正则
2022-01-12
- 完整的正则表达式由两种字符构成，特殊字符（元字符）和文字（普通字符）。
egrep命令 #
| 元字符 | 案例 |
|---|---|
^匹配行的开始，$匹配行的结束。 |
^cat$ 匹配以c作为一行的第一个字符，紧接着一个a，紧接着以t结尾。 |
[abc] (字符组)匹配多个字符之一 |
[-a-cA-D1.?_] 匹配-abcABCD1.?_中的一个。-(连字符)表示一个范围，只有在字符组内他才可能是一个元字符，如果连字符出现在字符组开头，那么它表示的就是一个普通符号。在字符组中，`?.* |
[^ABC]排除型字符组 |
q[^u] 匹配q后面的字符不为u的情况，注意：这要求q后面必须要有一个字符。[^-中的连字符也不是一个元字符。 |
.匹配任意字符 |
注意：在字符组中的.是普通字符。 |
| ` | ` 表示或 |
egrep的-i参数表示忽略大小写。 |
|
\< 和\>单词的起始位置和结束位置。 |
\<cat 匹配以cat开头的单词，cat\> 匹配以cat结尾的单词。 |
? 表示可选 |
July?表示y是可选的，该正则可以匹配July和Jul。July? 4(th)?中的th是可选的，可以匹配July 4和July 4th。 |
+ 表示紧邻的元素出现一次或多次*表示紧邻的元素出现0次或多次 |
.+ 表示匹配任意字符至少一次。.* 表示匹配任意字符0次到无数次。 |
{min,max} 区间量词 |
允许重现的次数在[min,max]之间。 |
| 反向引用 | 如([a-z]{3})([0-9]).+\1\2 括号()可以记住子表达式的文本，元字符\1\2可以引用这些文本。从而这个正则可以匹配the9 the9。 |
\ 转义：将元字符转义为普通字符 |
\. 表示一个普通的. |
() 限制多选结构、分组、捕获文本 |
限制多选结构指的是和` |
| (?:…) | 仅用于分组，但是不捕获 |
Perl #
使用正则匹配文本 #
- Perl用
$variable =~ m/regex/来判断一个正则表达式能否匹配某个字符串，m表示匹配match，可以省略，斜线用来标注正则表达式的边界。 - 元字符是具有特殊意义的字符，各个语言中对元字符的定义并不是统一的。
- Perl和其他流派的正则表达式提供了许多有用的简记法。
| \b | 作为单词起始和单词结束的元字符 |
|---|---|
| \t | 制表符 |
| \n | 换行符 |
| \r | 回车符 |
| \s | 任何空白字符，如空格符、制表符等 |
| \S | 除了\s外的任何字符 |
| \w | [a-zA-Z0-9_] |
| \W | 除了\w外的任何符号 |
| \d | [0-9] |
| \D | 除了\d外的任何符号 |
/i修饰符表示此测试不区分大小写。(?:...)表示可以用来分组文本，但是不捕获。- 匹配成功后，Perl可以使用
$1$2$3之类的变量来保存相对应的(...)括号内的子表达式匹配的文本。 - 子表达式的编号按照小括号出现的先后排序，从1开始，子表达式可以嵌套。
# perl温度转换
print "enter a temperature(e.g., 32F, 100C):\n";
$input = <STDIN>; #接收用户输入
chomp($input); #去掉输入末尾的换行
if ($input =~ m/^([-+]?[0-9]+(\.[0-9]*)?)\s*([CF])$/i)
{
$InputNum = $1;
$type = $3;
if ($type =~ m/c/i) {
#输入的是摄氏温度，计算华氏温度
$celsius = $InputNum;
$fahrenheit = ($celsius * 9 / 5) + 32;
} else {
#输入的是华氏温度，计算摄氏温度
$fahrenheit = $InputNum;
$celsius = ($fahrenheit - 32) * 5 / 9;
}
printf "%.2f C is %.2f F\n", $celsius, $fahrenheit;
} else {
print "expecting a number followed by \"C\" or \"F\",\n";
print "so I don't understand \"$input\" .\n";
}
使用正则修改文本 #
$var =~ s/regex/replacement/当正则表达式能够匹配$var中的某段文本，则将这段文本替换为replacement。此替换只发生一次。/g用于在s/.../.../第一次替换完成后继续搜索更多的匹配文本，进行更多的替换。
环视功能 #
- 环视是在文本的特定位置上匹配左边或者右边的文本，但是不会占用字符，类似
\b^$，但是更加通用。
| 介绍 | |
|---|---|
(?=...)肯定顺序环视 |
在当前位置向右查看文本，尝试匹配子表达式，如果能匹配，就返回匹配成功信息。 |
(?!...)否定顺序环视 |
在当前位置向右查看文本，尝试匹配子表达式，如果不能够匹配，就返回成功信息。 |
(?<=...)肯定逆序环视 |
在当前位置向左查看文本，尝试匹配子表达式，如果匹配成功，就返回匹配成功信息。 |
(?<!...)否定逆序环视 |
在当前位置向左查看文本，尝试匹配子表达式，如果不能匹配，就返回成功信息。 |
匹配原理 #
优先选择最左边的匹配结果 #
- 起始位置最靠左的匹配结果总是优于其他可能的匹配结果。
- 匹配会从需要查找的字符串的起始位置开始尝试匹配，在起始位置测试正则表达式不能匹配后，就从第二个字符开始测试匹配，直到找到能匹配成功的情况或到了字符串的最后一个字符。
正则：fat|cat|belly|your
文本：the dragging belly indicates that your cat is too fat
结果：belly
标准量词?、*、+、{min,max}是优先匹配的。 #
- 例：
^.*([0-9][0-9])匹配abot24characterslong的过程。.*匹配整个字符串以后，第一个[0-9]的匹配要求.*吐出来一个字符g，但这并不能让[0-9]匹配，所以.*必须继续吐字符，接下来的字符是n，如此循环15次，直到.*吐出来了4。- 即使第一个
[0-9]能匹配4，但是第二个[0-9]仍然不能匹配，为了匹配正则表达式，[.*]必须再次释放一个字符，这次是2，第一个由[0-9]匹配，4能够由[0-9]匹配，所以刺配成功，\1的值是24。
传统NFA的多选结构是匹配优先的 #
- 传统NFA遇到多选结构是，会按照从左到右的顺序检查表达式中的多选分支。如
^(subject|date):*，当遇到此选择分支时，首先尝试匹配subject，如果可以匹配，就匹配接下来的:*。如果无法匹配，就尝试其他多选分支（尝试匹配date）。即多选结构既不是匹配优先，也不是忽略优先，而是按照多选结构的顺序。 - 用
tour|to|tournament来匹配three tournaments时会得到什么呢？
回溯 #
- NFA最重要的性质是，它会依次处理各个子表达式或组成元素，需要在两个可能成功的可能中进行选择的时候，它会选择其一，同时记住另一个，以备稍后可能的需要。
- 面对多个选择时，选择哪个分支呢？如果在进行尝试和跳过尝试之间选择，对于匹配优先量词，引擎会优先选择进行尝试，而对于忽略优先量词，会选择跳过尝试。
- 当发生回溯时，距离当前最近存储的选项就是当本地失败强制回溯返回的，使用的原则是LIFO（后进先出）。
- 回溯不但需要重新计算正则表达式和文本的对应位置，也需要维护括号内的子表达式所匹配的文本的状态。
固化分组 #
- 固化分组可能会放弃某些可能的路径，使用
(?>...)。 - 使用固化分组与正常的匹配毫无差别，但是当匹配到固化分组结构之后，在固化分组中的所有备用状态都会被放弃。在固化分组匹配结束时，他已匹配的文本已经固化为一个单元，只能作为整体而保留或放弃。
(?>.*?)永远无法匹配任何字符。
占有优先量词?= *+ ++ {m,n}+
#
- 占有优先量词和匹配优先量词很相似，但是占有优先量词从不归还已匹配的字符。
- 占有优先量词和固化分组非常相似，如
w++和(?>w+)的匹配结果完全相同。