第一章：通配符

我们已经说过，这本《正则表达式傻瓜书》并非把读者当傻瓜，而是保证“傻瓜都能看懂”。如果你到现在还没听说过“通配符”或是“正则表达式”，那么，请看这一章。
要说明的另一点是，因为一般的Linux/Unix用户都熟悉通配符，所以，本章假设读者工作于Windows平台下，所举的例子也全部面向Windows平台。

从Windows的搜索谈起

正则表达式是进行文本处理的工具。那么，它到底进行哪些“处理”？简而言之，正则表达式的主要功能就是对文本进行查找（匹配）和替换（修改）。在这一章里，我们先从最简单的文本查找说起。
正则表达式所“搜索/查找”功能的对象，就是我们说的“文本”——它可以是Word文档、Excel表格、浏览器看到的网页等等，也可以是文件名（工作日报20090925.doc）、电话号码（400-82055555）、电子邮件地址（[email protected]）等等。所以也有这样一种说法：正则表达式处理的是“字符串”——也就是一系列的字符。想想也是，Word文档的内容、Excel表格的内容、网页的内容、文件名、电话号码、电子邮件等等，无非都是“连接起来”的字符，也就是“字符串”了。
几乎每种文本处理工具（Word、Excel、记事本、写字板）都提供了查找（和替换）功能：

图1-1 Word中的查找

Windows中查找文件的“搜索”功能，其实也是查找文本：

图1-2 Windows中的搜索

如果我们需要查找包含“李刚”的文件名，直接输入“李刚”搜索，就可以找到。

图1-3 “李刚”查找结果

那么，正则表达式的查到底有什么优势呢？我们不妨看一个例子：
假设某个目录下存在许多记录手机用户信息的文件，每个文件对应一个用户，文件名就是手机号码：号码为13812345678这个用户的记录文件，就是1381234567.doc。
现在需要找出某个号段的全部用户（比如说1310000号段），我们该怎么办？
你或许会说，这很简单，搜索“1310000”就可以了！可是真的如此吗？

图1-4 查找错误

在这里，一个不属于1310000号段（也就是不以1310000开头），但是包含1310000的手机号码（15801310000）也被找了出来。这时候直接“搜索”是无能为力的，因为它无法应对“变数”——我们要查找的是这样的文件：最前面7个字符是“1310000”，最后的4个字符是“.doc”，然而中间的4个字符是“不知道也不确定”的，换句话说，在查找结果出现之前，谁都不知道这4个字符都是什么。
如何解决“未知”的问题？在数学里，我们可以用一个未知数来解决这类问题。在文本查找中，有没有这样的“未知数x”呢？答案是有的：在数学里它是“x”，在文本查找中，它就是普通的问号“?”。
我们要找的文件是这样的：“1310000”开头，最后是“.doc”，中间是4个“未知数”。好了，现在我们在搜索栏填入“1310000????.doc”（注意，要输入英文的问号，而不能是中文的问号，如果不清楚，请关闭中文输入法，输入问号），再次点击搜索。果然，这次我们找到的都是131号段的文件了。

图1-5 图片

在上面的例子中，我们用到了一个特殊的字符『?』来表示“单个任意字符”。概略地说，这就是正则表达式的雏形，当然，正则表达式的真正威力远远比这个大得多。我们现在用到的这个雏形叫做“通配符”（Wildcard，根据维基百科的定义，计算机上的通配符可以用来“表示字符串中的任何单个或多个字符”）。表示“单个任意字符”的『?』就是通配符之一。下面我们介绍另一个通配符，星号『*』。

更复杂的搜索

解数学题时我们不能限定“未知数x只能是一位数”；同样，在文本匹配中也不应该有这样的限制：在上面的例子中，我们明确知道131后面应该有8个字符，但下面的情况呢？
仍然是查找文件的问题，这次我们要找的是电子书。在某个目录下存放着许多本电子书，文件名就是书的名字，我们现在要查找的是名为“社会某某学”的书籍：社会心理学、社会组织学、社会人类与文化学、社会系统动力学……不幸的是，在“社会”和“学”之间的字数是不确定的：“心理”和“组织”是两个字，“人类与文化”是五个字，“系统动力”是四个字，所以，这里无法使用问号，该怎么办呢？
仔细想想我们面对的问题：需要有一个新的“未知数x”来匹配这些字符，它的长度必须是可变的，谁也不能预先知道它“匹配”了多少字符。恰好，这就是另一个通配符『*』的意义。于是，我们在搜索框里输入“社会*学”。

图1-6 “社会*学”的搜索结果

比较搜索结果和我们输入的“社会*学”就可以发现，对不同的文件，『*』有时候表示“人类与文化”，有时候表示“动力”，有时候又代表“心理”等等，也就是说，它能“表示”的字符串长度是不确定的！
如果你再仔细观察就会发现，除了“社会心理学”、“社会组织学”、“社会人类与文化学”、“社会系统动力学”之外，“社会学”也被找了出来。所以，请务必记住这一点：『*』可以表示任意长度的字符串，包括长度为0的字符串（比如””，虽然这个字符串里什么也没有）！

再进一步

现在把要求提的更高一些：我们希望从搜索结果里去掉“社会学”（因为它不符合“社会某某学”的样式），该怎么办？一个办法是先用“社会*学”搜索出所有的结果，再去掉“社会学”；另一个办法则可以免去周折、一步到位。
我们仔细思考这个问题就会发现，“社会学”之所以会出现在搜索结果里，是因为『*』可以匹配“长度为0的字符串”，在“社会”和“学”之间，果真就有一个“长度为0的字符串”（也可以说，什么都没有）！如果我们能保证这个“社会”和“学”之间的字符串的长度大于1，问题就解决了。该怎么办呢？
既然问号『?』能保证匹配一个任意字符，『*』能匹配任意长度的字符串，你可能已经想到答案了：它们拼起来不就是“长度至少为1的字符串”了吗？
果然，结果就是这样的。

图1-7 “社会*?学”的搜索结果

看到这里有人可能会想，顺序呢？『*?』和『?*』有区别吗？答案是，至少在这里，没有区别。如果你想弄明白其中的原因，请继续耐心阅读本书。

图1-8 “社会?*学”的搜索结果

如果“社会*?学”真是你自己想到的，那么要恭喜你；如果不是这样，也不必沮丧。因为从这个例子里，我们已经看到了正则表达式的大致模样：定义一些可以代表未知情况的特殊字符（比如代表“一个任意字符”的『?』和代表“任意长度（包括0）字符串”的『*』），再用一些规则把它们组合起来（比如『*?』），就可以准确描述我们希望查找的文本的特征。本书后面的部分，翻来覆去讲的还是这样的内容，只是特殊字符更多，组合规则更复杂，而已。如果你看现在的例子觉得没问题，相信整本书对你来说也不是问题。
需要补充的一点：正因为『?』和『*』是“特殊字符”，它们的“意义”不同于问号和星号本身的含义，所以文件名中是不容许出现这这类特殊字符的（否则，计算机怎么判断你输入的星号是要匹配“任意长度的字符串”还是匹配“文件名中的星号字符”呢？）

图1-9 文件名中不能包含的字符

更进一步

看到这里，你或许想问：『*』和『?』，是在任何工具中都通行的吗？
答案是：不是，比如记事本就不支持这两个特殊字符。不过，一般来说，稍微“高级”一点的工具都提供了这样的功能。比如，Word就提供了这样的功能，只是做起来稍有区别而已。
仍然看查找1310000号段手机号的例子，我们做一个与上面例子类似的Word文档，每一行都是一个文件名，按下ctrl + f，出现“查找与替换”对话框。输入“1310000????.doc”，却不能找到任何结果。

图1-10 word中的搜索

怎么出错了呢，开头不是说Word也支持正则表达式吗？没错，Word确实是支持。只是默认情况的搜索并不支持通配符（还记得文件名搜索的例子吗？文件名可以规定不得使用『*』和『?』，但是Word可不能规定文章里不能出现“*”和“?”）。
要使用『*』和『?』，就必须打开对通配符的支持。具体来讲，就是点选“查找和替换”对话框的“高级(M)”按钮，在其中勾选“使用通配符(U)”，再搜索，就会出现想要的结果了。

图1-11 word中使用通配符的搜索

这个例子也告诉我们，“正则表达式（通配符）查找”和普通的“查找”是不同的。在后面我们会看到，在一般的文本处理工具中使用正则表达式的功能，多半需要在设置中开启相应的功能选项（譬如这里的“使用通配符”），而一般的编程语言，在普通文本操作的接口之外，也会提供专门的正则表达式操作接口。

我们考虑更复杂一点的情况：如果“不幸”有个文件的名字是“1310000号段资料.doc”，也会被找出来。为什么？因为“号段资料”也是4个字符，正好对应到『????』！

图1-12 word中使用通配符搜索的问题

这个问题要怎么解决？
我们再次思考这个问题的根源，发现根源在于，通配符问号『?』能匹配“任意一个字符”，而不仅仅是数字字符。如果我们能限定，问号只匹配数字字符，问题就解决了！那么，怎么匹配“数字字符”呢？其实，所谓的数字字符，就是0123456789这9个字符之一嘛！好，我们就规定这样一个字符，它就表示上面说的意思。按照正则表达式的规矩，它写作『[0123456789]』。容易看懂吗？在方括号里把“可能”的字符都列出来，看起来很简单，又很古怪——这样长长的一串字符，居然只匹配一个字符！不过别担心，这还只是刚刚开始呢，看顺眼就好了，而且，这样“古怪”的东西并不多。
现在我们试试，用
1310000[0123456789][0123456789][0123456789][0123456789].doc
查找。果然对了！

图1-13 word中搜索的最终形式

对了是对了，就是不好看，太长了点。不过别担心，我们可以把它缩到很短，只是现在一下子堆出太多概念，可能并不合适。只要你耐心继续阅读下去，循序渐进，就会学到怎么把这个正确但“很长”的表达式缩短！

小结

在这一章，我们已经看到了最简单的正则表达式应用：通配符。
与常见的查找不同，通配符可以应付“变数”，表示“未知”的字符。问号『?』可以匹配“单个任意字符”，而星号『*』可以匹配“任意长度的字符串”，也包括“长度为0的字符串”；而且，我们也可以把这两个通配符搭配起来，表示“长度至少为1”的字符串。最后，我们看到，如果要限定“只匹配一个数字字符”，可以用『[0123456789]』的形式。
从这些例子中，我们也看到，在正则表达式（通配符模式）中，某些字符表示不同于其“字面”含义的意义，所以文件名中不能包含某些特殊字符，所以在一般的文本处理工具中，使用与正则表达式相关的功能，要开启相应的模式。

下面，我们开始“正经”学习正则表达式。