正则指引之量词

一般形式

假如我们要验证邮政编码：201203，100858，所以用正则表达式来表示就是 \d\d\d\d\d\d，只有同时满足“长度是6个字符”和“每个字符都是数字”两个条件，匹配才成功。虽然这不难理解，但 \d 重复6次，读写都不方便。为此，正则表达式提供了量词（quantifier）。那么上面的例子就可以简写为 \d{6}，它使用阿拉伯数字，更简洁也更直观。

//使用量词减化字符组
Stringtext="510850";
Patternp=Pattern.compile("\\d{6}");
Matcherm=p.matcher(text);
System.out.println(m.matches());//true

量词还可以表示不确定的长度，其通用形式是{m,n}，其中m和n是两个数字（有些人习惯在代码中的逗号之后添加空格，这样更好看，但是量词中的逗号之后绝不能有空格），它限定之前的元素能够出现的次数，m是下限，n是上限（均为闭区间）。比如 \d{4,6}，就表示这个数字字符串的长度最短是4个字符，最长是6个字符。如果不确定长度的上限，也可以省略，只指定下限，写成 \d{n,}，比如 \d{4,}表示“数字字符串的长度必须在4个字符以上”。

量词	说明
{n}	之前的元素必须出现n次
之前的元素最少出现m次，最多出现n次
之前的元素最少出现m次，出现次数无上限
{0,n}	之前的元素可以不出现，也可以出现，最多出现n次

常用量词

{m,n}是通用形式的量词，正则表达式还有三个常用量词，分别是 +，?，* 。它们的形态虽然不同于{m,n}，功能却是相同的（也可以把它们理解为“量词简记法”），具体说明如下：

常用量词	{m,n}等价形式	＊	{0,}	可能出现，也可能不出现，出现次数没有上限
＋	{1,}	至少出现1次，出现次数没有上限
？	{0,1}	至多出现一次，也可能不出现

在实际应用中，在很多情况下只需要表示这三种意思，所以常用量词的使用频率要高于{m,n}。

点号

前一节讲到了各种字符组，与它相关的还有一个特殊的元字符：点号（.）。一般文档都说，点号可以匹配“任意字符”，点号确实可以匹配“任意字符”，常见的数字，字母，各种符号都可以匹配，但有一个字符不能由点号匹配，就是换行符 \n。这个字符平时看不见，却存在，而且在处理时并不能忽略。

如果非要匹配“任意字符”，有两种办法：可以指定使用单行匹配模式，在这种模式下，点号可以匹配换行符；或者使用上一节介绍“自制”通配字符组 [\s\S] （也可以使用 [\d\D]或[\w\W]），正好涵盖了所有字符。示例：

//换行符的匹配
Stringtext="\n";
Patternp=Pattern.compile("[\\d\\D]");
Matcherm=p.matcher(text);
System.out.println(m.matches());//true
Patternp1=Pattern.compile(".");
Matcherm1=p1.matcher(text);
System.out.println(m1.matches());//false

滥用点号的问题

因为点号能匹配几乎所有的字符，所以实际应用中许多人图省事，随意使用 .* 或 .+ ，结果却事与愿违，下面以双引号字符串为例来说明。我们一般使用表达式 ”[^"]*" 匹配双引号字符串，而“图省事” 的做法是 “.*” 。通常这么用是没有问题的，但也可能有意外。

用“.*”匹配双引号字符串，不但可以匹配正常的双引号字符串“quoted string”，还可以匹配格式错误的字符串 "quoted string" and another" 。这是为什么呢？原因涉及正则表达式的匹配原理。

在正则表达式 “.*” 中，点号可以匹配任何字符，*表示可以匹配的字符串长度没有限制，所以 .* 在匹配过程结束以前，每遇到一个字符（除去无法匹配的 \n），.*都可以匹配，但是遇到第一个 " 时，到底是匹配这个字符还是忽略它，还是将其交给之后的 " 来匹配呢？

答案是，具体选择取决于所使用的量词。在正则表达式中的量词分为几类，之前介绍的量词都可以归到一类，叫做匹配优先量词（贪婪量词）。匹配优先量词，顾名思义，就是在拿不准是否要匹配的时候，优先尝试匹配，并且记下这个状态，以备将来“反悔”。

来看表达式“.*”对字符串“quoted string”的匹配过程。一开始， “ 匹配 “ ，然后轮到字符q，.*可以匹配它，也可以不匹配，因为使用了匹配优先量词，所以.*先匹配q，并且记录下这个状态「q也可能是.*不应该匹配的」；接下来是字符u，.*可以匹配它，也可以不匹配，因为使用了匹配优先量词，所以.*先匹配u，并且记录下这个状态『u也可能是.*不应该匹配的』； .......现在轮到了字符g，.*可以匹配它，也可以不匹配，因为使用了匹配优先量词，所以 .*先匹配g，并且记录下这个状态『g也可能是.*不应该匹配的』。最后是末尾的"，.*可以匹配它，也可以不匹配，因为使用了匹配优先量词，所以.*先匹配 “，并且记录下这个状态『'也可能是.*不应该匹配的』。这时候，字符串之后已经没有字符了，但正则表达式中还有 ” 没有匹配，所以只能查询之前保存备用的状态，看看能不能退回几步，照顾 " 的匹配。查询到最近保存的状态是：「"也可能是.*不应该匹配的」。于是让.* 反悔对 " 的匹配，把 " 交给 “ ，测试发现正好能匹配，所以整个匹配宣告成功。这个反悔的过程，专业术语叫做回溯（backtracking）。

忽略优先量词

比如，用一个正则表达式匹配下面这段HTML源代码：

<scripttype="text/javascript">
alert("somepunctuation<>/");
</script>

开头和结尾的tag都容易匹配，中间的代码要比较麻烦，因为点号. 不能匹配换行符，所以必须使用[\s\S]，[\d\D]或者[\w\W]。

<scripttype="text/javascript">[\s\S]*</script>

这个表达式确实可以匹配上面的Javascript代码。但是如果遇到更复杂的情况就会出错，比如针对下面这段HTML代码：

<scripttype="text/javascript">
alert("1");
</script>
<br/>
<scripttype="text/javascript">
alert("2");
</script>

如果用上面的表达式来匹配这段HTML代码，会一次性匹配两段Javascript代码，甚至包含之间的非Javascript代码。按照匹配原理，[\s\S]＊先匹配所有的文本，回溯时交还最后的</script>，整个表达式的匹配就成功了，逻辑就是如此，无可改进。而且，这个问题也不能模仿之前双引号字符串匹配，用[^"]*区配<script...>和</script>之间的代码，因为排除型字符组只能排除单个字符，[^</script>]不能表示“不是</script>的字符串”。

换个角度来看，通过改变[\s\S]*的匹配策略解决问题：在不确定是否要匹配的场合，先尝试不匹配的选择，测试正则表达式中后面的元素，如果失败，再退回来尝试 [\s\S]* 匹配，如此就没有问题了。循着这个思路，正则表达式中还提供了忽略优先量词（lazy quantifier 或 reluctant quantifier，也就有翻译为懒惰量词），如果不确定是否要匹配，忽略优先量词会选择“不匹配”的状态，再尝试表达式中之后的元素，如果尝试失败，再回溯，选择之前保存的“匹配”的状态。

对[\s\S]*来说，把*改为*?就是使用了忽略优先量词，*?限定的元素出现次数范围与*完全一样，都表示“可能出现，也可能不出现，出现次数没有上限”。区别在于，在实际匹配过程中，遇到[\s\S]能匹配的字符，先尝试“忽略”，如果后面的元素（具体到这个表达式中，是</script>）不能匹配，再尝试匹配，这样就保证了结果的正确性，示例如下：

//忽略优先量词
Stringtext="<scripttype=\"text/javascript\">"+
"alert(\"1\")"+
"</script>"+
"<br/>"+
"<scripttype=\"text/javascript\">"+
"alert(\"2\")"+
"</script>";
Patternp=Pattern.compile("<scripttype=\"text/javascript\">[\\s\\S]*?</script>");
Matcherm=p.matcher(text);
while(m.find()){
System.out.println(m.group());
}

表：匹配优先量词与忽略优先量词

匹配优先量词	忽略优先量词	限定次数
*	*?	可能不出现，也可能出现，出现次数没有上限
+	+?	至少出现1次，出现次数没有上限
?	??	至多出现1次，也可能不出现
出现次数最少为m次，最多为n次
出现次数最少为m次，没有上限
可能不出现，也可能出现，最多出现n次

从上表可以看到，匹配优先量词与忽略优先量词逐一对应，只是在对应的匹配优先量词之后添加?，两者限定的元素能出现的次数也一样，遇到不能匹配的情况同样需要回溯； 唯一的区别在于，忽略优先量词会优先选择“忽略”，而匹配优先量词会优先选择“匹配”。

转义

前面讲解了匹配优先量词和忽略优先量词，现在介绍量词的转义。在正则表达式中，*，+，?等作为量词的字符具有特殊意义，但有些情况下只希望表示这些字符本身，此时就必须使用转义，也就是在它们之前添加反斜线 \ 。

对常用量词所使用的字符+，＊，? 来说，如果希望表示这三个字符本身，直接添加反斜线，变为 \+，\*，\? 即可。但是在一般形式的量词{m,n}中，虽然具有特殊含义的字符不止一个，转义时却只需要给第一个 { 添加反斜线即可，也就是说，如果希望匹配字符串{m,n}，正则表达式必须写成 \{m,n} 。

另外值得一提的是忽略优先量词的转义，虽然忽略优先量词也包含不只一个字符，但是在转义时却不像一般形式的量词那样，只转义第一个字符即可，而需要将两个量词全部转义。举例来说，如果要匹配字符串 *?，正则表达式就必须写作 \*\? ，而不是 \*? ，因为后者的意思是“*这个字符可能出现，也可能不出现”。各种量词的转义如下：

转义形式
{n}	\{n}
\{m,n}
\{0,0);">*	\*
\+
\?
*?	\*\?
+?	\+\?
??	\?\?

之前还介绍了点号 . ，所以还必须讲解点号的转义：点号（.）是一个元字符，它可以匹配除换行符之外的任何字符，所以如果只想匹配点号本身，必须将它转义为 \. 。因为未转义的点号可以匹配任何字符，其中也可以包含点号，所以经常有人忽略了对点号的转义。

原文地址：https://www.jb51.cc/regex/360829.html