Emacs 的正则表达式

cnangel

[这个帖子最后由cnangel在 2004/04/25 10:27pm 第 1 次编辑]

Author: Wang Chunyu <dddkk(at)sina(dot)com>
Create: "2002-04-20"
File  : $Id: intro-regexp,v 1.6 2004/04/21 02:11:48 spr Exp $
URL   : http://db.cs.hit.edu.cn/people/WangChunyu/interests/m/em/mposts/ref007.html

翻译自 (info "(emacs)Regexps")。

* 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，需要使用特殊字符。下面介绍这些特殊字
  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：

1.围住“\|”的选择项，以实现别的操作。例如“\(foo\|bar\)x”匹配
          “foox”或“barx”。

2.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。

3.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 TAB 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。