正则表达式与字符串

在日常应用正则表达式时，经常遇到的一类问题是，弄不清楚到底该如何转义——最明显的表现就是，搞不懂究竟要使用多少个反斜线，大部分时候，只好盲目尝试，直到测试成功为止。但是，许多时候，这样的方法并不能完整解决问题。

为了彻底解决这类问题，我们需要弄清楚正则表达式与字符串的关系：它其实很简单，根据我的经验，我们只需要牢记下面两条原则：

1.正则表达式不等于字符串，但必须以字符串的形式给出

大多数语言中都存在正则表达式（regex）对象，譬如Java语言中的Pattern对象，即使没有提供专门的对象，也需要用某些特殊的字符来标注正则表达式，譬如PHP中常用的反斜线‘/’。另一方面，正则表达式对某些字符或字符序列有自己的规定，不同于字符串的规定，譬如‘\b’在正则表达式中表示单词分界符，而在普通字符串中表示退格字符。因此我们可以说，正则表达式并不等于普通的字符串。

但是，正则表达式又终究是一种处理文本的语言，因此，我们写出的所有正则表达式，都是以字符串形式提供的。
所以，在应用正则表达式的过程中，需要进行从字符串到正则表达式本身的转换。
也就是
“源代码中的字符序列”->“字符串”->“正则表达式”

譬如，在Java语言中，正则表达式中的‘\b’，在以字符串表示时，必须写做
String regex = "\\b";
其中第1个反斜线用来转义第2个反斜线，这样，正则表达式接受到的才是真正的‘\b’，对应正则表达式中的单词分界符，如果我们写
String regex = "\b";
编译也没有问题，但此时正则表达式接受的是一个字符，即退格符。

需要注意的是，在Java和C#之类的语言中，如果字符串中出现的字符序列无法识别，编译会出错，譬如这样：
String regex = "\w";
编译无法通过，因为根据字符串的规定，‘\w’不是一个合法的转义序列，在字符串这一关就卡住了。

但是在PHP和Python之类的语言中，这样写却没有问题。原因在于，如果PHP和Python发现字符串中有无法识别的转义序列，会原封不动地保存下来，这样，正则表达式接受到的，仍然是‘\w’。
当然，我们也可以在这些语言中使用‘\\w’，结果是一样的，因为此时，在进行字符串处理时，第1个反斜线转义了第2个反斜线，正则表达式接受到的，仍然是‘\w’。

这是在实际开发中非常迷惑人的一点，只要我们弄清了正则表达式和字符串的关系，就不会再感到迷惑。

2.正则表达式中单独出现的反斜线也需要转义

在正则表达式中，反斜线通常与其它字符一起构成特殊的结构，譬如‘\d’用来匹配数字字符，‘\s’用来匹配空白字符，‘\1’用来反向引用第一个分组捕获的文本。
可是，如果我们在正则表达式中，仅仅需要表示“反斜线”字符本身，该如何做呢？

其实，正则表达式对这个问题的处理，与字符串的处理是一样的，也就是说，在正则表达式中，必须用转义序列‘\\’来表示单个反斜线。

这个规定会带来一个有趣的问题：正则表达式中单独出现的反斜线字符，在正则表达式的层面，必须以转义序列‘\\’来表示，然而，每个反斜线，在表示正则表达式的字符串中，又必须以转义序列‘\\’来表示。所以，在字符串中，必须写出四个反斜线‘\\\\’，才能对应到正则表达式中单独出现的一个反斜线字符：在字符串处理层面，它们会被识别为两个反斜线‘\\’，在正则表达式的层面，它们会被识别为单个反斜线字符‘\’。