阅读笔记-精通正则表达式-第1章-正则表达式入门

1. 解决实际问题

通过几个实例说明正则表达式是十分有用的：
· 检查许多文件，确保每一行中的"SetSize"的出现次数与"ResetSize"的出现次数一样多，而且要保证大小写不敏感。
· 处理远端机器上的某些E-mail，把邮件的标题作为列表整理出来。使用了grep工具和正则表达式"^(From|Subject)"
· 查找一个特殊的（5000行！）邮件。使用sed工具和正则表达式。

2. 作为编程语言的正则表达式

完整的正则表达式由两种字符构成。特殊字符称为元字符，普通字符称为文字。如果把正则表达式比作语言，那么普通字符可以理解为语言的单词，而特殊字符可以理解为语言的语法。比如："*.txt"中的"*"是元字符，"txt"是文字。

3. Egrep元字符

Egrep在指定了正则表达式和需要检索的文件之后，会尝试用正则表达式来匹配每个文件中的每一行，并显示能够匹配的行。比如： % egrep '^(From|Subject):' mailbox-file

Egrep的元字符列表：

元字符	名称	匹配对象
.	点号	单个任意字符
[···]	字符组	列出的任意字符
[^···]	排除型字符组	未列出的任意字符
^	脱字符	行的起始位置
$	美元符	行的终止位置
\<	反斜杠-小于	单词的起始位置（某些版本的egrep可能不支持）
\>	反斜杠-大于	单词的终止位置（某些版本的egrep可能不支持）
|	竖线	匹配分隔两边的任意一个表达式
(···)	括号	限制竖线的作用范围，其他功能下文讨论

3.1 行的开始和结束
脱字符'^'表示行的开始，美元符'$'表示行的结束。
^cat 表示以cat开头的行
^cat$ 表示只包含cat的行
cat$ 表示以cat结尾的行
^$ 表示空行
^ 无意义，每一行都能匹配
$ 无意义，每一行都能匹配

3.2 字符组匹配

字符组[]内部的两个元字符是连字符'-'和脱字符'^'。
只有在字符组[]的内部，'-'连字符才有可能是一个元字符，确切的说[-1-9]中的第一个连字符是一个普通字符，第二个连字符是元字符。
我理解的'-'是元字符的条件：首先在字符组内部，然后连字符两侧是数字或者小写字母或者大写字母。对于A-f是不是呢，是按照字符编码计算吗？如果[0-3]表示(0|1|2|3)，那么[3-0]能够表示吗？
关于'^'，[^1-6]表示除1-6以外的任意一个字符。我们知道'^'本身就是一个元字符，^cat表示以cat开头的行，那么cat^cat表示什么呢，这样的表达式是不是错误的呢？相应的cat$表示以cat结尾的行，cat$cat又表示什么呢？
关于字符组[]本身，能嵌套吗，如果能够嵌套，最多嵌套几层呢，比如[0[123]4]？

3.2 用点号匹配任意字符

点号'.'匹配任意一个字符。
例如，如果我们需要搜索03/19/76、03-19-76或者03.19.76，可以使用03[-./]19[-./]76或者可以尝试03.19.76
此处值得注意的是在字符组[]内部，元字符的意义是不同的，比如[-./]中的点号是普通字符'.'，而非任意字符。

3.3 多选结构

竖线'|'匹配两边的任意一个表达式，括号'(···)'限制竖线的作用范围。比如：^(From|Subject|Date):
表示：1. 行起始，然后是From，然后是:
2. 行起始，然后是Subject，然后是:
3. 行起始，然后是Date，然后是:
同样质疑，括号的嵌套是否可以呢？

3.4 忽略大小

比如，要忽略From的大小写，可能需要把正则表达式From改写为[Ff][Rr][Oo][Mm]，这样无疑是十分麻烦的。使用egrep本身的参数可以实现忽略大小写：% egrep -i '^(From|Subject):' mailbox-file
参数i告诉egrep忽略大小写，不过这样就是忽略所有的大小写了，如果要忽略部分的大小写，估计只能去改正则表达式了。

3.5 单词分界符

某些版本的egrep对单词的识别提供了有限的支持：也就是单词分界符的匹配。比如/<cat会匹配以cat开始的单词，cat\>会匹配以cat为结束的单词，/<cat/>匹配cat这个单词，注意
\>cat表示以cat

3.6 可选项元素

元字符'?'，代表可选项。把它加在一个字符的后面，就表示词除允许出现0个或者1个这样的字符。
例如：(July|Jul) 等价于July? (4th|4)等价于4(th)?

3.7 其他量词：重复出现

元字符'+'，表示之前的元素出现1次或者多次，元字符'*'，表示之前的元素出现0次，1次或者多次。
" ?"可以匹配0个或者1个空格，" +"可以表示1个或者多个空格，" *"可以表示0个，1个或者多个空格。
比如：要匹配<HR SIZE=14>这样的tag，考虑到空格的情况，正则为<HR +SIZE *= *14 *>，为了不受14的限制，可以进一步改为<HR +SIZE *= *[0-9]+ *>

3.8 规定重现次数的范围

某些版本的egrep可以使用元字符序列来自定义重现次数的区间，{min, max}称为区间量词。{3,12}能够允许前面的字符出现3到12次之间。
比如：有人使用[a-zA-Z]{1,5}来匹配美国的股票代码。

3.9 括号及反向引用

已见过括号的两种用途，限制多选项的范围和将若干个字符组合为一个单元。 在许多流派的正则表达式中，括号还能够“记住”它们包含的子表达式匹配的文本。比如([a-z])([0-9])\1\2，\1代表[a-z]匹配的内容，\2表示[0-9]匹配的内容。
对于a1a1这样的文本能够匹配成功，对于a1a2这样的文本不能匹配成功。
括号的这个作用就是为了反向引用“捕获”文本。\1，\2分别匹配之前的第一组、第二组括号内的字表达式匹配的文本。
如下命令： %egrep -i '\<([a-z]+) + \1\>' files 能够匹配文件中the the这样的重复情况。

3.10 神奇的转义

如果需要匹配的某个字符本身是元字符，那么可以使用反斜杠\加上该字符来表示。这样的方法适用于所有的元字符，但是在字符数组内无效，即[\.cat)]中的点依旧是元字符，表示任意一个字符，而\是普通字符。
比如：对于元字符点来说，本身代表的是任意字符：ega\.att\.com可以匹配ega.att.com，而不能匹配ega1att1com。对于括号来说，\([a-zA-Z]\)可以匹配一个括号内的单词。\( *[0-9]+ *,[0-9]+ *\)可以匹配任意的开区间，例如(22 , 45), ( 222, 33 )，\( *[0-9]+ *,[0-9]+ *\]可以匹配任意的左开右闭区间。

4. egrep 元字符总结





5. 感受

这一章主要是介绍了一些正则表达式的元字符、转义、反向引用的用法。基本上，是个热身活动，需要一定的记忆，更深入的理解还需要阅读后面的几个重点的章节。