正则表达式语法
正则表达式(regular expressions, 缩写为regexp)是由几个特殊字符和一些普通 字符组成, 一个普通就是一个简单的正则表达式,仅仅可以匹配与自己相同的字符。 而特殊字符包括 “$”,“^”, “.”, “*”, “+”, “?”,“[”, “]” 以及 “\”。除非在一个字符前面有“\”, 否则正则表达式中的出现的任何其他字符 都是普通字符,(当你在Lisp 语言的程序中使用 正则表达式的时候,每一个“\”都 必须写成两个,请看下面的例子。)
例如,“f”不是特殊字符,是普通字符,因此“f”是一个正则表达式,它仅仅 匹配“f”这个字 符串。(不匹配串“ff”。)同样“o”是一个仅仅匹配串“o”的正 则表达式。(当不区分大小 写的时候,上面提到的式子也匹配“F”和“O”,而一般 认为它们是“同样的串”,并不是例外。)
两个任意的表达式 A 和 B 可以被连接。结果是一个能够匹配以 A 开始,其余部 分是 B 的字符串的表达式。
举个简单的例子,我们将表达式“f”和“o”连接,得到表达式“fo”,它仅匹 配串“fo”,很简 单的。想做些不简单的,你需要使用特殊字符。下面为这些特殊字 符。
特殊字符
“. (Period)”
一个匹配除了换行符(newline)之外任何单个字符的特殊字符。使用连接,我们 可以得到如 “a.b”的表达式,它匹配了所有的以“a”开始,以“b”结束的三 个字符的字符串。
“*”
自身不构成表达式的部分;它是个后缀操作符,表示某个前导表达式重复任意次。 比如, “o*”匹配任意个数的“o”(包括没有“o”)。
“*”总是作用于“最少的”可能的前导表达式。于是,“fo*”中,认为“o”是 的重复, 而不是“fo”,匹配形如“f”, “fo”, “foo”的串等等。
匹配程序以迅速的、尽可能多的找到重复部分来处理一个带“*”的结构。然后继 续其他部分 的处理。如果失败了,为了使剩余的部分能够尽可能的匹配,匹配程 序会回退,放弃一些 由“*”匹配的结构。例如,在使用“ca*ar”来匹配串 “caaar”时,“a*”首先试图匹配全部的三 个“a”;但余下的部分是“ar”并 且仅有“r”没被匹配,因此这次试图匹配失败。接着选择是 用“a*”来匹配两个 “a”,并且匹配成功。
“+”
是一个和“*”相似的后缀操作符,它匹配前导表达式至少一次的出现。例如, “ca+r”匹配串 “car”和“caaaar”,不匹配“cr”,然而“ca*r”可以匹配这 三个串。
“?”
也是一个和“*”相似的操作符,它匹配前导表达式至多一次的出现。例如, “ca?r”仅仅匹配 “car”或“cr”。
“*?, +?, ??”
是前面几个个操作符的非贪心(non-greedy)的变体。正常的“*”, “+”, “?” 操作符是“贪 心的(greedy)”,只要总体上能够匹配,这些操作符总是尽可能多 的匹配。当有一个紧跟着 的“?”,就是是非贪心的了:将尽可能少的匹配。
“ab*”和“ab*?”都能匹配串“a”和“abbbb”;但如果你试图用它们来匹配 “abbb”时,“ab*”将 匹配全部(最长有效匹配),而“ab*?”将仅仅匹配“a” (最短有效匹配)。
“\{N\}”
指定重复次数为 N 的后缀操作符,一个前导表达式必须恰好匹配了 N 次。例如“x\{4\}”仅 仅匹配串“xxxx”。
“\{N,M\}”
指定重复次数在N和M之间的后缀操作符,就是说它的前导表达式的匹配次数至少 N 次但不 能超过 M 次。如果省略 M,表示没有上限,但它的前导表达式至少匹配 N 次。“\{0,1\}” 等同于“?”。“\{0,\}”等同于“*”。“\{1,\}”等同于 “+”。
“[ ... ]”
字符集,以“[”开始以“]”结束。最简单的例子,在两个方括号中间的字符就 是这个集合所 能匹配的全部。
所以,“[ad]”仅匹配一个“a”或一个“d”,“[ad]*”匹配所有仅由“a”和 “d”构成的串(包括空 串)。“c[ad]*r”匹配“cr”,“car”, “cdr”, “caddaar”,等等。
也可以用一个“-”放在一个开始字符和一个结束字符的中间来在字符集中包含这 个范围。 “[a-z]”匹配所有小写 ASCII 字母。范围可以和单独的字符自由的组 合在一起,比如 “[a-z\(%.]”,匹配了任意的小写字母,或“\)”,“%”,以及 “.”。
注意,通常在字符集中的特殊字符不再特殊。而在字符集中的“]”,“-”和 “^”却不这样。
如果想在集中包括“]”,必须把它作为字符集中的第一个字符。例如,“[]a]” 匹配“]”或“a”。 想包括“-”,它要是字符集中的第一个或最后一个字符。 或者放在一个范围的后面。如 “[]-]”匹配“]”和“-”。
如果想在集包括字符“^”,它可以在除第一个位置以外的任何地方。(在开始 位置,它会把 这个字符集取补——看下面。)
当不区分大小写使用范围时,表示范围的两个字符或者都是大写、或者都是小写、 或者都 不是字母。混合大小写的范围如“A-z”有点错误定义的意思,在将来的 Emacs 中这个可能会 被改变。
“[^ ... ]”
“[^”表示“补集合”,匹配的字符是除掉指定的字符外其他所有的字符。如,“[^a-z0-9A-Z]” 匹配除掉ASCII字母和数字的所有字符。
当“^”在字符集中第一个时,被看作是特殊字符。而跟在“^”后面的字符被看 作是第一个字 符(就是说,此处的“-”和“]”将不是特殊的)。
一个补集合可以匹配换行符,除非换行符被指定为补集合中的一个字符。这不同 于某些象 “grep”的程序对正则表达式的处理。
“^”
仅仅匹配在文本中行首的那个空串的特殊字符。就是说,“^foo”匹配在行首的 “foo”。
“$”
和“^”相似,但仅匹配行尾的空串。因此“x+$”匹配在行尾的一个或多个“x” 的串。
“\”
有两个作用:引用特殊字符(包括“\”);产生附加的特殊结构。因为“\”引用特殊字符, “\\(”是一个仅匹配“\)”的表达式,“\[”是一个仅 匹配“[”的表达式,等等。
关于反斜线
注意:为兼容性考虑,特殊字符,如果在其没有意义的上下文中,将被当作普通 字符。比 如:“*foo”中把“*”当作普通字符,因为在它前面没有可以作用的前导表 达式。很少有人会 根据这条规则去实践;无论如何,在任何地方都加上引用会更好些。对于大多数情况,“\” 后接任何字符仅仅匹配那个字符。然而,有几个例外: 以“\”开始的两字符序列会有特殊的 意思。其中的第二个字符往往是普通字符。下 面是“\”的结构表。
“\|”
指定一个选择。中间有一个“\|”的两个正则表达式 A 和 B,形成了一个可以匹 配 A 或B 的文本。它首先试图用 A 匹配,如果失败再用 B 去试。
由此,“foo\|bar”仅匹配“foo”或“bar”。
“\|”作用于两边最长的可能的表达式。仅由“\( ... \)”括起来才可以限制 “\|”的分组能 力。
Emacs 有全面的回退功能,以处理“\|”的多种的用途。
“\( ... \)”
分组结构,有三个功能:
围住“\|”的选择项,以实现别的操作。例如“\(foo\|bar\)x”匹配 “foox”或“barx”。
围住复杂的表达式以实现后缀操作符(如“*”“+”和“?”)的操作。例如“ba\(na\)*”匹配如 “bananana”等,有任意个(零或更多)的“na”串。记录一个已匹配的子串用作后面的参考引 用。
最后一个应用并不是括号的分组功能思想的结果;这个分开的特点是给同样的 “\( ... \)” 结构赋予的第二种含义。在实际应用中,这两种含义通常不会发生 冲突。当发生冲突的时 候,可以使用“谨慎的”分组("shy" group)。
“\(?: ... \)”
“谨慎的”分组("shy" group),这个分组不记录匹配的子串;你不能用“\D”来 引用。这在机 械的结合正则表达式的时候有用,这样,你可以为语法目的加入分 组,而不用干涉使用者 写的分组的个数。
“\D”
匹配和“\( ... \)”结构第 D 次出现时所匹配的同样的文本。在“\( ... \)”结构结束之后, 匹配程序保存被这个结构匹配的文本(的开始和 结束);之后的正则表达式中,你可以使 用“\”跟着一个数字 D 来表示“匹配 和‘\( ... \)’结构第 D 次出现时所匹配的同样的文本。”
正则表达式中前九个出现的“\( ... \)”结构,按正则表达式中左括号出现的次 序从 1到 9 赋值。因此可以用“\1”到“\9”来引用相应的“\( ... \)”结构。
例如,“\(.*\)\1”匹配任何有完全相同的两部分而无换行符的串。“\(.*\)” 匹配前一半, 可以是任意的串,“\1”匹配后面的,但必须和前面的完全相同。
如果一个特定的“\( ... \)”结构匹配了多次(比如后面有一个“*”,这很显 然),那么仅 记录最后一次的匹配。
“\`”
匹配空串,但仅是接在缓冲区的开始处的。
“\'”
匹配空串,但仅是接在缓冲区的尾部的。
“\=”
匹配空串,但仅在“点(point)”处的。
“\b”
匹配空串,但仅在一个词的开始或者结尾的。例如,“\bfoo\b”匹配任何作为单 独的词出现 的“foo”。“\bballs?\b”匹配作为单独的词出现的“ball”或 “balls”。
在缓冲区的开始和结束位置时,“\b”不考虑紧接其前的文本是什么。
“\B”
匹配空串,但不在词的开始或结尾处。
“\<”
匹配空串,但仅在词的开始处。仅当一个构成词的字符在缓冲区开始处时“\<” 匹配缓冲区 开始处的空串。
“\>”
匹配空串,但仅在词的结尾处。仅当缓冲区尾部有构成词的字符时“\>”匹配缓 冲区尾部的 空串。
“\w”
匹配任何构成词的字符。由语法表决定这些字符是什么。
“\W”
匹配任何非构成词的字符。
“\sC”
匹配任何语法是 C 的字符。这里 C 是一个指定特定语法类的字符:如“w”为词 的构成字符, “-”或“ ”为空白,“.”为普通标点符号,等等。
“\SC”
匹配任何字符不属于语法 C。
“\cC”
匹配任何属于种类 C 的字符。例如,“\cc”匹配汉字,“\cg”匹配希腊字符等。 如果想 了解已知种类,用“M-x describe-categories ”。
“\CC”
匹配所有不属于种类C的字符。 属于词和语法的结构是由语法表的设置来控制的。
例
下面是一个复杂的正则表达式,存储在“sentence-end”,Emacs 将其用于识 别句子的结束 以及后面的任何空白。其中以 Lisp 语法区分了空白符和制表符。在 Lisp 语法中,串常量 用双引号括起来。“\"”表示双引号是表达式的一部分, “\\”表示反斜扛是表达式的一部分, “\t”表示制表符,“\n”表示换行。
"[.?!][]\"')]*\\($\\| $\\|\t\\| \\)[ \t\n]*"
其中包含四个连续的部分:匹配句号(“.”)、“?”或“!”的字符集;匹配右方括 号、右(单/双)引 号的字符集的任意次重复的部分;在“反斜线括号”部分中,匹配 行尾、行尾空白、制表符 或两个空格的可选集合;以及一个任意次匹配空白的字符 集。
在增量搜索中,要用 输入制表符,“C-j”输入换行符。也可以使用单 独的反斜线,不用象 Lisp 串中那样写成两个。