RegexBuddy—Better than a regular expression tutorial!

星号和加号重复

已经介绍了一个重复运算符或量词：问号。它告诉引擎尝试匹配前一个标记零次或一次，实际上使其成为可选的。

星号或乘号告诉引擎尝试匹配前一个标记零次或多次。加号告诉引擎尝试匹配前一个标记一次或多次。 <[A-Za-z][A-Za-z0-9]*> 匹配没有任何属性的 HTML 标记。尖括号是文字。第一个字符类匹配一个字母。第二个字符类匹配一个字母或数字。星号重复第二个字符类。由于我们使用了星号，因此即使第二个字符类没有匹配任何内容也没有关系。因此，我们的正则表达式将匹配  这样的标记。在匹配 <HTML> 时，第一个字符类将匹配 H。星号将导致第二个字符类重复三次，分别匹配 T、M 和 L。

我也可以使用 <[A-Za-z0-9]+>。我没有使用，因为此正则表达式将匹配 <1>，这不是一个有效的 HTML 标记。但是，如果您知道要搜索的字符串不包含任何此类无效标记，则此正则表达式可能就足够了。

限制重复

还有一个量词，允许您指定一个标记可以重复多少次。语法是 {min,max}，其中 min 是零或一个正整数，表示最小匹配次数，而 max 是一个等于或大于 min 的整数，表示最大匹配次数。如果存在逗号但省略了 max，则最大匹配次数为无穷大。因此，{0,1} 与 ? 相同，{0,} 与 * 相同，{1,} 与 + 相同。省略逗号和 max 告诉引擎重复标记恰好 min 次。

您可以使用 \b[1-9][0-9]{3}\b 匹配 1000 到 9999 之间的一个数字。 \b[1-9][0-9]{2,4}\b 匹配 100 到 99999 之间的一个数字。请注意使用了词边界。

小心贪婪！

假设你想使用正则表达式匹配一个 HTML 标签。你知道输入将是一个有效的 HTML 文件，所以正则表达式不需要排除任何尖括号的无效用法。如果它位于尖括号之间，它就是一个 HTML 标签。

大多数正则表达式新手会尝试使用 <.+>。当他们在像 This is a first test 这样的字符串上测试它时，他们会感到惊讶。你可能希望正则表达式匹配 ，然后在该匹配之后继续匹配 。

但它没有。正则表达式将匹配 first。显然不是我们想要的。原因是加号是贪婪的。也就是说，加号会导致正则表达式引擎尽可能多地重复前一个标记。只有当这导致整个正则表达式失败时，正则表达式引擎才会回溯。也就是说，它将返回加号，让它放弃最后一次迭代，并继续执行正则表达式的其余部分。让我们深入了解正则表达式引擎，详细了解它是如何工作的，以及为什么这会导致我们的正则表达式失败。在那之后，我将向你展示两个可能的解决方案。

与加号一样，星号和使用大括号的重复也是贪婪的。

深入了解正则表达式引擎

正则表达式中的第一个标记是 <。这是一个文字。正如我们已经知道的，它将匹配的第一个位置是字符串中的第一个 <。下一个标记是点，它匹配除换行符之外的任何字符。点被加号重复。加号是贪婪的。因此，引擎将尽可能多地重复点。点匹配 E，所以正则表达式继续尝试用点匹配下一个字符。M 被匹配，点再次被重复一次。下一个字符是 >。你现在应该看到问题了。点匹配 >，引擎继续重复点。点将匹配字符串中所有剩余的字符。当引擎到达字符串末尾后的空隙时，点失败。只有在这一点上，正则表达式引擎才会继续执行下一个标记：>。

到目前为止，<.+ 已经匹配了 first test，引擎已经到达字符串的末尾。> 在这里无法匹配。引擎记住加号重复点的次数比要求的次数多。（记住，加号要求点只匹配一次。）引擎不会承认失败，而是会回溯。它将减少加号的重复次数，然后继续尝试正则表达式的其余部分。

所以 .+ 的匹配被减少到 EM>first tes。正则表达式中的下一个标记仍然是 >。但现在字符串中的下一个字符是最后一个 t。同样，它们无法匹配，导致引擎进一步回溯。到目前为止的总匹配减少到 first te。但 > 仍然无法匹配。因此，引擎继续回溯，直到 .+ 的匹配减少到 EM>first</EM。现在，> 可以匹配字符串中的下一个字符。正则表达式中的最后一个标记已经匹配。引擎报告 first 已成功匹配。

请记住，正则表达式引擎热衷于返回匹配项。它不会继续回溯以查看是否存在其他可能的匹配项。它将报告找到的第一个有效匹配项。由于贪婪，这是最左边的最长匹配项。

懒惰而不是贪婪

解决此问题的快速方法是使加号变为懒惰而不是贪婪。懒惰量词有时也称为“非贪婪”或“勉强”。您可以在正则表达式中加号后加上问号来实现。您还可以对星号、花括号和问号本身执行相同的操作。因此，我们的示例变为 <.+?>。让我们再次查看正则表达式引擎内部。

同样，< 匹配字符串中的第一个 <。下一个标记是点，这次由懒惰加号重复。这告诉正则表达式引擎尽可能少地重复点。最少为一个。因此，引擎用 E 匹配点。要求已得到满足，引擎继续使用 > 和 M。这失败了。同样，引擎将回溯。但这一次，回溯将强制懒惰加号扩展而不是缩小其范围。因此，.+ 的匹配项扩展为 EM，引擎再次尝试继续使用 >。现在，> 已成功匹配。正则表达式中的最后一个标记已匹配。引擎报告  已成功匹配。更像这样。

懒惰的替代方案

在这种情况下，有一个比使加号变为懒惰更好的选择。我们可以使用贪婪加号和否定字符类：<[^>]+>。之所以这样做更好，是因为回溯。当使用懒惰加号时，引擎必须为它试图匹配的 HTML 标记中的每个字符回溯。当使用否定字符类时，当字符串包含有效的 HTML 代码时，根本不会发生回溯。回溯会减慢正则表达式引擎的速度。在文本编辑器中进行单次搜索时，您不会注意到差异。但是，当在您编写的脚本中的紧密循环中或在 EditPad Pro 的自定义语法着色方案中重复使用此类正则表达式时，您将节省大量的 CPU 周期。

只有 regex 指导引擎回溯。文本指导引擎不回溯，因此不会受到速度损失。但它们也不支持惰性量词。

重复 \Q…\E 转义序列

\Q…\E 序列转义一个字符字符串，将它们作为字面字符进行匹配。转义的字符被视为单个字符。如果在 \E 后放置量词，则它将只应用于最后一个字符。例如，如果将 \Q*\d+*\E+ 应用于 *\d+**\d+*，则匹配结果将是 *\d+**。只有星号被重复。Java 4 和 5 有一个 bug，导致整个 \Q…E 序列被重复，从而将整个主题字符串作为匹配结果。此问题已在 Java 6 中修复。

| 快速入门 | 教程 | 工具和语言 | 示例 | 参考 | 书籍评论 |