正则表达式之一

我想从Linux开始说起，他继承了Unix的设计思想，Keep it simple，由一个内核和许许多多小工具组成，内核负责管理资源，工具负责完成作业，彼此配合，实现人们需要的功能，提供人们所需要的服务。由simple的原则，每一个工具只专注少量的工作，他们通过配合，是的，他们可以配合的很好（这是和windows完全不同的地方），所以每个工具只需要解决好自己真正要干的活，别的事不用担心，会有工具负责的，相当于包产到户，产量绝对有保证。

也正是由于simple原则，linux里面的所有配置文件都是纯文本格式，这样只需要一个文本编辑器就可以搞定所有的配置，这样的话系统管理员在命令行界面下就可以干完他大半的工作，但是面对一大堆的文本，要找出自己想要的东西也不是一件容易的事，要是你知道确切的要找的内容，那么一个简单的search就办到了，但是若是你要找一类相似的东西，比如E-mail地址，URL等，它就无能为力了，这下就是正则表达式出马的时候了，它有强大的匹配功能，通过描述字符串的特征，可以轻易帮你找到你想要的东西，所以现在几乎所有的只要是处理字符串的工具（文本编辑器、文字处理软件、系统工具、数据库引擎等），编程语言（Java、JScript、Visual Basic、VBScript、JavaScript、ECMAScript、C、C++、C#、elisp、Perl、Python、Tcl、Ruby、PHP、sed和awk等），都支持正则表达式，也正是有了正则表达式，程序员可以提高效率，使得生产力又得到了极大的提高。

其实从低层面来说，正则表达式描述的是一串文本（a chunk of text）的特征。读者可以用它来验证用户输入的数据，或者也可以用它来检索大量的文本。从较高的层面上来说，正则表达式容许用户掌控他们自己的数据—— 控制这些数据，让他们为自己服务。掌握正则表达式，就是掌握自己的数据。

你也许使用VIM写程序，想搞清楚它那语法高亮是怎么实现的;也许看到过类似[a-zA-Z_][a-zA-Z0-9_]*之类的东西，不知道前面这串看似很乱的东西是什么;也许你的程序要处理一些数据，你想要得到其中的E-mail地址，但不知道程序应该怎么走;其实这些全是正则表达式的能力范围。

就说上面写到的那个简单的正则表达式的例子吧！那个表示的是匹配变量名，我们都知道变量要以字母或下划线开始，然后其余可以是字母，数字或下划线。为了看懂上面那个例子，有必要了解一下正则表达式的一些基本常识。

在正则表达式中，怎么描述一串文本的特征呢，它有一套规定，规定一些字符代表特定的意义，就是术语中所说的元字符，用元字符和普通字符配合起来描述字符串，下面就是一些基本的元字符。

^        匹配一行的开始（单独使用）

[^?]        匹配除了?(?表示的是不希望匹配的一个列表)以外的任何一个字符（在[ ]内使用）

$        匹配一行的结尾

[avdee]        匹配中括号的任意一个字符，[ ]里面也可以用一个”-“表示范围，像下面一样。

[a-z]        匹配一个小写字母

[A-Z]        匹配一个大写字母

[0-9]        匹配一个数字

.        匹配任意字符

|        匹配这个字符左边或右边的部分，通常写成“(word1|word2)"的形式，同时这个括号里的东西算一个整体，他们是一个部分。

+        匹配这个字符前面的部分至少一次，这个部分要不是一个字符，要不就是上文所说的部分，不一定是上文那种形式，只要是在括号中就行，下同。

*        匹配这个字符前面的部分任意次，可以为零次

?        匹配这个字符前面的部分零或一次

\<   \>        分别匹配一个单词的开始和结尾，这样就可以用这两个的组合来匹配一个单词

\元字符        匹配元字符，要不然它们会被按照它们所代表的意义处理

先来热一下身，比如^cat， ^ 表示一行开始，然后紧接着是一个单词 cat ，所以它表示的是以cat开头的行，类似的 cat$ 表示以cat结束的行，而 ^cat$ 则表示只有 cat 一个单词的行，再比如你不知道奶酪应该怎么拼，是cheese呢还是chease，可以这样写che[ea]se，中间的[ea]表示这里可以是e或者a，也许你觉得这样看着不明显，没关系，可以写成这样(cheese|chease)，用到了”|"这个元字符，表示匹配左边或右边的部分。或者你不知道cheese中间是一个e呢还是两个，可以这样写che+se，注意这里是+号，表示至少应该有一个，若是*的话，表示可以一个e都没有，或者有好多个，而是?的话则表示是有e呢还是没有。

下面来看上面那个例子，[a-zA-Z_][a-zA-Z0-9_]*

可以看到这个可以分成三个部分，前面两个中括号中的各是一个部分，后面那个星号是一个部分。参考上面的规定，可以知道第一个部分表示的是第一个字符是个字母或下划线，后面的就是任意字母或数字或下划线，那个*表示长度不限，这正是变量取名的规则，所以它匹配的是变量名。

 再来一个例子，比如说要匹配一个时间，像这样的:"9:17 am" or "12:30 pm"，如果说写成这样：[0-9]?[0-9]:[0-9][0-9] (am|pm),是可以匹配出我们想要的时间，但也会有我们不需要的，像99:99 am之类的错误也会带进来，因此我们要注意每一位的范围，然后就可以写出像这样的：(1[012]|[1-9]):[0-5][0-9] (am|pm)，就可以符合要求了。如果要匹配24小时制的话，同样考虑范围问题，可以把前面的换成[01]?[0-9]|2[0-3]就可以匹配24小时制了。

其实这只是用正则表达式来牛刀杀鸡，它的强大功能还多着呢！