【从零开始】正则表达式从入门到应用1

正则表达式大家应该都不陌生，但是给人的印象可能就是不那么高大上又很难理解、很难精通的这么一个玩意儿，而且适用范围又不是那么宽。就是这么一个感觉有点鸡肋的东西，如果到了需要的场合而不会用，就会面临一种“前进是悬崖，后退是荒芜”的困境。
我最近正在做一些关于Html代码的解析工作，虽然手头上有jsoup这样好用的工具，还是架不住世界上的技术人员代码风格千变万化，难免遇到不按套路出牌的，专门花一点时间系统的学习一下正则表达式确实很有必要。
这里有同学就要问了：网上不是有很多现成的例子么，匹配适用的语言，直接拿过来用不就好了？当然，这样做方便快捷，但是弊端也很明显，一是缺乏原理背后的讲解，一旦找不到合适的例子就只能束手无策，这就是人们熟知的“鱼”和“渔”，二是网上的博客什么的也是人写的，也不一定适合复杂多变的情况，也不一定正确。所以，还是决定深入了解学习一下，写下这篇专栏记录学习经历。
注：学习使用的教材是余晟老师著《正则指引》（第二版），当前使用程序设计语言为Java，在学习中可能更多关注与Java相关的内容。

1字符组

在一对方括号 [ 和 ] 之间列出所有可能出现的字符，包括可见以及不可见的字符；例如：
[123]
表示可以匹配1、2、3的单个字符。

1.1字符组的范围表示

如果可以匹配的字符有规律性并且范围比较大，比如0、1、2、3、4、5、6、7、8、9，表达式写成
[0123456789]
这样就显得复杂也不美观，所以引入符号“-”，使用 [x-y] 的形式表示在闭区间x到y范围内的字符，上式可以写成
[0-9]

【注意】：-范围表示法必须遵循ASCII编码的先后顺序，即上式不可写作 [9-0] ，而一些令人困惑的表达式也尽量不要使用，比如 [0-z] 因为该式涵盖了在ASCII编码表中从0到z的全部字符（不仅仅只有数字和小写字母）。如果想要表示多个范围，比如匹配数字、大写字母和小写字母，表达式可以写作

[0-9a-zA-Z]

1.2元字符与转义

在表达式中有特殊功能而不作为字符的一部分字符，称为元字符。比如前文讲过的：[ ] - 都是元字符，如果想要恢复它们本来的字符属性就要做一些特殊处理。先看一般情况，取消元字符特殊含义的操作叫做转义，操作是在表达式中的元字符前加反斜杠 。特殊情况就是表示范围的横线 - ，当其紧邻左方括号 [ 时就作为普通字符处理，其他情况都作为元字符表示范围。

【注意】

1、横线 - 也支持反斜杠的转义，即[0-9]表示0、-、9三个字符。
2、右方括号 ] 不需要转义。

1.3排除型字符组

当需要表示的字符组范围很大，写起来不方便，而恰巧它的补集（全集指所有字符）方便表示，引出了排除型字符组[^…] ，表示在当前位置匹配一个没有列出的字符，请注意是“必须匹配一个没有出现的字符”，而不是“不要匹配列出的字符”。例如：

[^0-9][^0-9]

可以匹配“QQ”，但不可以匹配“Q”。

【注意】紧跟在 ^ 之后的 - 不是一个元字符！而^自身也是元字符，当且仅当^紧跟[时，否则表示它作为字符的含义。

1.4字符组简记法

常见的字符组简记法有\d（[0-9]）、\w（[0-9a-zA-Z_]）、\s（[\t\r\n\v\f]）

【注意】w可以匹配下划线，不等价于[0-9a-zA-Z]。另外字符组简记法可以单独出现，也可以使用在字符组中，如

`[0-9a-zA-Z]`可以写成`[\da-zA-Z]`

正则表达式也提供了上面三种常用简记法的排除型：\D、\W、\S，这三种分别对应各自的补集（全集是指所有字符，即[dD]可以匹配任意字符，剩余二者同理）。

【再次注意】第一，使用字符组简记法最好不要出现单独的 - ；第二，上面描述的简记法都是针对ASCII编码而言的；第三，字符组简记法不止这三种，还有其他（也可能根据不同的编程语言衍生出新的简记法），等遇到了再说。

1.5字符组的运算

重新回顾1.3第一段话，当我们所研究的问题要求我们的全集不是所有字符，排除型字符组就显得不是那么的好用了。比如我需要匹配字母表第1、5、9个小写字母，把所有字符看作全集显然不合适，而把所有小写字母看作全集就比较合适，但是写成[b-df-hj-z]就比较复杂而且容易搞错，Java就允许使用逻辑与（&&，也可以理解为取交集）来解决这个问题，即写成：

[a-z]&&[^aei]

我所学习和说明的正则表达式是PCRE流派的，教材上还介绍了POSIX等其他流派的正则表达式，这里暂不作说明。

【预告】第二章量词