《精通正则表达式》第三版 1-2 量词：问号，加号，星号

ゞ浴缸里的玫瑰 2022-05-19 03:06 98阅读 0赞

上一篇：《精通正则表达式第三版》读书笔记1

# 可选项元素`？`(量词：`？`) #

## 例子1：`colou?r` ##

现在来看`color`和`colour`的匹配。他们的区别在于，后面的单词比前面的单词多一个`u`,我们可以用`colou?r`这个正则表达式来解决这个问题。元字符`?`(问号)，代表**可选项**。**把`?`加在一个字符的后面，就表示此处允许出现这个字符，也可以不出现这个字符**，这个字符的出现并非匹配成功的必要条件。  
`u?`中的`？`元字符`？`与我们之前看到的元字符都不相同，它只作用不之前紧邻的元素。因此`colou?r`的意思是：先依次匹配字符`c`,`o`,`l`,`o`,然后是`u?`，最后是`r`。

`u?`是必然能匹配成功的，有时候它会匹配字符`u`,其他时候则不匹配任何字符。关键在于`u`是否出现`u?`都是匹配成功的。但是这并不意味着，任何包含`?`的正则表达式都永远能匹配成功，例如`colo`和`u?`都能在`semicolon`中匹配成功，(`colo`匹配**semi`colo`n**中的`colo`，`u?`则什么都不匹配)。但是之后的`r`无法匹配，所以最终正则表达式`colou?r`无法匹配`semicolon`  
**实例：**  
**questionMark.txt：**

color colour semicolon

命令：`egrep "colou?r" questionMark.txt`，匹配效果如下。  
![这里写图片描述][70]  
grep好像不支持可选元字符?,上面的命令如果用`grep "colou?r" questionMark.txt`将无法匹配。  
![这里写图片描述][70 1]

## 例子2 ##

现在看看第二部分，我们可以把`4th|4`简化为`4(th)?`,可以看到`？`现在作用的是整个括号了，括号内可以是任意复杂的正则表达式，但是`从括号外面来看`它们是一个整体。可以看到这里的括号`()`用来限定`？`的作用对象。同样的道理使用括号`()`还可以用来限定其他类似元字符的作用对象，这是括号`()`的主要用途之一。  
现在正则表达式变成了`July?.(fourth|4(th)?)`。尽管这个正则表达式包含了许多元字符，但是理解起来并不困难。  
**实例：**  
**dates.txt:**

Wen July 4 17:39:57 CST 2018
    Wen Jul 4th 17:39:57 CST 2018
    Wen Jul fourth 17:39:57 CST 2018

# 其他量词：重复出现 #

加号`+`和星号`*`的作用于问号`?`类似，**元字符`+`表示之前紧邻的元素可以出现一次或多次，而元字符`*`表示之前紧邻的元素可以出现任意多次，甚至不出现。**换种说法就是:  
\- **`*`表示匹配尽可能多的次数，如果实在无法匹配也不要紧。**  
\- **`+`的意思是匹配尽可能多的次数，但是`至少要匹配一次`，如果连一次也无法匹配，则匹配失败。**

## 量词：*问号`?`,加号`+`，星号\`* ##

**问号`?`,加号`+`，星号`*`这三个元字符统称为量词**，它们限定了作用元素的匹配次数。

### 三个量词的异同 ###

和问号`？`一样量词星号`*`也是永远不会匹配失败的，区别值在于它们的匹配结果，而加号`+`在无法进行任何一次匹配是，会报告匹配失败。  
举例来说：  
`.?`能有匹配一个可能出现的空格，但是`.*`能匹配任意多个个空格。

# 量词应用实例 #

## 实例1：匹配`<H[1-6]>`的这样的`HTML tag` ##

**作者的例子：**  
我们可以用着两个量词来简化上一篇文章中的`<H[1-6]>`的例子，按照HTML规范，在tag结尾的`>`字符之前可以出现任意长度的空格，例如`<H3___>`或者`<H4_________>`  
等等(这里用下划线代替空格，因为在markdown里写空格好像显示出来)。  
把`.*`加入正则表达式中可能出现空格的位置，就得到了：`H[1-6].*`。这个正则表示是依然能匹配`<H1>`，因为空格并不是必须出现的，单其他形式的`tag`也能匹配。

--------------------

**我的实例验证：**

<!doctype html>
    <html lang="en">
    <head>
            <meta charset="UTF-8">
    </head>
    
    <body>
            <h1 >一级标题</h1>
            <h2 >二级标题</h1>
            <h3 >三级标题</h1>
            <h4 >四级标题</h1>
            <h5 >五级标题</h1>
            <h6 >六级标题</h1>
    
    </body>
    
    </html>

使用正则表达式`[Hh][1-6].*`,进行匹配： `egrep "[Hh][1-6].*" CharSet.html`  
![这里写图片描述][70 4]  
可以看到，什么都没匹配到，就匹配到一些空行，看来作者这里写的有问题，**还是不要用点号`.`代替空白符的好，而是使用空白符`\s`**，我这里把正则表达式为`[Hh][1-6]\s*`。  
执行命令：`egrep "[Hh][1-6]\s*" CharSet.html`  
![这里写图片描述][70 5]  
从匹配的结果中可以看到，空白符也匹配到了，已经用红色标记出来了。当然上面也没有完整匹配到HTML标签，应该加入HTML标签的开始符合结束符`<`和`>`，修改后的匹配命令为：`egrep "<[Hh][1-6]\s*>" CharSet.html`  
![这里写图片描述][70 6]  
可以看看到上面成功匹配的HTML标签的开始符如`<h1>`,但是结束符`</h1>`,没能匹配到。观察这了两个标签可以看出，结合标签多了一个反斜杠`/`,这个时可以加入问号`？`这个量词，这样就能同时匹配HTML的开始符和结束符。修改后的正则表达式为：`</?[Hh][1-6]\s*>`,执行命令`： egrep "</?[Hh][1-6]\s*>" CharSet.html`，匹配效果如下。  
![这里写图片描述][70 7]  
还有一个就是，在Ubuntu终端中，空白符是默认不显示的，可以用鼠标选中这些匹配的结果，就可看到空白符是不是被选中了，如果选中了会有标记红色。

--------------------

## 实例2：匹配类似`<HR SIZE=14>`这样的`HTML tag` ##

接下来看类似`<HR SIZE=14>`这样的`HTML tag`,它表示一条高度我14像素的穿越屏幕的水平线，与`<H3>`的例子一样，在最后的尖括号之前可以出现任意多个空格。此外在等号`=`两边也允许出现任意多个空格。最后HR和SIZE之间最少有一个空格。为了简便处理使用点号`.`来匹配空空格，然后该空格后面可以有多个空格可以用`.*`表示。这样的的正则表达式为`<HR..*SIZE.*=.*14.*>`。虽然这样能实现效果，但是还是用`.+`来替代`..*`比较简洁。所以得到的正则表达式为：`<HR.+SIZE.*=.*14.*>`。

--------------------

**验证：**  
**HR.html:**

<!doctype html>
    <html lang="en">
    
    <head>
        <meta charset="UTF-8">
        <title>测试匹配水平线</title>
    </head>
    
    <body>
        <hr size=14>
        <hr size=14>
        <hr size =14>
        <hr size = 14>
        <hr size = 14 >
    </body>
    
    </html>

使用正则表达式`<HR..*SIZE.*=.*14.*>`进行匹配： `egrep -i "<HR..*SIZE.*=.*14.*>" HR.html` ：  
使用正则表达式`<HR.+SIZE.*=.*14.*>`进行匹配：`egrep -i "<HR.+SIZE.*=.*14.*>" HR.html`  
![这里写图片描述][70 8]  
可以看到两个正则表达式匹配的效果都是一样的

--------------------

尽管上面的`<HR.+SIZE.*=.*14.*>`这个正则表达式不受到空格个数的限制，单他仍然后`tag`中水平直线大小约束，我们要找的不仅仅是高度为`14`的`tag`,而是所有的`tag`,所以我们必须用能有匹配普通数值的表达式来替换上面的`14`。在这里，数值是由一位或者多位数值构成的`[0-9]`可以表示一个数字，因为**至少出现一次**，所以使用加号`+`量词，结果就是使用\[0-9\]+带代替`<HR.+SIZE.*=.*14.*>`中的14。一个字符组是一个`元素`(一个元素最终只匹配一个字符),所以它可以直接加上加号`+`，星号`*`，和问号`？`而不需要加括号限定。  
这样我们就得到了正则表示式：`<HR.+SIZE.*=.*[0-9]+.*>`

--------------------

现在使用这个新的正则表达式`<HR.+SIZE.*=.*[0-9]+.*>`匹配上面的`HR.html`文件，命令： `egrep -i "<HR.+SIZE.*=.*[0-9]+.*>" HR.html`  
![这里写图片描述][70 9]

--------------------

`<HR.+SIZE.*=.*[0-9]+.*>`这个正则表达式看起来比较诡异，这是因为这里使用了星号和加号作用的对象空格，人们习惯吧空格跟普通的字符区分开。在阅读正则表达式时，要改变这种习惯，因为空格也是普通字符之一，它与`a`,`b`,`c`…`0`,`1`,`2`…没有任何差别。

## 实例3：同时匹配`<HR>`，`<HR SIZE=14>`这样的`HTML tag` ##

我们继续这个例子，如果尺寸这个属性也是可选的，也就是说`<HR>`就代表默认高度的直线(同样在`>`之前也可能出现空格)。现在修改上面的正则表达式实现这个功能。

### 可选项：(子表达式)? ###

**可选项的意思是可以出现一次，也可以不出现**，例如上面的`<HR>` 和`<HR SIZE=14>`中,`SIZE=14`就是可选出现的。这样的**可选项**可以使用问号量词`?`实现，因为可选项`SIZE=14`多余一个字符，所以要用括号`()`进行限定，可选项的正则表达式为`(.+SIZE.*=.*[0-9]+.*)?`，所以上面的问题的最终的正则表达式为：`<HR(.+SIZE.*=.*[0-9]+.*)?.*>`。  
要注意的是结尾的`.*`出现在可选项`(...)?`之外，这样就能应付`<HR.>`之类的情况。同样要注意的时括号里面的`SIZE`前面的`.+`也不能少，如果把它拿到括号外，则`HR`之后就必须要有一个空格，这样即使SIZE没有出现，也是必须要有一个空格。这样就无法匹配`<HR>`这种情况了。  
上面的正则表示式中把可选的字表达式`(.+SIZE.*=.*[0-9]+.*)?`和`.*`交换一下也是可以的：`<HR.*(.+SIZE.*=.*[0-9]+.*)?>`

--------------------

代码验证：

**修改后的HR.html:**

<!doctype html>
    <html lang="en">
    
    <head>
        <meta charset="UTF-8">
        <title>测试匹配水平线</title>
    </head>
    
    <body>
        <hr size=14>
        <hr size=1>
        <hr size =2>
        <hr size = 3>
        <hr size = 4 >
        <hr>
        <hr >
    </body>
    
    </html>

使用上面的正则表达式`<HR(.+SIZE.*=.*[0-9]+.*)?.*>`进行匹配， `egrep -i "<HR(.+SIZE.*=.*[0-9]+.*)?.*>" HR.html`  
![这里写图片描述][70 10]  
可以看到不管是`<hr>`还是`<hr >`,还是`<hr size=14>`以及有空格的情况。`<HR(.+SIZE.*=.*[0-9]+.*)?.*>`这个正则表达式都能匹配到。  
使用另个一个正则表达式`<HR.*(.+SIZE.*=.*[0-9]+.*)?>`进行匹配，`egrep -i "<HR.*(.+SIZE.*=.*[0-9]+.*)?>" HR.html`  
![这里写图片描述][70 11]

--------------------

要注意的是，每个量词都规定了匹配成功至少需要的次数的下线，以及尝试匹配次数的上限，对于量词`？`和量词`*`，下限是`0`，而量词`+`下限是`1`。而对于`+`和`*`这两个量词，上限是无穷大，而。量词`？`的上限是`1`

## 量词小结 ##

<table> 
 <thead> 
  <tr> 
   <th>序号</th> 
   <th>量词</th> 
   <th>次数下限</th> 
   <th>次数上限</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>1</td> 
   <td><code>？</code></td> 
   <td>0</td> 
   <td>1</td> 
   <td>可以出现一次，也可以不出现(单次可选)</td> 
  </tr> 
  <tr> 
   <td>2</td> 
   <td><code>*</code></td> 
   <td>0</td> 
   <td>无穷大</td> 
   <td>可以不出现，也可以出现任意次(任意次均可)</td> 
  </tr> 
  <tr> 
   <td>3</td> 
   <td><code>+</code></td> 
   <td>1</td> 
   <td>无穷大</td> 
   <td>可以出现无数次，但至少出现一次(至少一次)</td> 
  </tr> 
 </tbody> 
</table>

[70]: /images/20220519/f09a8eceb632400a8a9617f79f5c3d25.png
[70 1]: /images/20220519/a24ad9f9905c4fd191386f5b9fda0a53.png
[70 2]: /images/20220519/5a71d4fe93044d32ae01868e7362686c.png
[70 3]: /images/20220519/9f9f6945c44d4f11a1ea50a8a8a3a94d.png
[70 4]: /images/20220519/4063a81a3c7e473ca95e63dd7398d55c.png
[70 5]: /images/20220519/81eb0947a9474ac4ba098d9fead698a4.png
[70 6]: /images/20220519/519fecd0f01342ab8c5e152b778a488a.png
[70 7]: /images/20220519/db9bcc2f2fc549f08a39f4a47a16c88f.png
[70 8]: /images/20220519/cd5261e00f6c46fb8e64af3939db3d5a.png
[70 9]: /images/20220519/9226e695cf2c40aaba566673e0792ce4.png
[70 10]: /images/20220519/382a42de0f814c7bb24dba293080d504.png
[70 11]: /images/20220519/5530c888fac74ff9a5ff5d019e53f6c4.png