正则表达式语法

以下正则表达式说明部分基于 Henry Spencer 创建的 REGEXP 库文档。Sally 使用此库匹配正则表达式。

基本正则表达式语法

'^'——位于表达式开头时匹配行首，例如 '^test' 匹配位于行首的 'test' 字符串
'$'——位于表达式末尾时匹配行尾
'.'——匹配任意单个字符，例如 'do.' 匹配 'dog'、'dot'、'doe'，'d..r' 匹配 'door'、'deer' 等
'*'——位于表达式后时，匹配其 0 次或更多次出现。例如 'ad*' 匹配 'a'、'ad' 和 'add'，即 'a' 后跟任意数量的 'd'
'+' — 放在表达式后，匹配该表达式出现 1 次或多次的情况（例如，'do+' 匹配 'do' 和 'doo'，即 'd' 后跟至少一个 'o'）。
'?' — 放在表达式后，匹配该表达式出现 0 次或 1 次的情况（例如，'add?' 匹配 'ad' 和 'add'，即 'ad' 后可跟一个 'd'）。
'|' — 放在表达式之间，匹配第一个、第二个等任一表达式（例如，'red|blue|black' 匹配 'red'、'blue' 和 'black'，即这些单词中的任意一个）。
'[ ]' — 方括号中的字符匹配其中列出的任意单个字符，不匹配其他字符（例如，'a[dts]' 匹配 'ad'、'at' 和 'as'，即 'a' 后跟 'd'、't' 或 's'）。
'[^ ]' — 匹配未在方括号内列出的任意单个字符（例如，'[^abc]' 匹配除 'a'、'b' 和 'c' 以外的任意字符）。
'[-]' — 表示字符范围（例如，'1[0-9]' 匹配 '10' 到 '19' 范围内的所有数字）。
'( )' — 将括号内的表达式组合为一个表达式（例如，'(very )*well' 匹配 'well'、'very well' 和 'very very well'，即任意个 'very ' 后跟 'well'）。
'\' — 放在任意字符前，匹配该字符本身（例如，'too\.' 仅匹配 'too.'；注意，'too.' 则匹配 'tool'、'took' 和 'toon'，即 'too' 后跟任意字符）。

正则表达式语法

正则表达式由零个或多个用 '|' 分隔的分支组成。只要与其中一个分支匹配，就与该正则表达式匹配。

分支由零个或多个片段连接而成。它依次匹配第一个片段、第二个片段，依此类推。

片段是一个原子，后面可跟 '*'、'+' 或 '?'。原子后跟 '*' 时，匹配该原子出现 0 次或多次的序列；后跟 '+' 时，匹配出现 1 次或多次的序列；后跟 '?' 时，匹配该原子一次或匹配空字符串。

原子可以是括号中的正则表达式（匹配该正则表达式所匹配的内容）、范围（见下文）、'.'（匹配任意单个字符）、'^'（匹配行首的空字符串）、'$'（匹配行尾的空字符串）、'\' 后跟单个字符（匹配该字符），或没有其他特殊含义的单个字符（匹配该字符本身）。

范围是用 '[]' 括起的字符序列。通常匹配序列中的任意单个字符。如果序列以 '^' 开头，则匹配未出现在其余序列中的任意单个字符。如果序列中的两个字符用 '-' 分隔，则表示这两个字符之间的所有 ASCII 字符（例如，'[0-9]' 匹配任意十进制数字）。要在序列中包含字面字符 ']'，请将它放在首位（如有 '^'，则放在其后）。要包含字面字符 '-'，请将它放在首位或末位。

歧义

如果正则表达式可以匹配文本中的两个不同部分，则选择起始位置最靠前的部分。如果两者起始位置相同，但匹配长度不同，或长度相同而匹配方式不同，情况就较复杂，具体规则如下。

通常，分支列表按从左到右的顺序尝试；'*'、'+' 和 '?' 优先尝试最长的匹配；嵌套结构从最外层向内处理；连接的结构优先处理最左侧。最终选择使用最早可行选项的匹配。

例如，'(ab|a)b*c' 可以通过两种方式匹配 'abc'。首先要在 'ab' 和 'a' 之间选择；由于 'ab' 排在前面，并且能使整个表达式匹配成功，因此选择它。由于 'b' 已被匹配，'b*' 必须遵循前面的选择，只能采用最后一种可能，即空字符串。

在不含 '|' 且只有一个 '*'、'+' 或 '?' 的特殊情况下，最终会选择尽可能长的匹配。因此，'ab*' 匹配 'xabbbby' 时会得到 'abbbb'。注意，如果用 'ab*' 匹配 'xabyabbbz'，根据起始位置最靠前的规则，会匹配紧接 'x' 后的 'ab'。