本文正在参加「金石计划 . 瓜分6万现金大奖」
王志远，微医前端技术部
前言
正则其实就是规则的设定，用于验证或者获取信息。匹配动作最粗暴的无疑是一一对应，a 对 a，b 对 b，这个规则就是完全一样才匹配，但这无疑太低效；而正则中的处理方式就是设定子规则，让某些符号不再代表本身，而是代表一些子规则，就像搭建大楼，我们希望找到自己想要的规则，就得用合适的最小砖块，再设定使用量，就搭建完成了。
这个子规则，就是元字符，如我们常见的\d，代表单个 0-1 数字，\s就是换行指标等空白字符；需要注意的是，我们刚刚一直在强调单个，这其实也很好理解，对于文本而言，最小单元自然是单个字符，有了最小单元，我们再加上重复规模，就可以搭建我们自己的大楼了。
元字符
那我们先来了解元字符，有四个维度，分别是【字符组】、【取反字符组】、【常用字符组】、【空白字符】，可以记忆为 【3 + 1】
量词
理解了字符组，我们就要了解规模了，这在正则中有个术语 --- 量词还是【3+1】
量词匹配模式
量词还涉及到模式问题，因为量词有范围，这就意味着可取多可取少，但计算机是不允许有歧义的，所以量词存在三种模式
正则匹配模式
既然量词有模式，正则本身自然也有模式，针对【大小写、多行、点通配、备注】情况，存在【3+1】种模式
断言
就像定位，不止需要本身的绝对信息，还需要看他的相对位置信息，这个信息在正则中叫断言，存在三种情况，【行首尾、单词边界和环视】，其中环视又存在前后是不是四种情况
编程
到此我们才大致理解了元字符。
就像编程语言，我们有了零碎的物料是不够的，还需要逻辑，在正则中存在分支语句|
也存在提升优先级的分组，也即小括号，重点在两个：整体化和复用；
使用也是两点：编号和命名；
- 编号的定义很简单，就是数第几个左括号，编号就是几；使用在正则中是
\编号，js 中使用是$编号 - 命名的定义则是用
(?<name>)的形式，其中 name 是变量名；正则中访问使用\k<name>，方法中访问使用$<name>
口诀彩蛋
3 + 1 元字符
3 + 1 常用元字符
3 + 1 量词
3 量词匹配模式
3 + 1 正则匹配模式
3-4 断言
2+2 编程
正则历史小知识
关于正则的历史
真正起源于神经网络
20 世纪 40 年代，两位神经生理学家研究出了一种用数学方式描述神经网络的方法，并以此在 1956 年发表了一篇论文《正则表达式搜索算法》，主要描述了一种叫做**正则集合（Regular Sets）**的符合。
在计算机世界大放异彩
UNIX 之父在十年后的 1968 年，发表文章《正则表达式搜索算法》，并将正则移植到了大名鼎鼎的文本搜索工具grep中。
标准化历程
POSIX 流派
1986 年出现的 POSIX 做出了很多规范，定义了 Unix 操作系统应当支持的功能，其中包含正则表达式的规范。
这就意味着 Unix 派系系统上大部分工具的正则都遵循这个标准，称为POSIX流派。
PCRE 流派
一年后，即 1987 年 12 月，Larry Wall 发布了Perl语言第一版，但其语言有着另一套正则标准，在细节上有很大差别，Perl语言走红所带来的的影响就是出现了另一个流派PCRE --- Perl 兼容正则表达式（Perl Compatible Regular Expressions）
接下来，我们分别了解下这两个流派的具体。
流派分析
POSIX 流派
这个流派的主要适用方为 LINUX 派系，posix 流派自身存在两种标准：
- BRE 标准（Basic Regular Expression 基本正则表达式）
- ERE 标准（Extended Regular Expression 扩展正则表达式）
而 linux 发行版大多继承了 GNU 套件，GNU 在实现 POSIX 标准时，做了一定的扩展。那就存在了三方：BRE 标准、ERE 标准和 GNU 实现，这三者之间的关系如下图
此外，POSIX 流派还有自己独有的字符组
PCRE 流派
目前大多数编程语言都是基于此标准，参考我们自己在语言中的使用即可。需要注意的是兼容问题，每个语言或工具都有这自己对标准的实现，分为直接兼容和间接兼容。
**直接兼容：**PCRE 流派中与 Perl 正则表达式直接兼容的语言或工具。比如 Perl、PHP preg、PCRE 库等，一般称之为 Perl 系。
**间接兼容：**比如 Java 系（包括 Java、Groovy、Scala 等）、Python 系（包括 Python2 和 Python3）、JavaScript 系（包括原生 JavaScript 和扩展库 XRegExp）、.Net 系（包括 C#、VB.Net 等）等。
特有的 POSIX 流派：LINUX
PCRE 流派我们很熟悉，因为每天用到的语言中正则就是遵循这个标准，但 linux 则不同，我们需要留意下差异，避免一脸懵。
linux 功能对应正则标准梳理
在遵循 POSIX 规范的 UNIX/LINUX 系统上，按照BRE 标准实现的有 grep、sed 和 vi/vim 等，而按照 ERE 标准实现的有 egrep、awk 等等。
在 linux 中也存在PCRE流派的使用，整理如下表
其中有些工具实现了兼容标准，如grep和sed，如果使用时加上-E，就是ERE标准；如果是-P就是PCRE标准。
# ERE 标准
grep -E '[[:digit:]]+' access.log
# PCRE 标准
grep -P '\d+' access.log
linux 正则标准查询
在使用命令时，如何知道对应标准流派？使用man命令就可以进行查询啦
man [命令名]
返回结果对应如下
- -G：BRE 标准
- -E：ERE 标准
- -P：PCRE 标准
实战加深思考
关于模式引出的一个问题
如果你在 Linux 系统的一些命令行中使用正则，比如使用 grep 过滤内容的时候，你可能会发现结果非常诡异，就像下图这样，在 grep 命令中，使用正则\d+ 取不到数据，甚至在 egrep 中输出了英文字母 d 那一行。
根据上文的学习，我们搞懂了各流派的差异，以及命令实现的是哪个正则标准。在 grep 中使用 \d+ 查找不到结果，是因为 grep 属于 BRE 流派，不支持 \d 来表示数字，加号也要转义才能表示量词的一到多次，所以无法找出数字那一行。如果你一定要用 BRE 流派，可以通过使用POSIX字符组和转义字符来实现。而 egrep 属于 ERE 流派，也不支持 \d，\d 相当于字母 d，所以找到了字母那一行。
解决方案也很简单，在 grep 命令中，你可以指定参数 -P 来使用 PCRE 流派，这样就和我们之前学习到的是一致的了。知道了原因之后，你应该能写出相应的解决方法。下图是一些能工作的方法。
思考题 1
**题干：**使用下面的文本，在 Linux 中使用 grep 命令练习查找包含三个数字的行
123
1234
12345
123456
abcdef
\d
\d+
d+
可以使用如下命令
grep -P '\b\d{3}\b' [filename]
思考题 2
题干： 使用下面的文本，在 Linux 上使用 grep 命令，来查找含有 ftp、http 或 https 的行
https://time.geekbang.org
ftp://ftp.ncbi.nlm.nih.gov
www.baidu.com
www.ncbi.nlm.nih.gov
可以使用如下命令
grep -P 'ftp|https?' [filename]
