Centos7学习笔记（十六）- 正则表达式高级部分
1、正则表达式工作流程
取得正则字符串并检查正则语法。
编译：将正则字符串编译成真正的正则表达式。
启动正则引擎开始匹配
正则引擎：逐个字符扫描字符串并与编译后的正则表达式的各个元素进行匹配。
何为正则元素呢？
纯字符组合，比如“abc123”，那么每一个字符都是一个正则元素
[a-z]这样的样式，那么视中括号[]为一个整体作为正则元素，中括号内的内容是限定的匹配范围
字符匹配的反斜线序列也是一种正则元素
字符.是一个独立的正则元素，它除了不能匹配\n，其他任意字符都能匹配
所有的*、?、{m}、{m,}、{m,n}、{,n}这几个正则，都是作为量词存在的，即计量数量，这些量词，不能作为独立的正则元素，但是是作为修饰符存在，修饰定义它前面的字符或子表达式内容。
|分隔符两端的，比如a|b这样的表达，那么竖线两端的字符或子表达式都是正则元素
()圆括号将视为一个整体正则元素，比如sed中常用的(.*)。
2、正则表达式匹配流程
正则是按每一轮的方式匹配，每轮，都要从正则的第一个元素从头开始匹配。
即，被匹配的字符串或内容被逐个字符扫描去匹配正则元素，若成功，下一字符匹配下一个正则元素，若不成功，则消耗掉已经被扫描匹配的字符，剩余的字符，进入下一轮完整匹配。
3、正则引擎
DFA类——确定有穷状态机，
将扫描到的字符与所有可能的分支一次性进行匹配
不断淘汰匹配失败的分支，最终确定一个成功的分支
DFA对字符串中的每一个字符，只扫描匹配一次，不会回溯，也没有字符交还的过程
NFA类——非确定有穷状态机
它对正则表达式中的所有分支做标记，以便匹配失败时，可以根据标记回头匹配其他分支，然后从中选择一个分支优先匹配，剩余分支先放着，在所选分支匹配失败时，再回头选择其他分支
如果某个分支匹配成功，则剩下的分支就直接丢弃
它会记录所有可能的分支，每个分支的匹配都是不确定的，失败的时候回头重新匹配其他分支
NFA有可能在匹配失败后，交还字符，然后回溯，并对某个字符进行多次匹配
DFA、NFA混合类
[root@c7study /home/study/.ssh]# echo '404 not found'|perl -nE '/not|not found/;say $&' #《========$&是表示匹配的内容 not [root@c7study /home/study/.ssh]# echo '404 not found'|perl -nE '/not found|not/;say $&' not found [root@c7study /home/study/.ssh]# echo '404 not found'|egrep 'not|not found' 404 not found
4、什么是回溯？及影响？
回溯就是在有分支或者贪婪匹配时，为了正确获取匹配结果，必须在分支匹配失败或贪婪匹配内容过多后，交还字符，然后回头重新进行字符扫描匹配。
它的显著影响是很有可能大大降低正则匹配的效率，显著的提高了匹配花费时间。
5、反斜线序列正则
①字符匹配类
\n——匹配换行符
\N——匹配非换行的字符
\w——匹配单词构成部分，等价于[_[:alnum:]]
\W——匹配非单词构成部分，等价于[^_[:alnum:]]
\s——匹配空白字符，等价于[[:space:]]
\S——匹配非空白字符，等价于[^[:space:]]
\d——匹配数字，等价于[0-9]
\D——匹配数字，等价于[^0-9]
\\——匹配\字符
②位置锚定类
\b——匹配单词边界处（开头和结尾），如\bword\b
\<——匹配单词开头位置
\>——匹配单词结尾位置，所以，\<和\>是配对使用的
\B——匹配非单词边界处的位置
\A——匹配字符串的绝对行首
\z——匹配字符串的绝对行尾
\Z——匹配字符串的行尾，如果行尾有换行符，那么匹配换行符前的位置
\G——第一次匹配的位置，全局匹配有效，也称为位置粘滞
^——匹配每一行行首
$——匹配每一行行尾，换行符前的位置
理解这些位置
那么，^$为啥能匹配空行？看下图就能理解：
图中以字符串abc\n\n123\ndef为例，既符合^又符合$位置的，只有空行那一行。
6、贪婪匹配、非贪婪匹配、占有优先匹配
上述正则元素中解释的作为修饰符存在的量词，是引起贪婪匹配的原因。那么什么是非贪婪匹配和占有优先匹配呢？先看其具体表达
| 贪婪匹配 | 非贪婪匹配 | 占有优先匹配 |
|---|---|---|
| * | *？ | *+ |
| ? | ?? | ?+ |
| + | +? | ++ |
| {m} | ||
| {m,} | {m,}? | {m,}+ |
| {m,n} | {m,n}? | {m,n}+ |
| {,n} | {,n}? | {,n}+ |
非贪婪匹配时，{m}?和{m,n}?是等价的，因为最多都匹配m次。
??在非贪婪匹配时，它匹配任意一个字符、位置、空字符，但这种使用方式基本不会用
在perl中，因为不支持{,n}的方式，所以也没有对应的非贪婪匹配{,n}?和占有优先匹配{,n)+
关于{m}，因为它本身是精确匹配，所以{m}?和{m}+也并无意义。
非贪婪匹配，是跟贪婪匹配完全相反的匹配。贪婪匹配是尽可能多的匹配，然后慢慢交还字符，而非贪婪匹配，则是尽可能少的匹配，然后若是不能完全匹配，则逐个消耗匹配成功的字符。
占有优先匹配，它是在贪婪匹配的基础上，所有匹配成功的字符都被消耗掉，不会再交还进行回溯。所以，等同于零宽断言。一般而言，占有优先匹配的+后不应有字符，特别是*+这个，它会消耗掉其后的所有字符元素。
7、环视锚定
环视锚定也用于匹配位置，也是一种位置锚定。位置锚定，就不会消耗字符元素。
几种写法：
(?=...)——从左向右顺序环视，这里的...表示要匹配的内容，比如a(?=\d)表示锚定a字符右边开始是数字的情况。
(?!...)——从左向右顺序环视的取反，...仍然表示要匹配的内容，但是要取反内容，比如a(?!\d)表示a字符右边不是数字的情况
(?<=...)——从右向左逆序环视，...表示要匹配的内容，比如(?<=\d)a表示字符a左边是数字的情况匹配成功
(?<!...)——从右向左逆序环视，但是匹配内容取反。比如(?<!\d)表示字符a左边是非数字情况匹配成功
8、分组捕获
分组捕获这个概念，其实就是sed命令中常用的(.*)，然后反向引用\1这种形式。用()来把内容视为一个整体，然后“捕获”，并可以引用。
分组捕获后匹配的结果，会被保存在变量中，可以使用\n或$N（perl支持）来取得各分组捕获所匹配的结果。
还有一些分组捕获的方式，主要是在perl中支持。下面来分类解释：
①命名捕获
命名捕获的意思是将捕获匹配的内容，独立命名，使捕获内容既可以传统引用，又可以用命名引用。在引用的时候，可以用传统的\n或$n方式引用，也可以用\k<名字>的方式引用。在正则外部，比如perl中，可以用$+{名字}
使用形式是(?<NAME>pattern)。其中，NAME是要定义的名字，pattern是需捕获内容。
在引用的时候，可以用传统的\n或$n方式引用，也可以用\k<NAME>的方式引用。在正则外部，比如perl中，可以用$+{NAME}来引用。
②匿名捕获（只分组不捕获）
匿名捕获，即是将匹配内容只是做分组匹配，并不讲匹配内容赋予变量以引用。
使用形式：(?:pattern)
③固化分组
固化分组其功能上跟占有优先匹配（*+、?+、++、{m}+、{m,n}+、{m,}+）是等价的。匹配上了，即占有（占有字符了）了，不交还字符，不回溯了。
固化分组，也是没有捕获功能的。
使用形式：(?>pattern )
9、匹配模式的修饰符
这里的“修饰符”指的都是perl支持的方式，功能上，更像是一个开关，使原本不能匹配的方式，通过加修饰符，变的能匹配。主要用在编程语言环境，比如perl。因为编程语言环境，允许一个字符串，包含各种特殊的字符，比如\n\t这种。
有如下若干修饰符:
i：作用，忽略大小写
m：作用，让^和$能匹配含有像\n这样特殊字符的字符串的每一行行首和行尾。（注意：这不是grep、awk、sed这3个按行处理文字内容的常规处理方式）
s：作用，让.能匹配\n这样的换行符。看下图示例：
x：作用，允许正则表达式使用空白符号（甚至加#注释），免得使正则表达式晦涩难懂，这称之为free-spacing。在使用x修饰时，会使要匹配处理的内容中原本的空白符号失去意义，这时候，就必须要用\s或者[:space:]去匹配空白符号。
ans="cat sheep tiger";
ans =~ /(\w) *(\w) *(\w)/; # 正常情况下的匹配表达式
ans =~ /(\w)\s* (\w)\s* (\w)/x;
ans = ~ / (\w)\s* # 可以加上本行注释：匹配第一个单词
(\w)\s* # 可以加上本行注释：匹配第二个单词
(\w) # 可以加上本行注释：匹配第三个单词
/x;
ans =~ /
(\w)\Q \E # \Q \E强制将中间的空格当作字面符号被匹配
(\w)\Q \E
(\w)
/x;
o：作用，使正则表达式只被编译一次，编译后的结果被缓存下来，以便循环调用。o修饰符在有循环处理正则的情景中，非常有用，能大大缩减处理时间。如下图中的示例：<br/>
g：作用，全局匹配。
1、默认情况下，正则匹配会在匹配成功一次后，就退出匹配。（grep是全局匹配的，不算在内）
2、加入g修饰符后，正则匹配会在成功匹配一次后，设置一个指针，该指针位于第一次匹配成功的结果之后。其作用是标记位置，以便下一轮全局匹配从当前标记位开始。如果第2轮或者某一轮全局匹配失败，则默认情况下，该指针会被重置到需匹配的内容（字符串或者文本内容等）的开头。
3、为了解决上述第二条指针重置的问题，引入c修饰符，使指针在匹配失败后，保持不动，后续全局匹配，能继续处理后续内容。
4、位置粘滞\G的作用。\G针对全局匹配时使用，要求指针后的内容在下一轮匹配时必须成功，否则指针重置。
5、g修饰符，基本都是用在循环结构中，以便重复匹配能够成功。
