Perl的正则表达式——入门篇

Perl的正则表达式——入门篇

一．基本概念

正则表达式，在Perl 中通常被称为模式(pattern)：某个模板是否匹配某个字符串。由于存在无限的字符串，某个给定的模式将这些字符串分成两类：一类是能匹配的，一类是不能匹配的。这里没有，或者，大概，几乎那样的匹配：要么匹配，要么不匹配。

 

元字符 meta-characters：

点号(.)是通配符：它可以匹配任何单个的字符，但不包括换行符(“\n”)。

反斜杠(\)是转义字符：用于在本义和转义之间切换。如\.表示匹配’.’自身，而\n表示换行。

 

量词 quantifier：意指其可以指代多少个前面的项，必须紧跟在某些项的后面

星号(*)表示匹配前一项0次或者多次。因此.*将匹配任意字符任意多数。

加号(+)表示可以匹配前面一项的1次或多次。至少出现1次。

问号(?)表示前面一个项出现一次，或者不出现，即1次，或者0次。

     

分组：括号(())用来表示分组，表示作为一个小的整体

选择符：竖线(|)，在这种用法中通常被读作“或（or）”，意思是匹配左边的或者右边的。

字符类：是方括号[]中的一列字符，可以匹配上括号内出现的任意单个字符。它匹配一个字符，但这个字符可以是列中的任意一个，可以使用连字号(-)来表示某个范围的字母。

字符类的补集：字符类前使用符号^表示取此字符类的补集，表示匹配除此之外的字符。

字符类的简写：

\d 匹配任何数字的类，== [0-9]

\w 被称作“word’字符：== [A-Za-z0-9_] 注意下划线也算在内！

\s  匹配空白字符（whitespace） == [\f\t\n\r ]，依次是格式符；制表符，换行符，回车，以及空格。

 简写形式也有补集：可以使用[^\d], [^\w], 和[^\s]，其含义分别是，非数字的字符，非word（记住我们对word 的定义）的字符，和非空白的字符。也可以使用它们对应的大写形式：\D, \W, \S 来完成。

 

二．使用m//匹配

Perl语言过于灵活，几乎可以使用任何成对的分隔符表示模式 pattern。如m//, m(), m[], m{}, m!!等等。但是如果使用正斜杠/，则可以省去m，使用起来通常最为方便。

模式后面可以增加修饰符，来改变默认的行为：

      /i 表示进行大小写无关的模式匹配

/s表示使(.)能够匹配任意字符(默认情况下(.)不匹配换行符)。这样很容易解决跨行匹配问题。

      /x允许在模式中加入任何数量的空白，以方便阅读

 

锚定(anchors)：默认情况下，如果模式在字符串开头没能匹配上，它会顺着字符串下去，直到匹配上为止。锚定则可以要求模式在特定的位置进行匹配。^ 表示在字符串的开头进行匹配，$则表示在结尾。如/^\s*$/将匹配一个空行。

词界锚定：\b，是针对单词使用的，仅仅针对字符串的两头。两头都有时，即全字匹配(match whole words only)。

非词界锚定：\B。它将在任何非\b 匹配的点上进行匹配。

 

绑定操作符=~：对$_进行匹配只是默认的行为，使用绑定操作符(=~)将告诉Perl 将右边的模式在左边的字符串上进行匹配，而非对$_匹配。

 

匹配变量：

我们曾经在模式中使用过括号，使用括号是由于它可以将模式的某一部分组合起来。同时括号也会引起正则表达式分配新的内存块。这些内存含有括号中的模式所匹配的字符串。如果有不止一对括号，那就不止一块内存块。每一个内存块内有一段字符串，而非模式的一部分。

由于这些变量含有字符串，那它们是标量变量；在Perl 中,它们具有像$1, $2 这样的名字。变量个数同模式中括号对数的个数是相同的。如$4是指第四对括号所匹配的字符串。

这些匹配变量（match variables）是组成正则表达式强大功能的重要部分，它允许取出相应的字符串。

这些匹配变量的值会保持不变，直到下一个模式成功匹配为止。也就是说，一个没有匹配成功的模式将不会改变内存中相应的值，但一个匹配上的模式将重写此内存。这明确的告诉你，不要随意的使用这些变量，除非明确知道它们匹配正确；否则，你可能得到上个模式匹配的结果。

自动匹配变量：还有三个匹配变量，无论这些模式是否有括号。

三个变量名为: $&, $`, $'。其中$&表示整个被匹配的部分，$`中含有正则表达式引擎在匹配成功前所找到的变量，而$'为此模式还没有匹配的剩余部分。如果将这三个变量放在一起，你将得到原始字符串。（不推荐使用这三个变量，运行速度稍慢）

 

一般的量词：如果*, +, ?这三个数量词仍不能满足你的要求，那可以使用花括号({})，花括号中有2 个数字，由逗号隔开，表示前面一项允许重复的次数。模式/a{5,15}/将匹配5 个到15 个a 中的任意一个（包括5，和15）。如果省略掉第二个数字（逗号留下），表示没有上限了。如果逗号也被省略了，那将匹配确定的次数。

 

优先级：正则表达式的优先级表更简单，只有4 个级别：

1．在此优先级表的最顶端是括号：(())，在分组和引用内存值的时候使用。括号内部的任何部分比括号外的部分结合更紧密。

2．第二级是数量词。这里有星号(*), 加号（+），问号（？）以及由花括号表示的数量词，如{5,15}, {3, }, {5}等。它们通常和前一项元素结合。

3．第三级的是锚定和序列（sequence）。锚定包括(^) 表明字符串的开头，($)表明结尾，(\b)词界符，(\B)非词界符。序列（一个元素紧接着一个元素）实际上是一种操作，虽然它没有使用元字符。这段话的含义是一个单词中的字母结合更紧密，就像锚定紧贴字母一样。

4．优先级最低的是竖线(|)，表示或。由于其优先级最低，它通常将模式划分成几个部分。它在优先级最底端是因为我们希望像/fred|barney/里面的字母比或(|)结合更紧密。如果或(|)的优先级比序列的优先级更高,那么，上述模式的含义是匹配fre,接着是d或者b, 然后是arney。因此，或(|)的优先级最低，字母序列的优先级要高些。

 

三．使用s///替换

如果将m// 这个模式匹配看作同文字处理器的“查询（search）”类似的功能，那Perl 中s ///操作的则类似于“查询并替换（search and replace）”。它将替换变量中模式所匹配上的部分，当然，s///只能修改被称为左值（lvalue）的数据。如果没有匹配上，则什么也不会发生，此变量也不会有任何更改。

 

全局替换/g：s///默认只进行一次替换，无论是否还有地方还能匹配上。修饰符/g 要求s///将不相重叠的所有匹配上的部分都进行替换。全局替换的一个常用地方是将多个空格用单个空格替换掉：

s/^\s+//;            #将开头的空白去掉

s/\s+$//;           #将结尾的空白去掉

大小写替换：

            \U 表示把紧接着的都替换为大写字母；\L 表示替换为小写。

       $_ =“I saw Barney with Fred.”;

s/(fred|barney)/\U$1/gi; #$_现在是“I saw BARNEY withFRED.”

s/(fred|barney)/\L$1/gi; #$_现在是“I saw barney withfred.”

 

默认时，会影响到剩余的（替换的）字符串。可以使用\E 来改变这种影响：

s/(\w+) with (\w+)/\U$2\E with $1/I;      #$1 现在是“I saw FRED with barney.”

 

使用小写形式时(\l 和\u)，只作用于下一个字符：

s/ (fred|barney)/\u$1/ig;             #$_现在是“I saw FRED with Barney.”

也可以同时使用它们。如使用\u 和\L 表示“第一个字母大写，其它字母均小写”。

s/(fred|barney)/\u\L$1/ig;          #$_现在为“I saw Fred withBarney.”

 

四．非贪婪的量词

前面已经出现过的四个数量词均是贪婪的。这就是说它们将最大限度的匹配，而非在匹配成功时即立刻返回。下面是一个例子：假设在fred and barney went bowling last night 上使用/fred.+barney/进行匹配。我们知道正则表达式将匹配上，下面我们具体的讲解这一个过程。

首先，子模式fred 将匹配其对应的字符串。模式的下一部分是.+，它将匹配除了换行符之外的任意字符，次数大于等于一。但，由于加号(+)是贪婪的；它将尽可能的进行匹配。因此，它将匹配剩余的所有字符串，包括night。这可能让你惊奇，但故事还没结束。现在对banrey 进行匹配，但不能成功，因为已经到了字符串的结尾处。由于.+在少一个字符的情况下仍能匹配成功，因此它退回字符串最后一个字母t。（它虽是贪婪的，但更希望整个模式能匹配成功。）子模式barney 又尝试匹配，结果仍是不行。因此.+再退回字母h，又进行匹配。一个字符接一个字符，.+退回其匹配的字符，直到其退回了字符串barney。最后，子模式banrey 被匹配上了，现在整个模式都匹配上了。

正则表达式引擎有大量的像上面那样的回退（backtracking）操作，尝试每一种可能，直到成功或者根本不能匹配为止。如本例所显示的那样，这些操作引起了大量的回退操作，因为这些数量词匹配了太多的字符串，正则表达式引擎强迫它们返回一些。

因此对于每一个贪婪的数量词，需要一种非贪婪的方法。不是使用加号(+),而是使用非贪婪的数量词+?，它将匹配一次或多次（加号的意思），但其匹配尽可能少的次数，而非尽可能多的次数。现在我们来看看模式为/fred.+?barney/时的过程。

首先，fred 将被匹配上。接着，模式的下一部分是.+?，它匹配的字符个数不大于1，因此匹配fred 后面的空格。下一个子模式是banrey，它在这里不能被匹配（因为现在的位置是and barney… 的开头）。.+?再匹配a，剩下的模式继续进行匹配。又一次，barney 不能匹配上，因此.+?再匹配n，依次类推。当.+?匹配了这5 个字符后，barney 可以被匹配上了，现在模式匹配成功。

这里也存在一些回退操作，但由于引擎只需回退，并只尝试几次，其在速度上会有很大提高。但，这种提高依赖于banrey在fred 的附近能被找到。如果数据中fred 在字符串的开头，而barney 在结尾处，则贪婪数量词方法的速度更快。因此，正则表达式的速度依赖于具体的数据。

 由于加号的非贪婪类型是+?，星号的为*?，你可能已经意识到剩下的两种数量词其对应的类型也是类似的。花括号的非贪婪类型看起来一样，只是在闭花括号后有一个问号，如{5,10}?或者{8,}?。甚至问号数量词也有非贪婪类型：??。它匹配一次或者0 次，但倾向于匹配0 次。

 

注：参考《Perl 语言入门（第四版）》