2019独角兽企业重金招聘Python工程师标准>>>

分组

小括号（以下称为括号）可以提供的第一个功能就是分组（grouping）。
通过之前的学习，可以知道量词用于限定之前元素的出现次数，这个元素可能是一个字符，也可能是一个字符组，还可能是一个表达式。如果把一个表达式用括号包围起来，就形成了括号内的表达式，而这种表达式通常被称为“子表达式”。
换句话说，子表达式就是利用括号分组功能形成的表达式。
比如，(ab)+表示希望字符串ab重复出现一次以上。（对比ab+的含义）
分组的作用是可以准确表达“长度只能是m或 n”的语义。
分组功能使用场景：

身份证号码的准确匹配 -- ^[1-9]\d{14}(\d{2}[0-9x])?$
Open tag的（较）准确匹配 -- ^<[^/]([^>]*[^/])?>$
Web 服务中的 URL rewrite 功能 -- 略
E-mail地址匹配 -- ^[-\w]{0,64}@([-a-zA-Z0-9]{1,63}\.)*[-a-zA-Z0-9]{1,63}$

上述每一项的匹配规则，以及后文中其他正则匹配规则，请自行参考《正则指引》书中说明。

多选结构

解决15和18位身份证匹配问题其实有两种思路。第一种（上面给出的正则表达式），是将18位号码多出的3位“合并”到匹配15位号码的表达式中。第二种，则是直接将15位和18位身份证号分开处理。同样还是使用括号，但使用的是括号的第二个功能，多选结构（alternative）。
多选结构的形式是(…|…)，即在括号内以竖线|分隔开多个子表达式，这些子表达式也叫做多选分支。在一个多选结构内，多选分支的数目没有限制。在匹配时，整个多选结构被视为单个元素，只要其中某个子表达式能够匹配，整个多选结构的匹配就成功。如果所有子表达式都不能匹配，则整个多选结构匹配失败。
所以，身份证号码匹配的第二种方式为：([1-9]\d{14}|[1-9]\d{14}\d{2}[0-9x])
多选结构使用场景：

匹配IP地址的一段 -- ([0-9]|[0-9]{2}|1[0-9][0-9]|2[0-4][0-9]|25[0-5])
匹配手机号 -- (0|\+86)?(13[0-9]|15[0-356]|18[025-9])\d{8}
匹配月、日、小时、分钟 -- 略
tag的准确匹配 -- <(‘[^’]*’|”[^”]*”|[^’”>])+>

关于多选结构的补充说明：

多选结构的一般表示法是(option1|option2)，一般会同时使用括号()和竖线|，但是如果没有括号，只出现竖线，仍然是正确的多选结构。在多选结构中，竖线用来分隔多选结构，而括号用来规定整个多选结构的范围，如果没有出现括号，则将整个表达式视为一个多选结构。所以ab|cd等价于(ab|cd)。推荐明确写出两端的括号，可以更加形象，也能避免一些隐晦的错误（因为竖线的优先级很低）。
多选分支并不等于字符组，虽然看起来类似字符组，如[abc]能匹配的字符串和(a|b|c)一样。从理论上讲，可以完全用多选结构来替换字符组，但这种做法不被推荐。理由：首先，[abc]比(a|b|c)简洁，字符组有范围表示法；其次，大多数情况下，[abc]比(a|b|c)的效率要高的多。反过来，多选结构不一定能对应到字符组。因为字符组的每个“分支”的长度相同，而且只能是单个字符；而多选结构的每个“分支”的长度没有限制，甚至可以是复杂的表达式，比如(abc|b+c*ab)，字符组对这种匹配完全无能为力。
字符组有排除型字符组，但多选结构却没有对应的结构来表达该语义。
多选分支的排列是有讲究的。例如，表达式(jeff|jeffrey)，用它匹配jeffrey，结果是jeff还是jeffrey呢？这个问题其实没有标准答案，大多数语言的多选结构都会按照优先选择最左侧的分支来进行匹配。
在平时使用中，如果出现多选结构，应当尽量避免多选分支中存在重复匹配，因为这样会大大增加回溯的计算量。

引用分组

括号不仅仅能把有联系的元素归拢起来并分组，还有其他作用，即使用括号之后，正则表达式会保存每个分组真正匹配的文本，等到匹配完成后，可以通过group(num)之类的方法“引用”分组在匹配时捕获的内容。其中num表示对应的编号，括号分组的编号规则是从左向右计数，从1开始。这就是括号的第三个功能，捕获分组（capturing group）。这种括号叫做捕获型括号。

一般来说，正则表达式匹配完成之后，都会得到一个表示“匹配结果”的对象，对它调用获取分组的方法，传入分组编号num，就可以得到对应分组匹配的文本。num的编号是从1开始的，不过编号为0的分组也是默认存在的，其对应整个表达式匹配的文本。
关于括号存在嵌套的问题：无论括号如何嵌套，分组的编号都是根据开括号出现顺序来计数的，开括号是从左向右起第多少个开括号，整个括号分组的编号就是多少。

引用分组是使用场景：

提取HTML中的所有超链接的地址和文本 -- <a\s+href\s*=\s*[“’]?([^”’\s]+)[“’]?>([^<]+)</a>
提取HTML中的标题相关内容 -- <head>([^<]+)</head>
提取HTML中的图片链接相关内容 -- <img\s+[^>]*?src=[‘”]?([^”’\s]+)[‘”]?[^>]*>

新手容易犯的错误：
在提取日期 2010-12-22 这个内容时，正确的正则表达式为
(\d{4})-(\d{2})-(\d{2})
而错误的表达式可能被写成
(\d){4}-(\d{2})-(\d{2})

引用分组捕获的文本，不仅仅用于数据提取，也可以用于替换。
在各种语言中都有类似substitute(pattern,replacement,string)这种形式的正则替换命令。其中replacement处可以使用引用分组，形式是\num（有些语言中为$num，下文同，本文中只写作\num），其中num为对应分组的编号。同时要明白replacement处为普通字符串，在某些语言中，需要特别指明replacement使用原生字符串才行，否则\num这种引用分组在普通字符串中会被当做不合法的转义序列处理。
另外，如果想在replacement中引用整个表达匹配的文本，不能使用\0，即便使用原生字符串也不行。一种变通策略是给整个表达式加上一对括号，之后使用\1来引用。

反向引用

反向引用（back-reference）主要用于检测重叠出现的内容，即允许在正则表达式内部引用之前的捕获分组匹配的文本。其使用形式也是\num。
反向引用的使用场景：

检查某个单词是否包含重叠出现的字母 -- ^([a-z])\1$
解析HTML代码时匹配简单tag -- <([^>]+)>[\s\S]*?</\1>
解析HTML代码时匹配复杂tag -- <([a-zA-Z0-9]+)(\s[^>]+)?>[\s\S]*?</\1>
处理中文文本 -- 略

注意：反向引用重复的是对应捕获分组匹配的文本，而不是之前的表达式，也就是说，反向引用的是由之前表达式决定的具体文本，而不是符合某种规则的未知文本。

各种引用的记法

上面说过，对分组进行引用的时候使用\num这类表示法，同时还说过，还有另外一些语言使用了不同的表示方式。如下图所示

一般情况下，我们认为$num要好于\num。原因在于，$0可以准确表示“第0个分组（也就是整个表达式匹配的文本）”，而\0则不行，因为不少语言的字符串中，\num本身可能就是一个有意义的转义序列，表示值为num的ASCII码字符，所以\0会被解释成“ASCII编码为0的字符”。

二义性问题：无论采用\num还是$num进行引用都会遇到二义性问题，如果出现了\10，它到底表示第10个捕获分组\10，还是第1个捕获分组\1之后跟着一个字符0？
各种语言的解决方式有所不同，Python和PHP中提供了特定的表示法来专门解决这类问题（细节略）。而Java、Ruby和JavaScript中则是通过制定规则来解决这类问题的：如果是一位数，则引用对应的捕获分组；如果是两位数且存在对应捕获分组时，引用对应的捕获分组，如果不存在对应的捕获分组，则引用一位数编号的捕获分组。
简单思考一下就可以发现，后面这几种语言的策略存在一个问题无法解决：如果存在编号为10的捕获分组，无法用\10表示“编号为1的捕获分组和字符0”，因为此时\10表示的必然是编号为10的捕获分组。在实际开发中，尤其是进行文本替换时有时确实会遇到这个问题，在现有的规则下是无解的。所幸的是，一般情况下，我们根本不会用到太多的捕获分组（即基本上用不到\10以上的分组）；另外，已经有越来越多的语言提供了命名分组，它可以彻底解决这个问题。

命名分组

使用数字编号来标识捕获分组存在不够直观，括号多了容易搞错序号，引用时不够方便的问题。所以，一些语言和工具提供了命名分组（named grouping），可以将它看成另一种捕获分组。
命名分组在每种语言中各有不同，此处不做展开。另外，由于历史原因和后向兼容性，即便使用了命名分组，每个命名分组同时也具有数字编号，其编号规则没有变化。

非捕获分组

前面介绍了括号的三种主要用途，需要指出的是，各种用途间不是彼此独立的，而是互相重叠的：单纯的分组可以视为“只包含一个多选分支的多选结构”；整个多选结构也会被视为单个元素，可以由单个量词限定。最重要的是，无论是否需要引用分组，只要出现了括号，正则表达式在匹配时就会把括号内的子表达式存储起来，提供引用。如果并不需要引用，保存这些信息无疑会影响正则表达式的性能；如果表达式比较复杂，要处理的文本又很多，更可能严重影响性能。
为解决这种问题，正则表达式提供了非捕获分组（non-capturing group），非捕获分组类似普通的捕获分组，只是在开括号后紧跟一个问号和冒号(?:…)，这样的括号叫做非捕获型括号。它的作用只是限定量词的作用范围，不捕获任何文本。在引用分组时，分组的编号同样会按照开括号出现的顺序从左向右递增，只是必须以捕获分组为准，非捕获分组会略过。

补充

括号的转义

括号的转义要求和括号相关的所有三个元字符(、)、|都必须转义$、$、\|。

URL Rewrite

URL Rewrite是常见web服务器都具备的功能，用来进行网址的转发。例子如下

外部访问 URL
http://www.example.com/blog/2006/12
内部实现
http://www.example.com/blog/posts.php?year=2006&month=12

这样重写的好处是隔离了外部接口和内部实现，方便修改；也有利于提供更有意义、更直观的URL。
一般来说，URL Rewrite都是使用转发规则实现的，每条转发规则对应一类URL，以正则表达式解析并提取出所有需要的信息，重组之后再转发。
学习URL Rewrite的使用可以参考当前的各类主流Web服务器的配置，此处略。

总结

本篇将《正则指引》的第三章内容进行了概括总结，下次讲解正则表达式中的断言。

参考资料

《正则指引》：余晟。

转载于:https://my.oschina.net/moooofly/blog/377757

【读书】正则指引-3-括号相关推荐

php 匹配括号的个数,php 正则匹配括号内容 PHP实现正则匹配所有括号中的内容
正则表达式:(?<=[)[^]]+ 注:以匹配中文括号中内容为例,如果匹配非中文括号,则需要在括号前增加转义符 PHP实现示例: $strSubject = "abc[111]abc[ ...
php 正则括号内容_PHP怎么实现正则匹配所有括号中的内容
PHP实现正则匹配所有括号中的内容的方法:首先创建一个PHP文件:然后输入PHP正则匹配代码,如:"preg_match_all($strPattern, $strSubject, $arr ...
php获取括号中的内容,PHP实现正则匹配所有括号中的内容
PHP实现正则匹配所有括号中的内容正则表达式:(?<=[)[^]]+ 注:以匹配中文括号中内容为例,如果匹配非中文括号,则需要在括号前增加转义符 PHP实现示例: $strSubject = ...
php 正则花括号,JS+正则取得小括号、中括号及花括号内容步骤详解
这次给大家带来JS+正则取得小括号.中括号及花括号内容步骤详解,JS+正则取得小括号.中括号及花括号内容的注意事项有哪些,下面就是实战案例,一起来看一下. JS 正则表达式获取小括号中括号花括号 ...
正则匹配英文括号( 中文括号【里面的内容封装工具类
前言日常开发中遇到的一个需求: String msg="这是一个字符串,括号在后面(这是括号里面的内容,你能把我取出来吗?),括号在前面,第二个括号(咋咋咋),第三个括号[这是中文中括号] ...
js php 正则差别,正则表达式(括号)、[中括号]、{大括号}的区别小结，正则表达式小结...
正则表达式(括号).[中括号].{大括号}的区别小结,正则表达式小结正则表达式的() [] {}有不同的意思. () 是为了提取匹配的字符串.表达式中有几个()就有几个相应的匹配字符串. (\s*) ...
正则只保留括号里的内容
场景:公司框架有一个前台导出功能,实际上是把HTML结构通过正则去掉一些没用的样式,然后由统一的工具导出. 但是不支持列表为下拉的样式,比如这种: 观察了工具:是这样的 <%@page cont ...
php 正则匹配小括号
当要匹配的字符串中存在小括号时,转义,避免当做匹配原子或者将 ( 处理成 (?:\() PS: (?:字符) 表示不捕获这个字符. // 文件名中存在多层序号,组装正则表达式时对序号的括号进行转义 ...
Java正则获取小括号中的内容_java正则表达式获取大括号小括号内容并判断数字和小数亲测可用...
获取大括号小括号内容项目开发用到了,暂做个简单记录 private static String regex = "\\{([^}]*)\\}";//匹配大括号 private s ...

【读书】正则指引-3-括号

分组