Perl正则表达式(Regular Expression, regex)

sol229

如果要问我Perl语言的优点，我会说有三个半。前三个是正则表达式、哈希、引用，那半个是Map, 因为还不大会用，不太说得出它的秒处，所以算半个。其实哈希、引用、Map都算是数据结构的范畴；正则表达式和它们差异比较大。人类的思维里有很多正则表达式的痕迹，甚至用这种方式训练下一代。比如一位完全文科思维的幼儿园教师，也会教育她的学生从一桶积木里找出一个红的方块来。"红而且方的积木"，这就是一个自然语言的正则表达式。正则表达式也经常被称为模式，用来描述或者匹配一系列符合某个句法规则的字符串。

一定有人还记得在dos和Unix下面的这些命令：

    $ls -l img1?.jpg
    C:>dir *.exe

这里的星号通配符和问号通配符就是正则表达式符号，确切地说是Dos shell和Unix shell使用的正则表达式符号。Perl的正则表达式规则与这两些shell的都有所不同，但Perl的正则表达式影响最大，几乎成了业界标准，以至于近年来新建的一些计算机语言都要申明自己实现了Pcre(Perl兼容的正则表达式），要不然都不好意思出来混江湖(微软除外)。
<!-- @page { size: 21cm 29.7cm; margin: 2cm } P { margin-bottom: 0.21cm } --> Perl正则表达式 (Regular Expression, regex)

Perl正则表达式的使用很简单(其实实现起来很难)，跟我来：

1. Perl正则表达式相关的操作符

先不说正则表达式本身，下面我们的正则表达式就用"apple". 先定义一个字符串

    my $szProductType = "apple cider";

现在要检验它里面有没有字符串"apple"。

    if( $szProductType =~ /apple/){

    print $szProductType."\n";

    }

上面的=~要看做一个符号，是Perl的正则表达式匹配操作符。这个符号匹配成功返回1，否则返回0。后面的两个/之间包括的就是正则表达式，这是就是apple。正则表达式也可以不用/符号而改用其它符号包括，鉴于海马一向厌恶这种标新立异做无用功的行为，就不说怎么操作了，偏执到不喜欢/符号的人请自己去查Perl手册吧。如果要求匹配一个字符串里面没有"apple"怎么办？当然可以这样(花括号里该写什么自己写吧，我省略啦)

    unless ($szProductType =~ /apple/){ }

还可以这样

    if( ! ($szProductType =~ /apple/)){}

但是，为了表示你很懂Perl, 你应该这样，这也是我最喜欢的方式（画外音：这和前面那个被批判的标新立异有啥区别，嗯？），使用不匹配操作符号!~。

    if( $szProductType !~ /apple/)){}

最后，为了避免被人看穿自己很不懂Perl，看到下面的表达式的时候千万不要露怯

    if( $szProductType !~ m/apple/)){}

这个m是干什么的？答案是，这个地方有m没m一样的，都是表示匹配(match)。请直接无视之。对于匹配操作符也是一样的情况。


2. Perl正则表达式语法

所谓正则表达式，就是一串特别设计过的字符串，可以按照你的意图用匹配操作寻找你要求的目标。我这里不是Perl手册，也不是教科书，所以我从例子开始，具体的完整说明还请查手册。


2.1 转义符号\

前面说过缺省情况下正则表达式要用/包起来，那么现在要寻找一个字符串里面有没有/怎么办？不是有歧义了么那个表达式。换你设计Perl语言该咋办？玩过C语言的人看到这里一定在嘿嘿笑，因为在C里面简单，要写/必须写成\/，要写\必须写成\\。说Perl在语法上是C的表弟是很不错的，Perl规定的转义符号也是\. 常用的特殊符号有回车\n, 跳格\t, 斜杠\\和\/，引号\'和\"，方括号\[和\]，圆括号\(和\)，美元号\$，上尖号\^，星号\*，点号\.，问号\?，加号\+。我都是随手写的，建议拿不定主意的话，非52个字母的符号都去查查手册吧。举例：查一个字符串里有没有美元号

    my $szValue = '$6580.90';
    $szValue =~ /\$/;


2.2 或操作

Perl的正则表达式缺省是区别大小写的。什么，前面早该告诉你？真可怜，又一个从Windows世界来的小孩，就和我想当然以为在美国商店应该在复活节大做生意创造GDP一样，可是人家不开门。为了串即匹配"Apple"又匹配"apple"，你可以这样：

    $szProductType =~ /[Aa]pple/;

在方括号里的字母是"或"的关系，击中其中一个就可以了。在一个正则表达式中可以用任意多个方括号，但是不要嵌套。常常能见到的一种表达式

    [0-9]

表示0到9这十个字母，也可以用\d来代替。\D则表示非数字字符。

    [a-zA-Z]

表示52个字母。

顺便在这里把反义也讲了吧，[^0-9]代表非数字的其它字符，[^a]代表非a的其它字符。^在这里是反义的意思，但是请注意^还能做头锚用，后面会讲到。


2.3 尾缀

有人摇头不喜欢上面的解决方案――我要求真正匹配一个不区分大小写的"Apple"应该怎么办？请这样

    $szProductType =~ /apple/i;

放在第二个/符号后面的尾缀i取消了一切大小写检查。


另外再说两个有用的尾缀吧，第一个是g（全局匹配），如果有字符串

    my $string = "Apple juice, apple Cider, apple jeans, apple pie, apple plate, apPLe bag,…";

而用表达式$string =~ /apple/i；只会遇到第一个apple就结束。现在我们可以用尾缀g配合while循环

    while( $string =~ /(apple.*?),/ig){
    print "$1\n";
    }

就可以找出所有带apple的词汇。注意尾缀是可以叠加使用的。上面正则表达式中的圆括号、点号和问号和$1，下面马上会讲到。


另一个有用的的尾缀是s。s会强迫点号(.)匹配换行符号(\n)，这对于多行匹配是必须的。不要小看这个技巧，我花了几个小时才找到的哦。


2.4 捕获匹配的字符串

    my $szValue = '$1999.99';

    if( $szValue =~ /\$([0-9]+)\.([0-9]+)/){

    print "$1 dollors $2 cents \n";

    }

上面表达式里的加号表示匹配一到多个前面的符号，在这里符号是数字。用圆括号括住的内容，将会依次（从左到右）出现在$1, $2, $3……里面。另外，顺便说，整个正则表达式匹配的结果是放在$&里面，上面这个表达式演算下来$&的值还是"$1999.99"。

另外，还有\1, \2形式的反向引用，使得表达式里面可以用捕获的字符串。举例：表达式 "(\w)\1{4,}" 在匹配 "aa bbbb abcdefg ccccc 111121111 999999999" 时，匹配结果是：成功；匹配到的内容是 "ccccc"。再次匹配下一个时，将得到 999999999(要用while和/g来配合）。


2.5 任意符号.，和次数符号*以及+

Perl正则表达式里点号是通配任意字母的，例如

    $string =~ /w.*/i;

就匹配$string里从第一个w字母开始一直到字符串结束。*表示匹配任意字母0到任意多次。*号也常被换成+号，表示匹配1到任意多次。如果即没有*也没有+，那么就是匹配1次。如果要自己定义匹配的次数或者次数上下限怎么办？用{}符号：

    $string =~ /\d{5,15}/;

上面的式子匹配5到15位数字

    $string =~ /\d{20}/;

上面的式子匹配20位数字。


附带说两个常用的符号，\S和\s。前者是"非空白"，后者是"空白"，具体来说包括回车、空格、跳格、响铃。


2.6贪婪的+和*，止贪剂?

Perl的正则表达式是贪婪的(确切地说，次数符号+和*是贪婪的)，可以帮助你做一些事情。

    my $string = '$290098';

    $string =~ /\$(\d+)/;

由于+号的贪婪性，$1会得到值"290098"，而不是遇到第一个数字2就完成匹配。


但有的时候你会不希望他贪婪，希望见好就收。还是我前面用过的一个例子

    my $string = "Apple juice, apple Cider, apple jeans, apple pie, apple plate, apPLe bag,…";

如果用

    $string =~ /(apple.*),/i;

由于*的贪婪性，它会一直匹配到最后一个逗号才停下来，这不是我们想要的结果。解决办法是用止贪符号?紧跟在*或者+后面。

    $string =~ /(apple.*?),/i;

问号会约束*遇到第一个逗号就停下来。


2.6 头锚^和尾锚$

有时候你希望从一个字符串的开始或者结尾匹配

    my $string = 'A quick brown fox jumps over a lazy snake';

$string =~ /^A/; # 匹配第一个字母是否为A

$string =~ /snake$/; # 匹配最后几个字母是否为snake

还有一个\b，匹配的是单词边界，意思是空白或者开头或者结尾。

3. 其它相关函数及注意事项

3.1 替换功能和quotemeta

有时候你不仅希望找到你想要那些字符串，还想替换掉它们。还记得前面说的匹配符后面的m符号么？现在是使用另一个，s符号(替换，subplace)的时候了。

    $string =~ s/apple/apple/i;

上面表达式将$string里所有不用形式的apple统一成全小写的apple. 这里面可以用变量：

    $string =~ s/$string1/$string2/i;

$string里所有匹配$string1的地方都会被替换成$string2。但是，要注意，除非你能确保$string1里面不含任何特殊符号(+-*^$.()[]等)或者你需要的就是那些符号，最好在调用上面式子之前处理一下$string1

    $string1 = quotemeta($string1);

quotemeta()的作用是给字符串里的特殊符号加上合适的转义符号。注意，不需要给$string2做这个处理。

3.2 不要在while里改变字符串

还记得2.3里面的while循环么？警告：不要在while循环里改变$string的值，否则可能会陷入无限循环。如果你真得这样做，把$string复制一次，一个镜像用来循环，一个用来做替换。

3.3 study及提高性能

有很多人想了很多种办法来提高Perl正则表达式的性能，我一概记不住。如果你要处理的字符串很庞大。。。记得在对它使用正则表达式之前用官方方法对它study一下：

    study($string);

据说这样可以提高一点性能。其实如果要性能，还是建议用Java，Java也有正则表达式；或者对性能有更高要求的话，建议用 C/C++。标准的C和 C++都不支持正则表达式，但有一些函数库可以辅助C/C++程序员完成这一功能，其中最著名的当数Philip Hazel的Perl-Compatible Regular Expression库，许多Linux发行版本都带有这个函数库。使用方法看这里

http://www.chinaunix.net/jh/23/303346.html

在Windows上面，VC.NET(VC7)框架里是有正则表达式了。警告：微软的老大们并没有实现Perl兼容。例如，在 Perl 中，{,1}是{0,1}的简写，但.NET并不支持。具体看这里