前几天看《编译与反编译原理》，词法分析器的编写用到了正则表达式；以前写爬虫，对获取到的庞大的数据进一步地筛选，提取有用信息，也是离不开正则表达式。一直以来对正则都是一知半解，这几天，读了余晟老师写的《正则指引》，颇有心得，取其主干和精彩处总结一下，权当自己复习。
正则表达式，又称为规则表达式，英语是Regular Expression，所以常常简写为RE。最早是用在unix指令sed和grep里。Grep，G、re、p，中间的re正是指正则表达式。
认识正则表达式的第一步，是认识字符组。它表示在同一位置可能出现的各种字符。常常包含在一对方括号[]之间。而方括号中的内容则表示要匹配的内容。如[123]则匹配数字1，2，3。[a,b,c,d,e,f,g]则匹配字母a,b,c,d,e,f,g。
那么当要匹配的范围扩大，比如要匹配所有的字母，总不能把所有的单词全部写一遍吧。我们知道，每个ASCII字符都能对应一个ASCII码。所以，我们只需要按照ASCII码的顺序并结合‘-’符号构造一个范围表达式，如[0-9]就代表所有的数字，[a-zA-Z]就代表所有的英文大小写字母。然而当‘-’符号并不是作为两个ASCII字符的连接符时，则保持原有的意思，如[-09]代表匹配数字0，9以及符号‘-’。
如果我们要匹配不为A的所有字符呢？这时候用一个排除型字符组就可以解决。排除型字符组和普通字符组最大的不同是含有一个脱字符‘^’，如，不含A的所有字符可以表示为[^A]。
正则表达式的字符组本质上是一个集合，所以可以进行集合的运算。如，进一步，我想匹配不为F的所有大写字母，则可以写作[A-Z-[\^F]],即从A-Z匹配到的大写字母的集合里面，进行差集运算，减掉字母F。
特殊字符组：POSIX字符组。以及PCRE简记法。如[0-9]在POSIX字符组里面可以表示为[:digit:]，在PCRE里面简记为\d。常用的简记还有\s（空白字符），\w（字母字符）。
而简记法字符的排除型可以用他们的大写形式来表示，如：\S表示不为空白字符的所有字符。因此，我们可以用[\s\S]、[\W\w]、[\D\d]来表示所有字符（突然想起sql注入的时候为了绕过等号采用<>号，原理大同小异）。有的时候还可以用’.’字符来匹配，然而点字符无法匹配换行符。
一个字符组匹配一个空位的字符，那么，当我们要匹配多个字符时，如果将字符组重复写多次，未免显得太笨拙繁琐。正则表达式为我们提供了一个量词符号{}。如\d{4}代表匹配数字4次，等价于\d\d\d\d。同样，{}符号可以写成范围形式，代表匹配左闭右闭区间的范围次数，如{5,6}，则代表匹配5次或6次。有趣的是，这个区间可以单独缺少上区间或者下区间。如{5,}代表匹配不止5次，{,6}代表匹配最多6次，最少0次，但在有些语言下不适用，应该注意。
同样，量词也提供了简单写法，如+符号代表匹配不止1次，等同于{1,}，*符号代表匹配大于等于0次，等同于{0,}，？则代表匹配0次或1次，等同于{0,1}。
在严格匹配字符串的长度，以及要求一一相等时，应该采用^$符号，表示从字符串首匹配到尾。
之前提到匹配任意字符串时，可以采用’.’符号，然而点符号并不能匹配换行符\n，除非在单行匹配模式下。同时，点号时匹配优先词，采用的是贪婪模式匹配，所以在一些情况下可能会出现问题。
下一篇将探索贪婪模式与非贪婪模式匹配。