详解正则表达式

正则表达式语言由两种基本字符类型组成：原义（正常）文本字符和元字符。
元字符使用正则表达式具有处理能力。元字符既可以是放在[ ] 中的任意单个字符（如 [a]表示匹配单个小写字符 a），也可以是字符序列（如 [a-d] 表示匹配 a 、b、 c、 d 之间的任意一个字符，而 \w 表示任意英文字母和数字及下划线），常见的元字符如下：

常见的元字符

字符	描述	特别说明
`.`	匹配除换行符（`\n`）以外的任意字符	~
`[abcde]`	匹配 `a b c d e` 之中的任意一个字符	所有字符是 `或` 的关系
`[a-h]`	匹配 `a`到`h`之间的任意一个字符	~
`[^fgh]`	不与 `fgh`之中的任意一个字符匹配	在中括号`[ ]` 的第一个字符前加上 `^` 表示取反不匹配中括号里面出现的任意字符
`\w`	匹配大小写英文字符及数字 0 到 9 之间的任意一个及下划线，相当于`[a-zA-Z0-9_]`	~
`\W`	与 `\w` 相反，相当于 `[^a-zA-Z0-9_]`	~
`\s`	匹配任意的空白符，相当于 `[\f\n\r\t\v]`	~
`\S`	与 `\s`相反，相当于 `[^\s]`	~
`\d`	匹配任何 0 到 9 之间的单个数字，相当于 `[0-9]`	~
`\D`	与 `\d` 相反，相当于`[^0-9]`	~
`[\u4e00-\u9fa5]`	匹配任意单个汉字（中文）（这里用的是 `Unicode` 编码表示的汉字）	~
`\b`	匹配单词的开始或结束	~
`^`	匹配字符串的开始	放在中括号的第一个字符前则变为取反的意思
`$`	匹配字符串的结束	~

正则表达式限定符

作用：限定这个符号前面一个单元多出现的次数
单元：

如果前面出现的是一个字符的话，则这一个字符就为一个单元
如果前面我们用小括号把一个很长的字符串括起来的话，那么整个小括号里面都算是一个单元

上面的元字符都是针对单个字符匹配的，要想同时匹配多个字符的话，还需要借助限定符，下面是一些常见的限定符（下表中 n 和 m 都是表示整数。）

字符	描述	特别说明
`*`	匹配 0 到多个元字符，相当于 `{0,}`	~
`?`	匹配 0 到 1 个元字符，相当于 `{0,1}`	~
`+`	匹配至少 1 个元字符，相当于 `{1,}`	~
`{n}`	匹配 n 个元字符	~
`{n,}`	匹配至少 n 个元字符	~
`{n,m}`	匹配 n 到 m 个元字符	~
`\b`	匹配单词边界	~
`^`	字符串必须以指定的字符开始	~
`$`	字符串必须以指定的字符结束	~

说明 - 特例

可以将多个元字符或者原义文本字符用括号括起来形成一个 分组，比如 ^(13)[4-9]\d{8}$ 表示任意以 13 开头的移动手机号码。
1. abcabcabc+ 表示最后的字母 c 出现 1 次或多次；
2. (abcabcabc)+ 表示整个字符串 abcabcabc 出现 1 次或多次。
可以使用 | 来表示 或 的关系，例如 z|j|q 表示匹配 z 、j、q 之中的任意一个字母。其实等价于 [zjq]。
1. ab|cd|ef 表示的是：要么是 ab、要么是 cd要么是 ef。
2. a(b|cd|e)f 表示的是：以a开头，要么是 b、要么是 cd要么是 e，最后以f结尾。
3. 总结：|（或）的唯一边界是 小括号（( )）
[0-9A-Z.?] 这个正则你如何理解？
1. 当 . 和 ? 出现在中括号中时，. 和 ? 将变为 普通字符，它就是点和问号。你可以理解为 [ ] 的优先级要大于. 和 ? 的优先级。
2. 此正则表达式将会完全匹配字符串 ?aaa.bbb ，记住这里 . 和 ? 被完全当做了普通字符。

高级1 - 多选结构

多选结构其实就是元字符 | （或）的使用。
界定范围：开头、结尾、小括号

正则	含义
`Windows98\|Windows2000\|WindowsXP`	匹配`Windows98`或者`Windows2000`或者`WindowsXP`
`^Windows98\|Windows2000\|WindowsXP$`	以`Windows98`开头或者包含`Windows2000`或者以WindowsXP结尾注意`^`和`$`都包含在`\|`的范围内，因为`\|`的界限只有：开头、结尾、小括号
`Windows(98\|2000\|XP)`	`Windows`然后`98` 或者`2000`或者`XP`

总结：多选结构可以包括很多字符，但不能超越 括号 的界限。

高级2 - 分组与后向引用

分组

我们已经了解怎么重复单个字符；
但如果想要重复一个字符串该怎么办？你 可以用小括号来指定子表达式（也叫做分组）。
(\d{1,3}\.){3}\d{1,3} 简单的 IP 地址匹配表达式
但是它也将匹配 256.300.888.999 这种不可能存在的 IP 地址。你能写一个更准确的正则？
((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)

反向引用

使用小括号指定一个子表达式（分组）后，匹配这个子表达式的文本可以被捕获，从而在表达式或其他程序中作进一步的处理。
默认情况下，每个分组会自动拥有一个组号，规则是：以分组的左括号为标志，从左向右，第一个分组的组号为 1 ，第二个为 2 ，依次类推。

示例：

\b(\w+)\b\s+\1\b 可以用来匹配重复的单词
匹配诸如：where where go, tom tom happy

直白解释：
正则表达式中，前面用小括号进行划分（分组），后面把小括号匹配到的内容引用到后面来，分别用\1、\2等来表示。（第一个小括号极\1...）。如果存在小括号嵌套小括号的情况 (\w+(.?)) 记住：这个时候要以 ( 为标志从左往右数小括号就可以了。

高级3 - 环视（零宽断言）

环视不匹配任何字符，只匹配文本中的 特定位置。类似于\b、^、$ 那样。环视不会占用字符。
环视分为顺序和逆序两种：
- 顺序
  - (?=exp) 位置的后面能匹配 exp。例如：(?=\d) 当前位置右边是数字。
  - (?!exp) 位置的后面不能匹配 exp。例如：(?!\d) 当前位置右边不是数字。
- 逆序
  - (?<=exp) 位置的前面能匹配 exp。例如：(?<=\d) 当前位置左边是数字
  - (?<!exp) 位置的前面不能匹配 exp。例如：(?!\d) 当前位置左边不是数字。

如果你并未理解，请拜读文章正则表达式 - 环视

高级4 - 贪婪与懒惰

当正则表达式中包含能接受重复的量词（指定数量的代码，例如：+、*、{3,12} 等）时， 通常的行为是匹配尽可能多的字符。
正则表达式：a.*b，它将会匹配最长的以 a 开始，以 b 结束的字符串。如果用它来搜索 aabab 的话，它会匹配整个字符串 aabab，这被称为 -------贪婪匹配
-
我们更需要 懒惰匹配，也就是匹配尽可能少的字符，前面给出的量词都可以被转化为懒惰匹配模式， 只要在它后面加一个问号 ? 。这样 .*? 就意味着匹配任意数量的重复，但是在能使整个 匹配成功的前提下使用最少的重复。
a.*?b 匹配最短的，以 a 开始，以 b 结束的字符串。如果把它应用于 aabab 的话，它会匹配 aab 和 ab。

总结：

贪婪与懒惰模式之间的区别就在于：懒惰模式 在量词 * 的后面多了一个问号 ?。

更多示例，请拜读文章正则表达式-贪婪与懒惰

高级5 - 模式匹配的优先级

在使用正则表达式时，需要注意匹配的顺序。通常相同优先级 从左到右 进行计算，不同优先级的运算 先高后低。各种操作符的匹配顺序优先级 从高到低 如下表所示。

顺序	元字符	描述
1	`\`	转义字符
2	`()`、`(?:)`、`(?=)`、`[]`	模式单元和原子表
3	`*`、`+`、`？`、`{n}`、`{n,}`、`{n,m}`	重复匹配
4	`^`、`$`、`\b`、`\B`、`\A`、`\Z`	边界限制
5	`\|`	模式选择