揭开正则表达式语法的神秘面纱

揭开正则表达式语法的神秘面纱<!----><o:p></o:p>

正则表达式(REs)通常被错误地认为是只有少数人理解的一种神秘语言。在表面上它们确实看起来杂乱无章，如果你不知道它的语法，那么它的代码在你眼里只是一堆文字垃圾而已。实际上，正则表达式是非常简单并且可以被理解。读完这篇文章后，你将会通晓正则表达式的通用语法。 <o:p></o:p>

支持多种平台<o:p></o:p>

<!----><!---->正则表达式最早是由数学家Stephen Kleene于1956年提出，他是在对自然语言的递增研究成果的基础上提出来的。具有完整语法的正则表达式使用在字符的格式匹配方面上，后来被应用到熔融信息技术领域。自从那时起，正则表达式经过几个时期的发展，现在的标准已经被ISO(国际标准组织)批准和被Open Group组织认定。<o:p></o:p>

正则表达式并非一门专用语言，但它可用于在一个文件或字符里查找和替代文本的一种标准。它具有两种标准：基本的正则表达式(BRE)，扩展的正则表达式(ERE)。ERE包括BRE功能和另外其它的概念。<o:p></o:p>

许多程序中都使用了正则表达式，包括xsh,egrep,sed,vi以及在UNIX平台下的程序。它们可以被很多语言采纳，如HTML 和XML，这些采纳通常只是整个标准的一个子集。<o:p></o:p>

比你想象的还要普通<o:p></o:p>

随着正则表达式移植到交叉平台的程序语言的发展，这的功能也日益完整，使用也逐渐广泛。网络上的搜索引擎使用它，e-mail程序也使用它，即使你不是一个UNIX程序员，你也可以使用规则语言来简化你的程序而缩短你的开发时间。<o:p></o:p>

正则表达式101<o:p></o:p>

很多正则表达式的语法看起来很相似，这是因为你以前你没有研究过它们。通配符是RE的一个结构类型，即重复操作。让我们先看一看ERE标准的最通用的基本语法类型。为了能够提供具有特定用途的范例，我将使用几个不同的程序。<o:p></o:p>

字符匹配<o:p></o:p>

 <o:p></o:p>

正则表达式的关键之处在于确定你要搜索匹配的东西，如果没有这一概念，Res将毫无用处。

每一个表达式都包含需要查找的指令，如表A所示。<o:p></o:p>

Table A: Character-matching regular expressions<o:p></o:p>
操作<o:p></o:p>	解释<o:p></o:p>	例子<o:p></o:p>	结果<o:p></o:p>
.<o:p></o:p>	Match any one character<o:p></o:p>	grep .ord sample.txt<o:p></o:p>	Will match “ford”, “lord”, “2ord”, etc. in the file sample.txt.<o:p></o:p>
[ ]<o:p></o:p>	Match any one character listed between the brackets<o:p></o:p>	grep [cng]ord sample.txt<o:p></o:p>	Will match only “cord”, “nord”, and “gord”<o:p></o:p>
[^ ]<o:p></o:p>	Match any one character not listed between the brackets<o:p></o:p>	grep [^cn]ord sample.txt<o:p></o:p>	Will match “lord”, “2ord”, etc. but not “cord” or “nord”<o:p></o:p>
<o:p></o:p>	<o:p></o:p>	grep [a-zA-Z]ord sample.txt<o:p></o:p>	Will match “aord”, “bord”, “Aord”, “Bord”, etc.<o:p></o:p>
<o:p></o:p>	<o:p></o:p>	grep [^0-9]ord sample.txt<o:p></o:p>	Will match “Aord”, “aord”, etc. but not “2ord”, etc.<o:p></o:p>

重复操作符<o:p></o:p>

重复操作符，或数量词，都描述了查找一个特定字符的次数。它们常被用于字符匹配语法以查找多行的字符，可参见表B。<o:p></o:p>

Table B: Regular expression repetition operators<o:p></o:p>
操作<o:p></o:p>	解释<o:p></o:p>	例子<o:p></o:p>	结果<o:p></o:p>
?<o:p></o:p>	Match any character one time, if it exists<o:p></o:p>	egrep “?erd” sample.txt<o:p></o:p>	Will match “berd”, “herd”, etc. and “erd”<o:p></o:p>
*<o:p></o:p>	Match declared element multiple times, if it exists<o:p></o:p>	egrep “n.*rd” sample.txt<o:p></o:p>	Will match “nerd”, “nrd”, “neard”, etc.<o:p></o:p>
+<o:p></o:p>	Match declared element one or more times<o:p></o:p>	egrep “[n]+erd” sample.txt<o:p></o:p>	Will match “nerd”, “nnerd”, etc., but not “erd”<o:p></o:p>
{n}<o:p></o:p>	Match declared element exactly n times<o:p></o:p>	egrep “[a-z]{2}erd” sample.txt<o:p></o:p>	Will match “cherd”, “blerd”, etc. but not “nerd”, “erd”, “buzzerd”, etc.<o:p></o:p>
{n,}<o:p></o:p>	Match declared element at least n times<o:p></o:p>	egrep “.{2,}erd” sample.txt<o:p></o:p>	Will match “cherd” and “buzzerd”, but not “nerd”<o:p></o:p>
{n,N}<o:p></o:p>	Match declared element at least n times, but not more than N times<o:p></o:p>	egrep “n[e]{1,2}rd” sample.txt<o:p></o:p>	Will match “nerd” and “neerd”<o:p></o:p>

锚<o:p></o:p>

锚是指它所要匹配的格式，如图C所示。使用它能方便你查找通用字符的合并。例如，我用vi行编辑器命令:s来代表substitute，这一命令的基本语法是：<o:p></o:p>

s/pattern_to_match/pattern_to_substitute/
 <o:p></o:p>

Table C: Regular expression anchors<o:p></o:p>
操作<o:p></o:p>	解释<o:p></o:p>	例子<o:p></o:p>	结果<o:p></o:p>
^<o:p></o:p>	Match at the beginning of a line<o:p></o:p>	s/^/blah /<o:p></o:p>	Inserts “blah “ at the beginning of the line<o:p></o:p>
$<o:p></o:p>	Match at the end of a line<o:p></o:p>	s/$/ blah/<o:p></o:p>	Inserts “ blah” at the end of the line<o:p></o:p>
\<<o:p></o:p>	Match at the beginning of a word<o:p></o:p>	s/\</blah/<o:p></o:p>	Inserts “blah” at the beginning of the word<o:p></o:p>
<o:p></o:p>	<o:p></o:p>	egrep “\<blah” sample.txt<o:p></o:p>	Matches “blahfield”, etc.<o:p></o:p>
\><o:p></o:p>	Match at the end of a word<o:p></o:p>	s/\>/blah/<o:p></o:p>	Inserts “blah” at the end of the word<o:p></o:p>
<o:p></o:p>	<o:p></o:p>	egrep “\>blah” sample.txt<o:p></o:p>	Matches “soupblah”, etc.<o:p></o:p>
\b<o:p></o:p>	Match at the beginning or end of a word<o:p></o:p>	egrep “\bblah” sample.txt<o:p></o:p>	Matches “blahcake” and “countblah”<o:p></o:p>
\B<o:p></o:p>	Match in the middle of a word<o:p></o:p>	egrep “\Bblah” sample.txt<o:p></o:p>	Matches “sublahper”, etc.<o:p></o:p>

 <o:p></o:p>

间隔<o:p></o:p>

Res中的另一可便之处是间隔(或插入)符号。实际上，这一符号相当于一个OR语句并代表|符号。下面的语句返回文件sample.txt中的“nerd” 和 “merd”的句柄：<o:p></o:p>

egrep “(n|m)erd” sample.txt<o:p></o:p>

间隔功能非常强大，特别是当你寻找文件不同拼写的时候，但你可以在下面的例子得到相同的结果：<o:p></o:p>

egrep “[nm]erd” sample.txt<o:p></o:p>

当你使用间隔功能与Res的高级特性连接在一起时，它的真正用处更能体现出来。<o:p></o:p>

一些保留字符<o:p></o:p>

Res的最后一个最重要特性是保留字符(也称特定字符)。例如，如果你想要查找“ne*rd”和“ni*rd”的字符，格式匹配语句“n[ei]*rd”与“neeeeerd” 和 “nieieierd”相符合，但并不是你要查找的字符。因为‘*’(星号)是个保留字符，你必须用一个反斜线符号来替代它，即：“n[ei]\*rd”。其它的保留字符包括：<o:p></o:p>

• ^ (carat) <o:p></o:p>
• . (period) <o:p></o:p>
• [ (left bracket} <o:p></o:p>
• $ (dollar sign) <o:p></o:p>
• ( (left parenthesis) <o:p></o:p>
• ) (right parenthesis) <o:p></o:p>
• | (pipe) <o:p></o:p>
• * (asterisk) <o:p></o:p>
• + (plus symbol) <o:p></o:p>
• ? (question mark) <o:p></o:p>
• { (left curly bracket, or left brace) <o:p></o:p>
• \ backslash <o:p></o:p>

一旦你把以上这些字符包括在你的字符搜索中，毫无疑问Res变得非常的难读。比如说以下的PHP中的eregi搜索引擎代码就很难读了。<o:p></o:p>

eregi("^[_a-z0-9-]+(\.[_a-z0-9-]+)*@[a-z0-9-]+(\.[a-z0-9-]+)*$",$sendto)<o:p></o:p>

你可以看到，程序的意图很难把握。但如果你抛开保留字符，你常常会错误地理解代码的意思。<o:p></o:p>

总结<o:p></o:p>

在本文中，我们揭开了正则表达式的神秘面纱，并列出了ERE标准的通用语法。如果你想阅览Open Group组织的规则的完整描述，你可以参见：Regular Expressions，欢迎你在其中的讨论区发表你的问题或观点。<o:p></o:p>

 <o:p></o:p>