正则表达式学习小结

1、匹配纯文本
#如果要找纯文本，比如找tomcat单词，则正则表达式直接为regx=tomcat
#匹配任意字符，用“.”来表示，但只能是一个字符，类似于mysql的"_",当然也可以匹配自身这个“.”。例如regx=tomcat.
并且放前面，放后面都行，一个"."就占一个位。
#匹配特殊字符，则用\来进行转意，比如要匹配.xls结尾的字符串，regx=.a.\.xls

2、匹配一组字符：
#使用[]来定义一个集合，只能从集合中选取。例如regx=[ns]a.\.xls,还比如某个字符的大小写：regx=[Rr]eg[Ee]x
如果要匹配数字，把数字字节列举出来，太麻烦，可以这样regx=[ns]a[0-9]\.xls
除了数字外，还可以包括一下合法[A-Z]、[a-z]、[A-F]、[A-Za-z0-9]
在字符集合[]之外，"-"字符只是一个普通字符，不同于"."
#取非匹配
使用^来进行取非匹配，例如regx=[ns]a[^0-9]\.xls

3、使用元字符,这些都是元字符，使用的时候需要转义
#[]，例如array[0]，只能匹配到array0,而又如：regx=myArray\[[0-9]\]
#\,\也是元字符。
#[\b],回退（并删除）backspace键
#\f,换页符
#\n，换行符
#\r，回车符
#\t,制表符，tab键
#\v，垂直制表符。
例如，匹配空白行，regx=\r\n(windows)，regx=\n\n
#\d,任何一个数字，等价与[0-9]
#\D,任何一个非数字，等价于[^0-9]
#w,匹配任何一个字母数字（大小写均可）或下划线，等价与[a-zA-Z0-9_]
#W,和#w相反
#\s:匹配一个空白字符，等价于[\f\n\r\t\v]
#\S:和\s相反
#\x：匹配十六进制
#\t：匹配八进制

4、重复匹配
#匹配多个字符，例如regx=\w@\w\.\w，这个只能匹配a@b.c这样的形式的电子邮件，而一般的需要匹配多个字符。
“+”匹配一个或者多个字符，不匹配零个字符情况，则上面正则表达式可以写成
regx=\w+@\w+\.\w+，
当然在这里，“+”也是一个元字符。
实际上，例如ben.forta@anla，也属于一个合法的邮件地址，则最终应该写成
regx=[\w\.]+@[\w\.]+\.\w+
此时，注意，在字符集和[]里面，想.+等元素可以不转义即[\w.]和[\w\.]效果一样。
#匹配零个或者多个字符，“*”可以匹配零个或者多个字符。用法与“+”一模一样。
#匹配零个或者一个字符，“?”可以匹配。例如匹配http
regx=https?://[\w./]+，注意“/”不需要转义。
在linux和windows下通用的检测空白行则可以定义为
regx=[\r]?\n[\r]?\n
#为匹配次数设置一个精确的值可以用“{}”来进行。例如
regx=#[[:xdigit:]]{6}或者regx=#[[:xdigit:]]{3-6}
又比如匹配日期的：
regx=\d{1,2}[-\/]\d{1,2}[-\/]d{2,4}
#匹配至少出现过多少次
regx=\$\d{4,}，即把右边范围空着。
#防止过度匹配，啥意思呢？比如一个文本，
living in <b>ak</b> and <b>cd</b>，
然后正则表达式为：<[Bb]>.*</[Bb]>
实际上匹配到的结果为,<b>ak</b> and <b>cd</b>
这就叫做贪婪匹配。
常见的贪婪性元字符和他们懒惰型元字符：
贪婪：* 懒惰：*?
贪婪：+ 懒惰：+?
贪婪：{n,} 懒惰：{n,}?

5、位置匹配
#单词边界，\b来匹配一个但此的开始或者结尾，例如你想找cat的但此，你就必须前后都加上\b
regx=\bcat\b
另一方面，如果你想找单词中间有cat的，并且前后都有但此的，就用\B
\B表示不匹配一个单词边界。
#只匹配字符串的开始位置，用^来表示，例如要匹配xml文件的头，即<?xml version="1.0" encoding="UTF-8" ?>，这一段只能在页面最开始才有效，并且前面
不允许有其他字符，
regx=^\s*<\?xml.*?\?>
^表示匹配字符串的开头位置，所以^\s*，将匹配一个字符串的开头位置和随后零个或者多个空白字符，解决了xml标签最开始可以有空格情况。
#只匹配但此的结尾，用$符号，例如：匹配html结尾的
regx=</[Hh][Tt][Mm][Ll]>\s*$
#分行匹配，例如，你不仅仅想匹配字符串的开头，你还想匹配每一行的开头呢？用(?m)，这个标志只能用在整个模式的最前面
比如匹配每一行的注释：
(?m)^\s*//.*$
但是有许多正则表达式不支持这个匹配规则。

6、子表达式，用括号()扩起来，就可以把写特定字符串看作一个整体，例如html中要匹配一个或者多个空格：
regx=(&nbsp;){2,}，如果没有用括号扩起来，则后面的重复就只针对与";"了。
在子表达式中，例如有待匹配项：
1967alsdjflakdsj
1290laksdjfla
如果是19|20\d{2},这样匹配到的，就只有19,因为\d{20}，把19或20看为一个整体了，是为其服务了。也就是把\d{20}解释为20开头的表达式的一部分。
(19|20)\d{2}，这样就能狗匹配到1967
[19|20]\d{2}，这样能够匹配到190和120.

7、回溯引用匹配，首先给一个例子，假设有一段文本：
I am anla7856,you know know?
要从这一段文本中找出某个单词出现了两次。
必须要先知道但此出现了一次，才能知道其又出现了第二次。
regx=[ ]+(\w+)[ ]+ \1
[]匹配一个或者多个空格，
\w匹配一个或多个字母数字
最后一个\1，代表一个回溯引用，而它引用的正式前面的子表达式，也就是和(\w+)这个子表达式是一样的，
(\w+)是of ，那\1就是of，(\w+)是anla7856,那\1就是anla7856。
同样可以推理，\1是代表模式里的第一个子表达式，\2是代表第二个子表达式，注意计数是从1开始的。
再来一个例子，匹配html中的h标签，
regx=<[hH]([1-6])>.*?</[hH]\1>

8、前后查找 ?=
#向前查找“?=”来帮助我们查找，例如有一堆文本：
http://sldkjf
https://sdfjalfkd
ftp://
现在的目的是找出协议，但是不能带“：”,咋办，使用这样的：
regx=.+(?=:)
.+匹配任意文本，并且在:前面，而不包括，
如果是这样的.+(:)，
那最终的结果就会是http:,https:,ftp:,这就是使用但不包括的意思。
向后查找 ?<=,用法和?=大同小异，必须要在子表达式里面，并且后面要跟匹配的文本。
例如有钱列表
bed:$23
book:$23.9
fee:$43.9
如果你想得到钱数并且又不要$符号，就可以这样
regx=(?<=\$)[0-9.]+
当然可以把向前查找和向后查找结合起来，反正一个在前一个在后。
前面两种分别叫做正向前查找和正向后查找。
还有两种称为
负向前查找(?!)：查找与给定模式不相同的的文本
和负向后查找(?<!)
再给一个负向前查找的例子，有如下遗传文本：
cat weights 5kg as same as 10 apples.
让你匹配到10,而不匹配到5咋办。
regx=\b\d+(?!kg)\b
什么意思呢？\d+还是匹配数值，(?!)是负向前查找，最终是匹配哪些不以kg结尾的数值。

9、嵌入条件。注：并非所有正则表达式都支持条件处理。
语法结构是：(?(backreference)true-regex|false-regex)，其中，?表明这是一个条件，backreference是一个回溯引用，true-regex是一个backreference存在是才
会被执行的，如果不满足即不存在，就是执行false-regex
子表达式。
regx=(<[Aa]\s+[^>]+\s*>)?<[Ii][Mm][Gg]\s+[^>]+>(?(1)\s*</[Aa]>)
解释下，(<[Aa]\s+[^>]+\s*>)?将匹配一个<A>或<a>标签，以及其任意属性，并且呢，这个标签可有可无，
接下来，<[Ii][Mm][Gg]\s+[^>]+>将匹配<img>标签其任意属性，
(?(1)\s*</[Aa]>)是一个回溯条件，?(1)的含义是，如果第一个回溯引用具体就是<a>标签存在，那么\s*</[Aa]>才会继续匹配

#与前后查找相结合的条件语句。
数据：
55553
34343-
23432-3234
只想匹配第一行和第三行。
regx=\d{5}(?(?=-)-\d{4}) \d{5}匹配前5位数字，接下来(?(?=-)-\d{4})形式向前查找，如果这个条件得到满足，也就是-（连字符存在），-\d{4}将继续进行匹配。 这样一来，第二行就将排除在外。