Z] 遵循阿斯克码

    • \ 与-都是元字符 -不需转义

    • 多个集合匹配

      举个例子[A-Za-z0-9]就是有三个集合 网页的十六进制颜色表示就是一种应用 [0-9A-Fa-f]

  • 取非匹配

    • 使用元字符^ 且作用于集合 注意是在集合的内部 求非 代表一个[^]因为具有多义性

  • 元字符匹配

    • 使用转义字符匹配

    • [] - ^ \ . +

    • 特殊的元字符

      • \f 换页符 \n换行符 \r回车符 \t制表符 \v垂直制表符 [\b]backspace
      • 举个例子 处理 CSV文件 , 变成空格
      • windows 中 \r\n 表示换行 linux \r可选 \n 必选

    • 对集合的简化

      • \d 所有的数字=[0-9] \D=[^0-9]
      • \w 所有字母大小写与数字 \W 所有的非
      • \s 任何一个空字符 \f\n\r\v\t \S
      • 十六进制与八进制 \0x \0 \c 控制字符
      • POSIX字符的支持 格式[: 英文描述:]

    • 重复匹配

      • 元字符 [0-9]+ 0-9中的数字的一个以上 不能0个
      • 举个例子 关于邮箱地址的匹配
        • \w@\w\.\w 升级
        • \w+@\w+\.\w+
        • 升级\[\w.]+@\[\w\.]+\.[\w.]+ 注意这个例子可以看出我们的在[]里所有的元字符都可以看作是普通字符 但是转义了也没有错误

  • *元字符

    • 可以匹配0次与任意次 相当于 + 的升级版
    • \w+[\w.]*@[\w.]+\.\w+ 可以把* 看作可选项 实质理解

  • ？元字符

    • 匹配一次或零次 http:// 与 https:// 不能用s* httpsss 所以使用？
    • [\r]? 与我们的\r? 本质是一样的 但是为了清晰直观 我们通常直接[\r]

  • 匹配次数

    • {}也是元字符 举个例子就是之前的RGB #[0-9A-Fa-f]写六遍可以使用{6}
    • 也可以设置一个区间{2.4}
    • []中间是的元字符都是为普通字符，最好写一个\
    • 匹配至少多少次 {3,}类似python

  • 防止过度匹配

    • 使用懒惰版本，进行匹配，前面的匹配都是一个贪婪匹配，例如 * + {n，} 对应的懒惰版本就是加上一个? 例如 * 与 *？ 还有 + +? {n,} {n,}?

      这里的懒惰可以理解成就是 尽量的再匹配到第一个的时候就停下来 ，而贪婪就是匹配到最后一个再停下来

  • 位置匹配

    • 指定匹配发生的位置
    • \b 一个标记，用来标记一个单词的开头或者是结尾 理解\b 的实质，实质就是匹配一个可以\w 与一个非字母或者是数字的位置\W 之间的一个位置 b代表boundary 注意我们的这个 \b 只是匹配一个位置 ，而不是匹配一个字符 所以 \bcat\b 得到的字符 还是 3个字符 而非5个
    • 同理 的 \B 来匹配一个你想要的边界 就是 eg night-color \B-\B 可以匹配 但是我们的 color - color 就是无法匹配
    • ^ 这里来再次出现 用作 标记字符串的开始位置 $ 用于标记字符串的结尾
    • 举个例子 匹配一个 XML 文件 因为必须要求 这个声明位于一个文档的最开始 所以我们需要进行 字符串的一个声明 例如 这个 ^\s*<?xml.*?>