正则表达式——选择、分组和后向引用

1、选择操作

简单地说，选择操作可在多个可选模式中匹配一个。例如，你想在“The Rime of the Ancyent Mariner”中找出the出现过多少次，包括THE、The和the等形式。为此，就可以使用选择操作。

在顶部的文本框中输入：

(the|The|THE)

可以使用一个选项来使分组更简短。借助选项，可以指定查找模式的方式。例如，选项

(?i)

让你的模式不再区分大小写。因此原来带选择操作的模式可以简写成

(?i)the

还可以在RegExr中勾选ignoreCase来设定不区分字母大小写，这两种方式都可以。下表中列出了以上选项以及其他各种选项和修饰符。

接下来我们在grep中使用选择操作。表中的选项并不适用于grep，所以你要使用原来的选择模式。要对单词the出现一次或多次的行的数目进行统计，且不区分大小写，则用：

grep -Ec "(the|The|THE)" rime2.txt

可以得到这个结果：

327

这个结果还不能说明一切。欲知原因，请继续阅读。

以下是对上面的grep命令的分析。

• -E选项表示使用扩展的正则表达式（ERE）​，而不用基本正则表达式（BRE）​。本例省去了将括号和竖线符转义的步骤，如果使用BRE则必须进行转义，像这样(THE|The|the)。
• -c选项返回匹配的行数（不是匹配的单词）​。
• 括号将对the、The以及THE的选择操作归为一个分组。
• 竖线符将备选项分开，对备选项求值的顺序是从左至右。

下面的方法会将单词的每一次出现都作为一行内容返回，这样就可以得到实际的出现次数：

grep -Eo "(the|The|THE)" rime2.txt | wc -l

这个命令返回的是：

412

以下是对命令的分析。

• -o选项表示只显示一行中与指定模式匹配的部分，而由于导向wc的管道（|）​，该选项的作用不太直观。
• 在此上下文中，竖线符将grep命令的输出通过管道导向wc命令的输入。wc是单词计数命令，而-l对输入的行数进行统计。

为什么有327与412这样大的差异呢？因为-c给出的是匹配的行的数目，但是一行中可能有多个单词匹配。若使用-o和wc -l，则指定单词不管以哪一种形式出现，每次出现都会作为单独的一行统计，这样结果值就会更大。

要使用Perl执行同种匹配，则这样写：

perl -ne 'print if /(the|The|THE)/' rime2.txt

再进一步改善，就是将i修饰符加在定界符之后：

perl -ne 'print if /the/i' rime2.txt

结果相同，但命令是越简单越好。下表中列出了更多的修饰符（也称为标记符）​。

2、子模式

多数情况下，提到正则表达式中的子模式（subpattern）​，就是指分组中的一个或多个分组。子模式就是模式中的模式。多数情况下，子模式中的条件能得到匹配的前提是前面的模式得到匹配，但也有例外。子模式的写法可以有很多种，这里我们主要关注括号中的子模式。

从某种意义上说，你之前所见的模式：

(the|The|THE)

有三个子模式：the是第一个子模式，The是第二个，而THE是第三个。但是这种情况下，匹配第二个子模式不依赖于是否匹配第一个。​（最左边的模式会首先匹配。​）

而在以下的模式中，子模式依赖于前面的模式：

(t|T)h(e|eir)

通俗地讲，这个模式会匹配字面值t或T，然后是一个h，接下来就是一个e或者是eir。相应地，这个模式会匹配以下所有情况：

• the
• The
• their
• Their

在以上情况中，第二个子模式(e|eir)依赖于第一个子模式(tT)。

括号对于子模式不是必需的。下面是一个使用字符组的子模式示例：

\b[tT]h[ceinry]*\b

这个模式会匹配the或The还有thee、thy以及thence等单词。两个单词边界（\b）表示该模式只匹配整个单词，而不会匹配单词中的某几个字母。

以下是对这个模式的解析。

• \b匹配单词起始边界。
• [tT] 是字符组，它匹配小写字母t或者大写字母T。可以将其看做是第一个子模式。
• 然后匹配（或尝试匹配）小写字母h。
• 第二个也就是最后一个子模式也表示为字符组[ceinry]​，其后用量词＊表示零个或多个。
• 最后，该模式以另外一个 \b结束。

3、捕获分组和后向引用

当一个模式的全部或者部分内容由一对括号分组时，它就对内容进行捕获并临时存储于内存中。可以通过后向引用重用捕获的内容，形式为：

\1

或

$1

这里\1或$1引用的是第一个捕获的分组，而\2或$2引用第二个捕获的分组，以此类推。sed只接受\1这种形式，而Perl则两种都接受。

下面再展示一下后向引用的使用方法。我们将使用它来重新排序诗文中的一行词，在此先跟作者柯勒律治道个歉。点击RegExr的Repalce标签，在顶部的文本框中输入下面的模式：

(It is) (an ancyent Marinere)

向下滚动主文本框（第三个文本区）直到你可以看到被标亮的那一行，然后在第二个文本框中，输入：

$2 $1

就可以看到在最下面的文本框中那一行被重新排列为：

an ancyent Marinere It is,

要用sed得到相同结果，可以这样做：

sed -En 's/(It is) (an ancyent Marinere)/\2 \1/p' rime2.txt

和RegExr中一样。为了帮助你理解每个细节，下面我们来分析一下这个sed命令。

• -E选项仍然是调用ERE（扩展的正则表达式）​，因此，括号可以直接当成字面值来使用了。
• -n选项覆盖打印每一行的默认设置。
• 替换命令搜索与文本“ It is an ancyent Marinere, ”匹配的内容，再将其捕获放入两个分组中。
• 替换命令还将捕获的文本重排为先是后向引用 \2的内容再是\1的内容，再将匹配的文本替换为重排后的内容并输出。
• 替换命令结尾处的p表示要打印该行。

Perl中类似的命令会做相同的事：

perl -ne 'print if s/(It is) (an ancyent Marinere)/\2 \1/' rime2.txt

注意该命令使用了\1风格的语法。当然，你也可以使用$1语法：

perl -ne 'print if s/(It is) (an ancyent Marinere)/$2 $1/' rime2.txt

但关于输出，还有一点要注意的是：

an ancyent Marinere It is,

在转换过程中某些单词首字母的大小写被打乱了。Perl可以使用\u和\l来修正这个问题，就是这样：

perl -ne 'print if s/(It is) (an ancyent Marinere)/\u$2 \l$1/' rime2.txt

接下来解释一下原因。

• \l语法并不匹配任何字符，而是会将紧接其后的字母变为小写。
• \u语法将紧接其后的字母变为大写。
• \U指令（未展示）将紧接其后的文本字符串全部变为大写。
• \L指令（未展示）将紧接其后的文本字符串全部变为小写。

这些指令在文本中出现其他指令（比如\l或\E，作为文字使用的字符串的结尾）之前都是起作用的。请自己动手试试这些指令。

命名分组：

命名分组（named group）就是有名字的分组。这样，就可以通过名字（而不是数字）来引用分组。下面展示一下Perl语言中如何使用命名分组：

perl -ne 'print if s/(?<one>It is) (?<two>an ancyent Marinere)/\u$+{two}
                \l$+{one}/' rime2.txt

我们来看看这个命令：

• 在括号内添加 ?<one>和？将分组分别命名为one和two；
• $+{one} 引用名为one的分组，而$+{two}则引用名为two的分组。

如果在一个模式中有分组被命名，那么你还可以重用该命名分组。解释一下这句话的意思，假设你要查找含有连续六个0的字符串：

000000

这个例子很浅显，但可以说明其工作原理。用这一模式对连续三个0的分组命名（其中z是分组名，可以任意取）​：

(?<z>0{3})

然后你可以再使用该分组，就像这样：

(?<z>0{3})\k<z>

或者：

(?<z>0{3})\k'z'

或者：

(?<z>0{3})\g{z}

下表列出了命名分组可能使用的各种语法。

4、非捕获分组

还有一种分组是非捕获分组（Non-CapturingGroup）​。非捕获分组不会将其内容存储在内存中。在你并不想引用分组的时候，可以使用它。由于不存储内容，非捕获分组就会带来较高的性能。

还记得第一个分组吗？就是这个：

(the|The|THE)

你不需要任何后向引用，因此可以这样写一个非捕获分组：

(?:the|The|THE)

你可以添加选项将其变为不区分大小写的模式，就像这样：

(?i)(?:the)

或者你也可以这样做：

(?:(?i)the)

不过，下面这种写法最值得推荐：

(?i:the)

该选项i可以放在问号和冒号之间。

原子分组：

另一种非捕获分组是原子分组（atomic group）​。如果你使用的正则表达式引擎进行回溯操作，这种分组就可以将回溯操作关闭，但它只针对原子分组内的部分，而不针对整个正则表达式。其语法如下：

(?>the)

什么时候你会想使用原子分组呢？正则表达式处理过程缓慢的一个因素就是回溯操作。其原因就是回溯操作会尝试每一种可能性，这会消耗时间和计算资源。有时它会占用大量时间。回溯有可能产生巨大的负面效应，这被称为灾难性回溯。

使用像re2（http://code.google.com/p/re2/）这样的非回溯引擎可彻底关闭回溯操作，而使用原子分组可以关闭正则表达式的部分回溯操作。