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。
支持多种平台
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。
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。
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。
比你想象的还要普通
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。
正则表达式101
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。
字符匹配
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。
table a: character-matching regular expressions
操作
解释
例子
结果
.
match any one character
grep .ord sample.txt
will match “ford”, “lord”, “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 “lord”, “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.
重复操作符
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。
table b: regular expression repetition operators
操作
解释
例子
结果
?
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”
锚
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:
s/pattern_to_match/pattern_to_substitute/
table c: regular expression anchors
操作
解释
例子
结果
^
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.
间隔
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:
egrep “(n|m)erd” sample.txt
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:
egrep “[nm]erd” sample.txt
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。
一些保留字符
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:
^ (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。
eregi("^[_a-z0-9-]+(\.[_a-z0-9-]+)*@[a-z0-9-]+(\.[a-z0-9-]+)*$",$sendto)
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。
总结
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。