作者：開心石頭
正則表達式廣泛出現在UNIX/Linux相關的各種領域和多種編程語言里。從常見的shell命令到大名鼎鼎的Perl語言再到當前非常流行的PHP，它都扮演著一個重要的角色。甚至windows的命令行控制臺也支持正則表達式。如果你是一個Linux服務器管理員，你經常會在一些服務器的設置腳本里看到它。
可以說，它是學好Linux/UNIX必需掌握的一個知識點，否則你連Linux的啟動腳本都讀不懂。偏偏它又的確有點晦澀難懂，而且相關的資料又大部分是英文，更為它的學習增加了幾多困難。即使有些中文的翻譯資料，不同的譯者對一些術語的譯法也五花八門，讀著讓人平添困惑。為此，我決定為它寫一個簡明教程，盡量可以覆蓋正則表達式涉及到的各主要概念。
我并不想把本文寫成一本詳細的正則表達式語法手冊，事實上，這些手冊已經存在了，不過讀起來比較難懂。我希望的是在完成本教程后，你可以比較輕松的讀懂各種工具的正則表達式語法手冊并可以迅速上手，不過要用好正則表達式，可不是一篇短短的教程可以解決的，那是無數實踐練習的結果。但是，本文的最后一部分對于正則表達式的編寫提出了一些原則性的建議，學習一下這些正則表達式應用先驅者的經驗會讓我們在今后的實踐中少走一些彎路。
正則表達式是英文“regular expressions”的譯文，它的產生據說可以追溯到“神經網絡”等比較高深的理論。那么什么是正則表達式呢?
正則表達式是從左向右去匹配目標字符串的一組模式。大多數字符在模式中表示它們自身并匹配目標中相應的字符。舉個最簡單的例子，模式“The quick brown fox”匹配了目標字符串中與其完全相同的一部分。
前面已經提過，正則表達式被許多植根于UNIX/Linux的工具采用，可是這些工具的正則表達式語法并不完全相同，它們中的一些對正則表達式語法的擴展并不被其它工具識別，這也為正則表達式的使用增加了難度。因此，當你在一個具體的環境中使用正則表達式時，你還要先看一下目標環境支持的語法范圍，以確保你的正則表達式被正確的解析。
在本文中列舉的例子里，我們用正斜線“/”做為模式的定界符(delimiter)，一個模式用下面這種格式表示:
本文將較詳細的闡明下面這些正則表達式概念：模式修正符（modifier），元字符（Meta-characters），子模式（subpatterns）與逆向引用（Back references），重復（Repetition）和量詞（quantifiers），斷言（Assertions），注釋，正則表達式中的遞歸，最后我介紹一款方便學習正則表達式的工具并介紹一些正則表達式編寫的思路。
正則表達式的模式修正符(modifier)
正則表達式的模式修正符主要用來限定模式與目標字符串的匹配方式，例如是否需要大小寫敏感的匹配，是單行模式還是多行模式。修正符中的空格和換行被忽略，其它字符會導致錯誤。下面列舉一些常見的模式修正符。注意，模式修正符是區分大小寫的。
i:非大小寫敏感模式，:如果設定此修正符，模式中的字符將同時匹配大小寫字母。
m:多行模式，當設定了此修正符，“行起始”和“行結束”除了匹配整個字符串開頭和結束外，還分別匹配其中的換行符的之后和之前。
s:單行模式，如果設定了此修正符，模式中的圓點元字符(.)匹配所有的字符，包括換行符。沒有此設定的話，則不包括換行符。
對于多行模式和單行模式，一個容易讓初學者迷惑的地方是這兩者并不向字面上那樣是互斥的。事實上，它們只是分別定義了英文句點(.)、音調符(^)和美元符($)這三個元字符的匹配方式，因此，單行模式與多行模式的修正符可以同時使用。
x:如果設定了此修正符，模式中的空白字符除了被轉義的或在字符類中的以外完全被忽略，在未轉義的字符類之外的 # 以及下一個換行符之間的所有字符，包括兩頭，也都被忽略。它使得可以在復雜的模式中加入注釋。我們會在后面的部分更詳細的講解正則表達中的注釋。
模式修正符還有很多，這里不再一一列舉。我們會結合后面的內容介紹一些其它的模式修正符。不同的工具也可以添加自己的模式修正符，不過上面幾最為常見。
模式修正符通常跟在模式定義結束符的后面，例如下面例子中模式最后的“i”字符。/[A-Z]+(abc|xyz)*/i，這時此修正符會對整個匹配模式起作用。模式修正符也可以在模式內部通過包含在 "(?" 和 ")" 之間的修正符字母序列來實現。例如，(?im) 設定了不區分大小寫，多行模式。也可以通過在字母前加上減號來取消這些選項。例如組合的選項 (?im-s)，設定了不區分大小寫和多行模式，并取消了單行模式。如果一個字母在減號之前與之后都出現了，則該選項被取消設定。
注意，如果(?im-s)出現在一個子模式內(被另一對小括號包含)會把模式修正符的作用局限在該子模式中。
正則表達式的元字符（Meta-characters）
正則表達式的威力在于其能夠在模式中包含選擇和循環。它們通過使用元字符來編碼在模式中，元字符不代表其自身，它們用一些特殊的方式來解析。
有兩組不同的元字符:一種是模式中除了方括號內都能被識別的，還有一種是在方括號內被識別的。如果想在模式里包含一個元字符本身，就需要用到轉義符號，正則表達式常用反斜線“\”作為轉義字符使用，為了匹配“\”本身，你需要輸入兩個“\”，向這樣“\\”。當然，這個符號本身也是一個元字符。
方括號之外的元字符有這些:
\
有數種用途的通用轉義符
^
斷言目標的開頭(或在多行模式下行的開頭，即緊隨一換行符之后)
$
斷言目標的結尾(或在多行模式下行的結尾，即緊隨一換行符之前)
.
匹配除了換行符外的任意一個字符(默認情況下)
[
字符類定義開始
]
字符類定義結束
|
開始一個多選一的分支
(
子模式開始
)
子模式結束
?
擴展 ( 的含義，我們已經在介紹模式修正符里看到過它的使用。它也可以是 0 或 1 數量限定符，以及數量限定符最小值
*
匹配 0 個或多個的數量限定符
+
匹配 1 個或多個的數量限定符
{
最少/最多數量限定開始
}
最少/最多數量限定結束
模式中方括號內的部分稱為“字符類”。字符類中可用的元字符為:
\
通用轉義字符
^
排除字符類，但僅當其為第一個字符時有效
-
指出字符范圍
在這里，最值得一提是“\”這個元字符。之所以重點對它進行講解是因為這一個元字符有多種不同的用法，在不同情況下代表不同的含義，而且使用頻率非常高，是個很容易讓人迷惑的地方。
第一種用法前面我們已經提過，是作為通用轉義字符使用，如果其后跟著一個非字母數字字符，則取消該字符可能具有的任何特殊含義。此種將反斜線用作轉義字符的用法適用于無論是字符類之中還是之外。例如“\\”代表一個單獨的反斜線“\”。
第二種用途提供了一種在模式中以可見方式去編碼不可打印字符的方法。模式中完全可以包括不可打印字符，除了代表模式結束的二進制零，例如，可以用“\a”代表alarm，即 BEL 字符(0x07)，或用“\cx”代表"control-x"，其中 x 是任意字符。當然，這種方法表示的不一定非得是不可打印字符，實際上，可以用“\xhh(十六進制代碼為 hh 的字符)”和“\ddd(八進制代碼為 ddd 的字符)”來以編碼的形式表達任何單字節字符，例如“\040”可以用來表示空格。
反斜線的第三個用法是指定通用字符類型，這些字符類型序列可以出現在字符類之中和之外。每一個匹配相應類型中的一個字符。如果當前匹配點在目標字符串的結尾，以上所有匹配都失敗，因為沒有字符可供匹配。有以下這些常見的通用字符類:
\d 任一十進制數字
\D任一非十進制數的字符
\s任一空白字符
\S任一非空白字符
\w任一“字”的字符
\W任一“非字”的字符
反斜線的第四個用法是某些簡單的斷言，關于斷言的討論我們放在后面，這里先不加討論。
反斜線的最后一個用法是逆向引用。關于逆向引用，我們會在后面討論逆向引用的部分來做進一步的討論。
我們已經看到，反斜線的眾多用法，其中一些涉及到了以后才講的內容。我們在模式中遇到反斜線時一定要注意它具體是哪一種用途以免疑惑。
另外兩個方括號也是非常重要的元字符，左方括號開始了一個字符類，右方括號結束之。單獨一個右方括號不是特殊字符。字符類匹配目標中的一個字符，該字符必須是字符類定義的字符集中的一個;除非字符類中的第一個字符是音調符(^)，此情況下目標字符必須不在字符類定義的字符集中。如果在字符類中需要音調符本身，則其必須不是第一個字符，或用反斜線轉義。例如，[^A-Z]表式非大寫字符。
其它元字符我們會在以后的文章中結合相關內容介紹。
未完待續