正则表达式傻瓜书 第二章：元字符

上一章，我们通过Word中的“使用通配符”模式，粗略见识了正则表达式的使用方法。然而通配符并不等于正则表达式，遇到复杂的情况，通配符就力不从心了。所以从本章开始，我们来看“正宗”的正则表达式。

安装Regular Expression Tester

“工欲善其事，必先利其器”，学习正则表达式也是如此。尽管正则表达式的思想和规则是基本确定的，应用起来却有许多讲究（比如，在Java、C++、Python等不同的编程语言中，同一个表达式的具体写法是不同的，在Word、Excel等软件中也是这样）。所以，学习正则表达式最好采用“中立而规范”的工具——这有点像学习摄影，开始应该学习的是构图、用光，而不是尼康、佳能或索尼相机的特性。

本书中，我们采用Firefox的插件Regular Expression Tester（意思是“正则表达式测试工具”）来学习和讲解正则表达式，选择它的好处在于：不需要搭建编程语言环境（许多时候我们并不需要在编程语言中应用正则表达式）；在Windows/Unix/Mac上都可以使用；并且支持大多数通用的正则表达式功能。如果你没有接触过它，也不用担心，下面我们介绍它的安装和使用。

Regular Expression Tester是Firefox（火狐）浏览器的一个插件，因此，如果你没有安装Firefox浏览器，在使用这个插件之前，必须首先安装Firefox浏览器：

进入网址http://www.mozillaonline.com/ ，选择自己需要的版本，点击下载，之后运行下载的程序，完成安装。

图2-1，下载Firefox浏览器

然后，启动Firefox浏览器，选择工具—扩展[xdx1] （在某些版本的Firefox中，这里也可能是“附加组件”），在“获取附加组件”中输入“regular expression tester”，即可搜索到该插件，请点击右侧的“添加至Firefox”按钮，稍后Firefox会提醒尚未验证该插件的作者，没有关系，请选择“立即安装”。安装完毕重启Firefox就可以使用“regular expression tester”插件了。

图2-2，安装Regular Expression Tester

使用Regular Expression Tester

在Firefox的菜单栏选择“工具——扩展”，下拉菜单中选择Regular Expression Tester，就可以看到Regular Expression Tester的主界面。 我们可以看到，这个工具分为三大块，最上面的Regular Expression文本框用于输入正则表达式，中间的Search Text文本框用于输入待匹配的文本，下面的Result则显示匹配（还包括替换，将来我们会看到）的结果，左下角显示正则表达式操作进行的时间，右下角显示匹配发生的次数。

图2-3，Regular Expression Tester的界面

在Regular Expression和Search Text之间，还有几个选项：Case sensitive、Global、Multiline，它们对应到非常实用的功能，后面我们会详细介绍它们的意义和用途，但现在请只勾选Global选项。

图2-4，现在只需要勾选Global

先测试上一章中Word中查找手机号码的例子，把手机号输入Search Text文本框中，每行一个号码，然后在Regular Expression文本框中输入表达式『1310000[0123456789][0123456789][0123456789][0123456789].doc』 ，Result中迅速出现了结果（以黄色高亮标明），表达式匹配成功。

图2-5，『1310000[0123456789][0123456789][0123456789][0123456789].doc』的匹配

如果你仔细观察，会发现Result中每一行的末尾都有一个特殊的符号 ——没错，正则表达式处理的是字符，而每一行末尾的回车/换行符，虽然“看不见”，也是一个字符，为了展示文本的“真实面貌”，Regular Expression Tester用这个符号标识。或许你现在觉得有些别扭，但是请相信我，下面你将会发现这样的好处。

*和?的新含义

接下来，我们测试上一章中的另一个表达式『1310000????.doc』，你一定记得，在勾选了“使用通配符”之后，它就能“大致”匹配1310000号段的手机号码（虽然不一定准确）。现在我们用Regular Expression Tester重复验证一次。

图2-6，『1310000????.doc』匹配出错

出错了！匹配结果栏显示“The entered string is not a regular expression（输入的字符串不是正则表达式）”！问号作为通配符是可以匹配一个任意字符的，那么问题究竟出在哪里呢？

其实，我们已经提到过原因：通配符不等于正则表达式！通配符中*表示“任意字符串”，?表示任意字符，但这只是通配符中的规定，不是正则表达式中的规定！

正则表达式中的*和?

在通配符的世界里，〖*〗表示“任意字符串” ，〖?〗表示“任意字符”（这里的“任意长度字符串”和“单个任意字符”都是为了保持与之前一致，你看是否有全部修改的必要） ，那么，正则表达式中如何表示这两种意义呢？要弄清这个问题，我们先看看正则表达式中的『*』和『?』表示什么意义。 『*』和『?』在正则表达式中都叫做“量词”（英文名叫quantifier），它用来“度量”字符串的长度，也就是字符能够出现的次数，其中『*』表示字符出现次数可以从0到无穷多（也就是“任意长度”了），而『?』表示字符出现0次或者1次。所以，正则表达式『6*』能匹配的，就是空字符串””，或者是”6”、”66”、”66666”……这样的字符串，而正则表达式『6?』能匹配的，只能是空字符串””，或者是单个字符构成的字符串” 6”。

图2-7，『6*』的匹配

注意：regular expression tester”目前无法显示空字符串，所以无法演示匹配空字符串的情况；本例中输入”666666”，你可以自己尝试，无论字符串中包含多少个6，都能匹配。

图2-8，『6?』只能匹配字符串”6”，而不能匹配”66”，”666”

请注意，量词只关心字符出现的次数，与字符没有任何关系：『7*』能匹配空字符串””，”7”，”77”，”777”…，『8*』能匹配空字符串””，”8”，”88”，”888”…。要模拟通配符*，还必须规定每个字符可以是“任意字符”，所以需要有办法表示“任意字符”。好在正则表达式中存在一个特殊符号，也就是普通的点号（英文句号）『.』，它表示“任意字符”，把“任意字符”和“任意长度”组合起来，就得到了“任意字符串”，也就是通配符*的意义了（这里能否麻烦你做个图，我希望是类似一个直角坐标系的，一个原点，两个带单方向箭头的轴，纵向标明“任意字符”，横向标明“任意长度”，图的名称就是“任意字符串”）。

图2-9，『.*』的匹配

现在你多半已经想到了，通配符*表示“任意字符串”，对应的正则表达式是『.*』，那么通配符?表示“任意字符”，恰好就对应了正则表达式中的『.』。因此，在表达式『1310000[0123456789][0123456789][0123456789][0123456789].doc』中，点号『.』其实只是恰好匹配了字符串中的”.”而已，如果此处出现其它字符，也可以匹配。

图2-10，表达式中的『.』“恰好”匹配了【.】

现在我们已经知道了，通配符*和?的功能，在正则表达式中要如何实现。

元字符和转义

前面我们提到了，通配符*、?具有特殊含义，所以不能出现在文件名中。同样具有特殊含义的正则表达式字符『.』、『*』和『?』，是否应该禁止出现在正则表达式要处理的普通文本中？这显然不可能——这几个符号都是很常见的，如果使用正则表达式就不容许它们出现，正则表达式所能处理的文本就非常有限。可是，文本中的*、?等等“特殊符号”要如何来准确匹配呢？

图2-11，正则表达式中的『.』

『.』能匹配任意字符，怎么准确匹配字符串中的”.”？ 其实，所谓“特殊符号”就是“意义不同于字符本身的字符”：字符『6』不是“特殊字符”，因为它只能表示字符”6”；相反，字符『*』表示“字符出现次数可以从0到无穷多”，点号『.』表示“任意字符”。在正则表达式中，这些具有特殊意义的“特殊字符”有个统一的名字“元字符（meta-character）”——它的意思是“具有特殊意义的字符”，不管你看它顺不顺眼，记住这个名字就好了。 其实，“元字符”本身的匹配非常简单，只有一条规则：转义。如果某个字符在正则表达式中具有特殊的意义（上面我们提到了『.』和『*』，将来还会遇到更复杂的情况），要表示这个字符本身，就在前面添加反斜线 \ 即可。

图2-12，用『\.』匹配点号

元字符经过转义，就失去了特殊意义，变成了普通字符，所以正则表达式『.\*』的意思就是“先匹配一个任意字符，再匹配一个星号*”。

图2-13，用『.\*』的匹配

如果你觉得转义的概念有些麻烦，不妨这样想：转义只是为了避免混淆的一种形式变化，转义序列\*“看起来”像两个字符构成的字符串，然而从概念上来说，它只表示一个普通字符*。我们要记住的是概念，而不是形式。

补充内容：编程语言中的转义

编程中的转义比较特别，值得拿出来讲一讲。

在一般的编程语言中，正则表达式都是以字符串（String）构造的。而对于字符串这种数据类型，多数编程语言都规定了一些转义字符序列来表示特殊字符（注意，这里说的是编程语言中的特殊字符，而不是正则表达式中的“元字符”），比如〖\n〗表示换行符，〖\t〗表示制表符。因此，在编程语言中使用正则表达式时，转义是一个麻烦的问题，但是，我们又必须弄清楚这个问题——网络上时常看到有人提问“这个正则表达式里到底需要几个反斜线？”。

转义的问题其实非常简单：在编程语言中，作为字符串出现的正则表达式，必须经过“字符串的转义”，“正则表达式的转义”才能真正生效。

举例来说，我们的正则表达式里需要出现『\*』，也就是“带转义（去掉了特殊意义）的〖*〗字符”。因为正则表达式是以字符串形式表现的，如果直接在字符串里写 \* ，许多编程语言就会报错：因为它只认识 \t 、 \n 之类的转义序列，不认识 \* 。

解决的办法是在 \* 之前添加反斜线 \ ，写成 \\* 。这样，编程语言在处理字符串时，会首先将 \\ “翻译”成 \ ，正则表达式得到的就是 \* 了。

以上说的情况比较简单，可是，如果我们需要在正则表达式中使用反斜线字符『\』呢？这个字符首先必须以转义形式写出，也就是说，在正则表达式中必须写成『\\』；但每个反斜线，在字符串里又需要转义，所以正则表达式中的一个『\』，在字符串里就必须写成【\\\\】！

不过，也有些语言不会报错——它们遇到“未定义”的转义字符，会直接忽略反斜线的转义功能，将它视为普通字符序列，Python，PHP都是如此（注：JS是否如此尚未验证）。

我的建议是，在对元字符转义时，心里一定要明白应该写几个反斜线；同时，推荐你在使用Python和PHP时，不要省略一个反斜线字符。

小结

在本章，我们真正踏入了正则表达式的殿堂。安装好Regular Expression Tester，就搭建好了学习正则表达式的舞台。

我们也知道了，通配符不同于正则表达式，在正则表达式中，*表示字符出现次数可以从零到无穷多，?表示表示字符出现零次或者一次，它们都是量词，属于元字符。通配符*就等于正则表达式『.*』，通配符?就等于正则表达式『.』。

最后要记得的是，如果需要取消元字符的特殊意义，必须使用反斜线进行转义，在一些编程语言中，可能需要两个反斜线字符——我们推荐这么做！