精通正则表达式：1 正则表达式入门

第1章 正则表达式入门

进行大规模文本编辑时，需要检索重复单词（如"this this"），程序必须满足：

（1）能检查多个文件，挑出包含重复单词的行，高亮标记每个重复单词（使用标准ANSI的转义字符列），同时必须显示这行文字来自哪个文件。

（2）能跨行查找，即使两个单词一个在某行末尾而另一个在下一行的开头，也算重复单词。

（3）能进行不区分大小写的查找，例如"The the..."，重复单词之间可以出现任意数量的空白字符（空格符、制表符、换行符之类）

（4）能查找用HTML tag分隔的重复单词。HTML tag用于标记互联网页上的文本，例如，粗体单词是这样表示的：”...it is <B>verry</B> very important...“

正则表达式能够添加、删除、分离、叠加、插入和修整各种类型的文本和数据

正则表达式的思维框架

   完整的正则表达式有小的构建模块单元组成

检索文本文件：egrep

   在指定了正则表达式和需要检索的文件之后，egrep尝试用正则表达式来匹配每个文件的每一行，并显示能够匹配的行。

   egrep元字符(Metacharacters）：

           ^：行的开始      ^cat  表示以cat开头的行

           $：结束  

           字符组（character classes）：   gr[ea]y的意思是grey 或 gray

                  '-'连字符表示一个范围：[0-9]  [a-z]，注：'-'只有在字符组内部，才是元字符，否则它就只能匹配普通的连字符号

           排除型字符组：[^1-6]匹配除了1到6以外的任何字符，^表示”排除“。

           匹配任意字符“.”：03.19.76可表示03/19/76、03-19-76。

           匹配任意子表达式：“|” ：or

           忽略大小写：  egrep -i  .....

           单词分界符：\< 和 \>为单词开头和结束，如\<cat\>

              可选项元素“?”：color和colour的匹配，colou?r来解决，最多出现一次

              “+”：表示“之前紧邻的元素出现一次或多次“

              ”*“：表示”之前紧邻的元素出现任意多次，或者不出现“        

              问号、加号和星号这3个元字符，统称为量词      

               规定重现次数的范围：长度范围

                       ...{min, max}，如...{3,12},能够容许的重现次数在3到12之间

               括号及反向引用：

                       括号的两者用途：限制多选项的范围；将若干字符组合为一个单元，受问号或星号之类量词的作用。

                       反向引用：容许我们匹配与表达式先前部分匹配的同样的文本

语言的差异：

        任何语言中都存在不同的方言和口音，很不幸，正则表达式也一样。情况似乎是，每一种支持正则表达式的语言都提供了自己的”改进“。正则表达式不断发展，但多年的变化也造就了数目众多的正则表达式”流派“。

正则表达式的目标：

        必须进行权衡：匹配符合要求的文本，同时忽略不符合要求的文本