第3章　括號(hào)

3.1　分組

用字符組和量詞可以匹配引號(hào)字符串，也可以匹配HTML tag，如果需要用正則表達(dá)式匹配身份證號(hào)碼，依靠字符組和量詞能不能做到呢？

身份證號(hào)碼是一個(gè)長(zhǎng)度為15或18個(gè)字符的字符串，如果是15位，則全部由數(shù)字組成，首位不能為0；如果是18位，前17位全部是數(shù)字，首位同樣不能是0，末位可能是數(shù)字，也可能是字母x。[1]規(guī)則非常明確，可以著手編寫(xiě)正則表達(dá)式了。

整個(gè)表達(dá)式是[1-9]\d{13,16}[0-9x]，它的匹配如例3-1所示。

例3-1　身份證號(hào)碼的匹配

看來(lái)，果然能夠匹配各種形式的身份證號(hào)碼，應(yīng)該沒(méi)問(wèn)題。不過(guò)這還不夠，這個(gè)正則表達(dá)式應(yīng)該保證身份證號(hào)碼的字符串能夠匹配，其他字符串不能夠匹配，例3-2展示了身份證號(hào)碼錯(cuò)誤匹配的情況。

例3-2　身份證號(hào)碼的錯(cuò)誤匹配

這兩個(gè)字符串分明不是身份證號(hào)碼（第一個(gè)是16位長(zhǎng)，第二個(gè)雖然是15位長(zhǎng)，但末尾是x），卻都匹配了。這是為什么呢？仔細(xì)觀察所用的正則表達(dá)式，會(huì)發(fā)現(xiàn)兩點(diǎn)原因：第一，\d{13,16}表示除去首尾兩位，中間的部分長(zhǎng)度可能在13～16之間，而不是“長(zhǎng)度要么為13，要么為16”；第二，最后的[0-9x]只應(yīng)該對(duì)應(yīng)18位身份證號(hào)碼的情況，但是在這個(gè)表達(dá)式中，它也可以對(duì)應(yīng)到15位身份證號(hào)碼，而15位身份證號(hào)碼的末位是不能為x的！

雖然字符串的長(zhǎng)度是可變的，但是除去第一位和最后一位，中間部分的長(zhǎng)度必須明確指定，只能是13或者16，而不能使用量詞{13,16}；另外，末尾一位到底是[0-9]（也就是\d）還是[0-9x]，取決于長(zhǎng)度—如果長(zhǎng)度是15位，則是\d；如果長(zhǎng)度是18位，則是[0-9x]。兩種情況分別考慮，要更加清楚一些。

看來(lái)，只要以15位號(hào)碼的匹配為基礎(chǔ)，末尾加上可能出現(xiàn)的\d{2}[0-9x]即可。最后的\d{2}[0-9x]必須作為一個(gè)整體，或許不出現(xiàn)（15位號(hào)碼），或許出現(xiàn)（18位號(hào)碼）。量詞?可以表示“不出現(xiàn)，或者出現(xiàn)1次”，正好合適。

但是，正則表達(dá)式\d{2}[0-9x]?是不行的，因?yàn)榱吭~?只能限定[0-9x]的出現(xiàn)，而正則表達(dá)式\d{2}?[0-9x]?同樣不行—即使只出現(xiàn)一個(gè)[0-9x]，也可以匹配。到底怎樣才能把\d{2}[0-9x]作為一個(gè)整體呢？

答案是：使用括號(hào)(…)，把正則表達(dá)式改寫(xiě)為[1-9]\d{14}(\d{2}[0-9x])?。上一章提到過(guò)，量詞限定之前元素的出現(xiàn)，這個(gè)元素可能是一個(gè)字符，也可能是一個(gè)字符組，還可能是一個(gè)表達(dá)式—如果把一個(gè)表達(dá)式用括號(hào)包圍起來(lái)，這個(gè)元素就是括號(hào)里的表達(dá)式，括號(hào)內(nèi)的表達(dá)式通常被稱(chēng)為“子表達(dá)式”（sub-expression）。所以，(\d{2}[0-9x])?就表示子表達(dá)式\d{2}[0-9x]作為一個(gè)整體，或許不出現(xiàn)，或許最多出現(xiàn)一次。從例3-3可以看到，這個(gè)表達(dá)式確實(shí)可以準(zhǔn)確匹配身份證號(hào)碼。

例3-3　身份證號(hào)碼的準(zhǔn)確匹配

注：為了方便講解，我們?cè)谡齽t表達(dá)式的兩端添加了^和$，它們分別定位到字符串的起始位置和結(jié)束位置，這樣確保了表達(dá)式不會(huì)只匹配字符串的某個(gè)子串；如果要用表達(dá)式來(lái)提取數(shù)據(jù)，應(yīng)當(dāng)去掉^和$。下面的例子都遵循這條規(guī)則。

括號(hào)的這種功能叫作分組（grouping）。如果用量詞限定出現(xiàn)次數(shù)的元素不是字符或者字符組，而是連續(xù)的幾個(gè)字符甚至子表達(dá)式，就應(yīng)該用括號(hào)將它們“編為一組”。比如，希望字符串a(chǎn)b重復(fù)出現(xiàn)一次以上，就應(yīng)該寫(xiě)作(ab)+，此時(shí)(ab)成為一個(gè)整體，由量詞+來(lái)限定；如果不用括號(hào)而直接寫(xiě)ab+，受+限定的就只有b。例3-4顯示了有括號(hào)與無(wú)括號(hào)的表達(dá)式的匹配異同。

例3-4　用括號(hào)改變量詞的作用元素有了分組，就可以準(zhǔn)確表示“長(zhǎng)度只能是m或n”。比如在上面匹配身份證號(hào)碼的例子中，要匹配一個(gè)長(zhǎng)度為13或者16的數(shù)字字符串。常犯的錯(cuò)誤是使用表達(dá)式\d{13,16}，看起來(lái)沒(méi)問(wèn)題，但長(zhǎng)度為14或15的數(shù)字字符串同樣會(huì)匹配。真正準(zhǔn)確的做法是：首先匹配長(zhǎng)度為13的數(shù)字字符串，然后匹配可能出現(xiàn)的長(zhǎng)度為3的數(shù)字字符串，正則表達(dá)式就成了\d{13}(\d{3})?。

分組是非常有用的功能，因?yàn)槭褂谜齽t表達(dá)式時(shí)經(jīng)常會(huì)遇到并沒(méi)有直接相連，但確實(shí)存在聯(lián)系的部分，分組可以把這些概念上相關(guān)的部分“歸攏”到一起，以免割裂，下面來(lái)看幾個(gè)例子。

第2章使用表達(dá)式<[^/][^>]*>匹配HTML中的open tag，比如<table>，但是這個(gè)表達(dá)式也會(huì)匹配self-closing tag，比如<br />。如果把表達(dá)式改為<[^/][^>]*[^/]>，確實(shí)可以避免匹配self-closing tag，但是因?yàn)閮蓚€(gè)排除型字符組要匹配兩個(gè)字符，這個(gè)表達(dá)式又會(huì)漏過(guò)<u>之類(lèi)的open tag，僅僅依靠字符組和量詞無(wú)法配合解決問(wèn)題，必須動(dòng)用括號(hào)的分組功能。

<[^/][^>]*[^/]>錯(cuò)過(guò)的只有一種情況，就是tag name為單個(gè)字母的情況。如果tag name不是單個(gè)字母，則第一個(gè)字母之后，必然會(huì)出現(xiàn)這樣一個(gè)字符串：其中不包含>，結(jié)尾的字符并不是/。最后，才是tag結(jié)尾的>。像圖3-1所示那樣，將這幾個(gè)元素拆開(kāi)，能看得更清楚點(diǎn)。

所以，用一個(gè)括號(hào)將可選出現(xiàn)的部分分組，再用量詞?限定，就可以得到兼顧這兩種情況、準(zhǔn)確匹配open tag的正則表達(dá)式了，程序代碼如例3-5所示。

例3-5　準(zhǔn)確匹配open tag

再來(lái)看一個(gè)更復(fù)雜的例子。在Web服務(wù)中，經(jīng)常并不希望暴露真正的程序細(xì)節(jié)，所以用某種模式的URL來(lái)掩蓋。比如這個(gè)URL：/foo/bar_qux.php，看起來(lái)是訪(fǎng)問(wèn)一個(gè)PHP頁(yè)面，其實(shí)背后有復(fù)雜的路由規(guī)則。真正的結(jié)構(gòu)如圖3-2所示，foo是模塊的名稱(chēng)，bar是控制器的名字，qux則是方法名，三個(gè)名字中都只能出現(xiàn)小寫(xiě)字母。

希望能處理的情況有三種，其他情況都不予考慮。

為編寫(xiě)通用的正則表達(dá)式來(lái)匹配，有些人是這么總結(jié)的。

所以正則表達(dá)式就是：/[a-z]+/?[a-z]*_?[a-z]*(\.php)?。

仔細(xì)看看這個(gè)表達(dá)式，無(wú)論是/foo，還是/foo/bar.php，抑或是/foo/bar_qux.php，都可以匹配，看起來(lái)確實(shí)沒(méi)有問(wèn)題。

可是，這個(gè)表達(dá)式中只有/[a-z]+是必須出現(xiàn)的，其他部分都是“不一定出現(xiàn)”的，也就是說(shuō)，其中任意一個(gè)或幾個(gè)部分出現(xiàn)，這個(gè)表達(dá)式都可以匹配。那么，/foo/_也是可以匹配的，/foo.php也是可以匹配的，這樣就亂套了，如例3-6所示。

例3-6　URL匹配的表達(dá)式

之所以會(huì)出錯(cuò)，根源在于有些元素是“不一定出現(xiàn)”的，但它們之間卻是有關(guān)聯(lián)的：“不一定出現(xiàn)”的幾個(gè)元素雖然沒(méi)有前后緊密相連，卻是“同生共死”的關(guān)系。這時(shí)候就要梳理清楚邏輯關(guān)系，用括號(hào)的分組功能把各種分支情況歸攏到一起。

/foo是必須出現(xiàn)的，之后存在兩種可能：/bar.php或者/bar_qux.php。在前一種情況中，開(kāi)頭的/、控制器名bar、結(jié)尾的.php是必須出現(xiàn)的；在后一種情況中，開(kāi)頭的/、控制器名bar、下畫(huà)線(xiàn)_、模塊名qux、結(jié)尾的.php是必須出現(xiàn)的。

仔細(xì)觀察這兩個(gè)表達(dá)式，會(huì)發(fā)現(xiàn)它們可以合并：把第二個(gè)表達(dá)式中多出的部分，繼續(xù)用分組括號(hào)配合量詞?表示，塞到第一個(gè)表達(dá)式中，用得到的表達(dá)式配合量詞?再加上最開(kāi)頭“必須出現(xiàn)”的/foo，最后得到完整的表達(dá)式。

從例3-7可以看到，這個(gè)表達(dá)式確實(shí)杜絕了錯(cuò)誤的匹配。

例3-7　杜絕了錯(cuò)誤匹配的表達(dá)式

關(guān)于括號(hào)的分組功能，最后來(lái)看E-mail地址的匹配：E-mail地址以@分隔為兩段，a之前的是用戶(hù)名（username），之后的是主機(jī)名（hostname），用戶(hù)名一般只允許出現(xiàn)數(shù)字和字母（現(xiàn)在有些郵件服務(wù)商也允許用戶(hù)名中出現(xiàn)點(diǎn)號(hào)等字符了，這種情況復(fù)雜一些，此處不做考慮），而主機(jī)名則是類(lèi)似mail.google.com、mail.163.com之類(lèi)的字符串。

用戶(hù)名的匹配非常簡(jiǎn)單，其中能出現(xiàn)的字符主要有大寫(xiě)字母[A-Z]、小寫(xiě)字母[a-z]、阿拉伯?dāng)?shù)字字符[0-9]，下畫(huà)線(xiàn)_、點(diǎn)號(hào).，所以總的字符組就是[A-Za-z0-9_.]，又可以簡(jiǎn)化為[\w.]；另一方面，用戶(hù)名的最大長(zhǎng)度是64個(gè)字符，所以匹配用戶(hù)名的正則表達(dá)式就是[\w.]{1,64}。

主機(jī)名匹配的情況則要麻煩一些，簡(jiǎn)單的情況比如somehost.com；復(fù)雜的情況則還包括子域名，比如mail.somehost.net，而且子域名可能不只一級(jí)，比如mail.sub.somehost.net。查閱規(guī)范可知，主機(jī)名被點(diǎn)號(hào)分隔為若干段，叫作域名字段（label），每個(gè)域名字段中能出現(xiàn)的字符是字母字符、數(shù)字字符和橫線(xiàn)字符，長(zhǎng)度必須在1～63之間。下面看幾個(gè)例子，嘗試從中找到主機(jī)名的規(guī)律。

看來(lái)規(guī)律是這樣的：最后的域名字段是頂級(jí)域名[2]，之前的部分可以看作某種模式的重復(fù)：該模式由域名字段和點(diǎn)號(hào)組成，域名字段在前，點(diǎn)號(hào)在后。比如somehost.com就可以這么看：頂級(jí)域名是com，之前是somehost.；sub.somehost.net就可以這么看：頂級(jí)域名是net，之前是sub.和somehost.。

匹配域名字段的表達(dá)式是[-a-zA-Z0-9]{1,63}，匹配點(diǎn)號(hào)的表達(dá)式是\.，使用括號(hào)的分組功能，把這兩個(gè)表達(dá)式分為一組，用量詞*限定表示“不出現(xiàn)，或出現(xiàn)多次”，就得到匹配主機(jī)名的表達(dá)式([-a-zA-Z0-9]{1,63}\.)*[-a-zA-Z0-9]{1,63}（因?yàn)轫敿?jí)域名也是一個(gè)域名字段，所以即便主機(jī)名是localhost，也可以由最后那個(gè)匹配域名字段的表達(dá)式匹配）。

將匹配用戶(hù)名的表達(dá)式、@符號(hào)、匹配主機(jī)名的表達(dá)式組合起來(lái)，就得到了完整的匹配E-mail地址的表達(dá)式：[-\w.]{0,64}@([-a-zA-Z0-9]{1,63}\.)*[-a-zA-Z0-9]{1,63}，這個(gè)表達(dá)式的匹配情況如例3-8所示。

例3-8　完整匹配E-mail地址的正則表達(dá)式

3.2　多選結(jié)構(gòu)

之前用表達(dá)式[1-9]\d{14}(\d{2}[0-9x])?匹配身份證號(hào)，思路是把18位號(hào)碼多出的3位“合并”到匹配15位號(hào)碼的表達(dá)式中。這樣寫(xiě)沒(méi)有錯(cuò)，只是得花點(diǎn)心思才能理解其邏輯。

能不能直接分情況處理呢？15位身份證號(hào)就是[1-9]開(kāi)頭，之后是14位數(shù)字；18位身份證號(hào)就是[1-9]開(kāi)頭，之后是16位數(shù)字，最后是[0-9x]?。只要兩個(gè)表達(dá)式中的一個(gè)能夠匹配，就是合法的身份證號(hào)，這樣的思路更加清晰。

答案是可以的，而且仍然使用括號(hào)解決問(wèn)題，只是要用到括號(hào)的另一個(gè)功能：多選結(jié)構(gòu)（alternative）。

多選結(jié)構(gòu)的形式是(…|…)，在括號(hào)內(nèi)以豎線(xiàn)|分隔開(kāi)多個(gè)子表達(dá)式，這些子表達(dá)式也叫多選分支（option）；在一個(gè)多選結(jié)構(gòu)內(nèi)，多選分支的數(shù)目沒(méi)有限制。在匹配時(shí)，整個(gè)多選結(jié)構(gòu)被視為單個(gè)元素，只要其中某個(gè)子表達(dá)式能夠匹配，整個(gè)多選結(jié)構(gòu)的匹配就能成功；如果所有子表達(dá)式都不能匹配，則整個(gè)多選結(jié)構(gòu)匹配失敗。

回到身份證號(hào)碼匹配的例子，既然可以區(qū)分15位和18位兩種情況，就可以將每種情況對(duì)應(yīng)的表達(dá)式作為一個(gè)分支，“合并”為多選結(jié)構(gòu)([1-9]\d{14}|[1-9]\d{14}\d{2}[0-9x])。這個(gè)表達(dá)式的匹配如例3-9所示，它同樣可以準(zhǔn)確驗(yàn)證身份證號(hào)碼。

例3-9　用多選結(jié)構(gòu)匹配身份證號(hào)碼

多選結(jié)構(gòu)在實(shí)際中經(jīng)常用到，匹配IP地址就是如此：IP地址（暫不考慮IPv6）分為4段（4字節(jié)），每段都是8位二進(jìn)制數(shù)，換算成常見(jiàn)的十進(jìn)制，取值在0～255之間，中間以點(diǎn)號(hào).分隔。點(diǎn)號(hào).的匹配非常容易，用\.就可以，所以暫且忽略它，只考慮匹配這個(gè)數(shù)值的問(wèn)題，而且因?yàn)?段IP地址的取值范圍是相同的，只考慮其中一段的匹配即可。

要匹配十進(jìn)制形式的IP地址，最常見(jiàn)的正則表達(dá)式就是[0-9]{1,3}，也就是1～3位十進(jìn)制數(shù)字。粗看起來(lái)，這個(gè)表達(dá)式?jīng)]什么錯(cuò)，細(xì)看卻有很大問(wèn)題。因?yàn)?56、999這樣的數(shù)值，顯然不在0～255之間，卻可以由[0-9]{1,3}匹配。

細(xì)致一點(diǎn)的表達(dá)式似乎是[0-2][0-5][0-5]，這樣就限制了數(shù)值只能在255以?xún)?nèi)……不過(guò)，仔細(xì)想想，因?yàn)橄薅说诙唬ㄊ唬┖偷谌唬▊€(gè)位）都只能出現(xiàn)0～5之間的字符，表達(dá)式?jīng)]法匹配168之類(lèi)的數(shù)值。

其實(shí)，問(wèn)題可以這樣解決：先用表達(dá)式匹配這個(gè)字符串，再將它轉(zhuǎn)換為整數(shù)類(lèi)型的變量x，判斷x是否在0到255之間：0<=x && x<=255。沒(méi)錯(cuò)，這確實(shí)是一個(gè)解決問(wèn)題的思路，只是有點(diǎn)麻煩，最好能用正則表達(dá)式“一次性”搞定這個(gè)問(wèn)題。仔細(xì)想想就能發(fā)現(xiàn)，正則表達(dá)式雖然不能直接表示“匹配一段數(shù)值在0～255之間的文本”，但可以分幾種情況描述這樣的文本。

雖然不如0<=x && x<=255判斷簡(jiǎn)便，但如果文本符合其中任何一條規(guī)則（或者說(shuō)，只要其中任何一個(gè)正則表達(dá)式能匹配），就可以判斷它為“表示數(shù)字的數(shù)值在0～255之間”。用多選結(jié)構(gòu)把這幾條規(guī)則對(duì)應(yīng)的表達(dá)式合并起來(lái)，就得到了表達(dá)式([0-9]|[0-9]{2}|1[0-9][0-9]|2[0-4][0-9]|25[0-5])，它的匹配如例3-10所示。

例3-10　準(zhǔn)確匹配0～255之間的字符串

如果要更完善一點(diǎn)，能識(shí)別030、005這樣的數(shù)值，可以修改對(duì)應(yīng)的子表達(dá)式，為一位數(shù)和兩位數(shù)的情況增加之前可能出現(xiàn)0的匹配，得到表達(dá)式((00)?[0-9]|0?[0-9]{2}|1[0-9][0-9]|2[0-4][0-9]|25[0-5])。

上面講解的其實(shí)是用正則表達(dá)式匹配數(shù)值在某個(gè)范圍內(nèi)的字符串的通用模式，它很重要，因?yàn)樵S多時(shí)候會(huì)遇到類(lèi)似的任務(wù)，比如匹配月（1～12）、日（不考慮只有30天的情況，粗略記為1～31）、小時(shí)（0～24）、分鐘（00～60）的正則表達(dá)式，用正則表達(dá)式解決這類(lèi)問(wèn)題，會(huì)用到同樣的模式。

這個(gè)模式還可以用于匹配手機(jī)號(hào)碼：手機(jī)號(hào)碼通常是11位，前面3位是號(hào)段，目前有130～139號(hào)　段　、150～153、155～156、180、182、185～189號(hào)　段　，　用　多　選　分　支(13[0-9]|15[0-356]|18[025-9])可以很準(zhǔn)確地匹配號(hào)段；之后的8位一般沒(méi)有限制，只要是數(shù)字即可，用\d{8}匹配。另外，手機(jī)號(hào)碼開(kāi)頭可能有0或者+86，它可以用(0|\+86)匹配，因?yàn)檎麄€(gè)部分是可能出現(xiàn)的，所以需要加上量詞，也就是(0|\+86)?，最后得到的正則表達(dá)式就是(0|\+86)?(13[0-9]|15[0-356]|18[025-9])\d{8}。

多選結(jié)構(gòu)還可以解決更復(fù)雜的問(wèn)題，比如上一章的tag匹配問(wèn)題，當(dāng)時(shí)使用的表達(dá)式是<[^>]+>。一般來(lái)說(shuō)，這個(gè)表達(dá)式是沒(méi)有問(wèn)題的，但也有可能tag內(nèi)部還是會(huì)出現(xiàn)>符號(hào)，比如<input name=txt value=">">。這類(lèi)問(wèn)題使用字符組解決不了，可以使用多選結(jié)構(gòu)解決。

仔細(xì)分析tag中可能出現(xiàn)>，它只可能作為屬性（attribute）出現(xiàn)在單引號(hào)字符串和雙引號(hào)字符串中，根據(jù)HTML規(guī)范，引號(hào)字符串中不能出現(xiàn)嵌套轉(zhuǎn)義的引號(hào)，所以單引號(hào)字符串可以用'[^']*'來(lái)匹配，雙引號(hào)字符串可以用"[^"]*"來(lái)匹配，相應(yīng)的，其他內(nèi)容可以用[^'">]來(lái)匹配，所以更完善的表達(dá)式是<('[^']*'|"[^"]*"|[^'">])+>。它的匹配情況見(jiàn)例3-11。

例3-11　準(zhǔn)確的HTML tag匹配

請(qǐng)注意其中的量詞，因?yàn)閱我?hào)字符串和雙引號(hào)字符串都可以是空字符串，比如alt=''或alt=""，所以匹配其中文本的內(nèi)容使用*；而[^'">]則沒(méi)有使用量詞，因?yàn)樗嬖谟诙噙x結(jié)構(gòu)內(nèi)部，多選結(jié)構(gòu)外部有+量詞限制，保證了它不只是匹配一個(gè)字符。如果在多選結(jié)構(gòu)內(nèi)部使用[^'">]*，雖然看來(lái)似乎沒(méi)錯(cuò)，卻可能導(dǎo)致非常奇怪的結(jié)果，不過(guò)現(xiàn)在不用關(guān)心，在第143頁(yè)會(huì)給出詳細(xì)講解。

關(guān)于多選結(jié)構(gòu)，最后還要補(bǔ)充三點(diǎn)。

第一，多選結(jié)構(gòu)的一般表示法是(option1|option2)（其中option1和option2是兩個(gè)作為多選分支的正則表達(dá)式），在多選結(jié)構(gòu)中一般會(huì)同時(shí)使用括號(hào)()和豎線(xiàn)|；但是如果沒(méi)有括號(hào)()，只出現(xiàn)豎線(xiàn)|，仍然是多選結(jié)構(gòu)。從例3-12可以看到，ab|cd既可以匹配ab，也可以匹配cd。

例3-12　沒(méi)有括號(hào)的多選結(jié)構(gòu)

在多選結(jié)構(gòu)中，豎線(xiàn)|用來(lái)分隔多選結(jié)構(gòu)，而括號(hào)()用來(lái)規(guī)定整個(gè)多選結(jié)構(gòu)的范圍，如果沒(méi)有出現(xiàn)括號(hào)，則將整個(gè)表達(dá)式視為一個(gè)多選結(jié)構(gòu)，所以ab|cd等價(jià)于(ab|cd)。如果在某些地方看到?jīng)]有括號(hào)的多選結(jié)構(gòu)，你不用奇怪。

不過(guò)，我還是推薦明確寫(xiě)出兩端的括號(hào)，這樣更形象，也能避免一些錯(cuò)誤。如果你仔細(xì)看，就會(huì)發(fā)現(xiàn)在上面的表達(dá)式中，并沒(méi)有使用^和$定位字符串的起始位置和結(jié)束位置，按道理說(shuō)，加上之后應(yīng)該匹配更加準(zhǔn)確，結(jié)果卻并非如此。

因?yàn)樨Q線(xiàn)|的優(yōu)先級(jí)很低（關(guān)于優(yōu)先級(jí)，?108），所以^ab|cd$其實(shí)是(^ab|cd$)，而不是^(ab|cd)$，它的真正意思是“字符串開(kāi)頭的ab或者字符串結(jié)尾的cd”，而不是“只包含ab或cd的字符串”，代碼見(jiàn)例3-13。

例3-13　沒(méi)有括號(hào)的多選結(jié)構(gòu)

第二，多選分支并不等于字符組。多選分支看起來(lái)類(lèi)似字符組，如[abc]能匹配的字符串和(a|b|c)一樣，[0-9]能匹配的字符串和(0|1|2|3|4|5|6|7|8|9)一樣。從理論上說(shuō)，可以完全用多選結(jié)構(gòu)來(lái)替換字符組，但這種做法并不推薦，理由在于：首先，[abc]比(a|b|c)要簡(jiǎn)潔許多，在多選結(jié)構(gòu)中的每個(gè)分支都必須明確寫(xiě)出，不能使用-范圍表示法，(0|1|2|3|4|5|6|7|8|9)比[0-9]麻煩很多；其次，在大多數(shù)情況下，[abc]比(a|b|c)的效率要高很多。所以，能用字符組解決的問(wèn)題，最好不要用多選結(jié)構(gòu)。

反過(guò)來(lái)，多選結(jié)構(gòu)不一定能對(duì)應(yīng)到字符組。因?yàn)樽址M的每個(gè)“分支”的長(zhǎng)度相同，而且只能是單個(gè)字符；而多選結(jié)構(gòu)的每個(gè)“分支”的長(zhǎng)度沒(méi)有限制，甚至可以是復(fù)雜的表達(dá)式，比如(abc|b+c*ab)，字符組完全無(wú)能為力。

多選分支和字符組的另一點(diǎn)重要區(qū)別（同時(shí)也是常犯的錯(cuò)誤）是：排除型字符組可以表示“無(wú)法由某幾個(gè)字符匹配的字符”，多選結(jié)構(gòu)卻沒(méi)有對(duì)應(yīng)的結(jié)構(gòu)表示“無(wú)法由某幾個(gè)表達(dá)式匹配的字符串”。從例3-14可以看到，[^abc]表示“匹配除a、b、c之外的任意字符”，(^a|b|c)卻不能表示“匹配除a、b、c之外的任意字符串”。

例3-14　多選結(jié)構(gòu)不能表示“無(wú)法由某幾個(gè)表達(dá)式匹配的字符串”

在實(shí)際開(kāi)發(fā)中確實(shí)可能遇到這種需求，不過(guò)它沒(méi)有現(xiàn)成的解法。如果你現(xiàn)在就希望匹配“無(wú)法由某幾個(gè)表達(dá)式匹配的字符串”，請(qǐng)翻到第148頁(yè)。

第三，多選分支的排列是有講究的。比如這個(gè)表達(dá)式(jeff|jeffrey)，用它匹配jeffrey，結(jié)果到底是jeff還是jeffrey呢？這個(gè)問(wèn)題并沒(méi)有標(biāo)準(zhǔn)的答案，本書(shū)介紹的Java、.NET、Python、Ruby、JavaScript、PHP中，多選結(jié)構(gòu)都會(huì)優(yōu)先選擇最左側(cè)的分支。這一點(diǎn)從例3-15看得很清楚：如果使用的字符串是jeffrey，正則表達(dá)式是(jeff|jefferey)還是(Jeffrey|jeff)，結(jié)果是不一樣的（此處僅以Python為例，本書(shū)中介紹的其他語(yǔ)言中的結(jié)果與此相同）。

例3-15　多選結(jié)構(gòu)的匹配順序

在實(shí)際開(kāi)發(fā)中可能會(huì)遇到這樣的情況：統(tǒng)計(jì)一段文本中，“湖南”和“湖南省”分別出現(xiàn)的次數(shù)。如果直接查找“湖南”，可能會(huì)將“湖南省”中的“湖南”也找出來(lái)，如果使用多選結(jié)構(gòu)(湖南省|湖南)，就可以一次性找出所有“湖南”和“湖南省”，再按照字符串的長(zhǎng)度分別計(jì)數(shù)，就可以得到兩者出現(xiàn)的次數(shù)了。

不過(guò)，(湖南省|湖南)只是一個(gè)針對(duì)特殊應(yīng)用的例子。在平時(shí)使用中，如果出現(xiàn)多選結(jié)構(gòu)，應(yīng)當(dāng)盡量避免多選分支中存在重復(fù)匹配，因?yàn)檫@樣會(huì)大大增加回溯的計(jì)算量。也就是說(shuō)，應(yīng)當(dāng)避免這樣的情況：針對(duì)多選結(jié)構(gòu)(option1|option2)，某段文本既可以由option1匹配，也可以由option2匹配。如果出現(xiàn)了這樣的多選結(jié)構(gòu)，效率可能會(huì)受到極大影響（第168頁(yè)總結(jié)了可能影響效率的幾種寫(xiě)法），尤其在受量詞限定的多選結(jié)構(gòu)中更是如此：一般人很難遇到(a|[ab])這類(lèi)多選結(jié)構(gòu)，但([0-9]|\w)之類(lèi)則一不留神就會(huì)遇到。

3.3　引用分組

括號(hào)不僅能把有聯(lián)系的元素歸攏起來(lái)并分組，還有其他的作用—使用括號(hào)之后，正則表達(dá)式會(huì)保存每個(gè)分組真正匹配的文本，等到匹配完成后，通過(guò)group(num)之類(lèi)的方法“引用”分組在匹配時(shí)捕獲的內(nèi)容（這個(gè)方法之前已經(jīng)出現(xiàn)過(guò)）。其中，num表示對(duì)應(yīng)括號(hào)的編號(hào)，括號(hào)分組的編號(hào)規(guī)則是從左向右計(jì)數(shù)，從1開(kāi)始。因?yàn)椤安东@”了文本，所以這種功能叫作捕獲分組（capturing group）。對(duì)應(yīng)的，這種括號(hào)叫作捕獲型括號(hào)。

舉一個(gè)例子，我們經(jīng)常遇到諸如2010-12-22、2011-01-03這類(lèi)表示日期的字符串，希望從中提取出年、月、日之類(lèi)的信息，就可借助捕獲分組來(lái)實(shí)現(xiàn)。在正則表達(dá)式中，每個(gè)捕獲分組都有一個(gè)編號(hào)，具體情況如圖3-3所示。

一般來(lái)說(shuō)，正則表達(dá)式匹配完成之后，會(huì)得到一個(gè)表示“匹配結(jié)果”的對(duì)象，對(duì)它調(diào)用獲取分組的方法，傳入分組編號(hào)num，就可以得到對(duì)應(yīng)分組匹配的文本。第1章介紹過(guò)，如果匹配成功，re.search()返回一個(gè)MatchObject對(duì)象。如果只需要知道“是否能匹配”，判斷它是否為None即可；但如果獲取了MatchObject對(duì)象，可以通過(guò)對(duì)應(yīng)的方法，顯示匹配結(jié)果的詳細(xì)信息。使用MatchObject.group(num)，就可以引用正則表達(dá)式中編號(hào)為num的分組匹配的文本。從例3-16可以看到，通過(guò)引用編號(hào)為1、2、3的捕獲分組，分別獲得了年、月、日的信息。

例3-16　引用捕獲分組

前面說(shuō)過(guò)，num的編號(hào)從1開(kāi)始。不過(guò)，也有編號(hào)為0的分組，它是默認(rèn)存在的，對(duì)應(yīng)整個(gè)表達(dá)式匹配的文本。在許多語(yǔ)言中，如果調(diào)用group()方法，不給出參數(shù)num，默認(rèn)就等于調(diào)用group(0)，比如Python就是如此，代碼見(jiàn)例3-17。

例3-17　默認(rèn)存在編號(hào)為0的分組

有些正則表達(dá)式里可能包含嵌套的括號(hào)，比如在上面的例子中，除了能單獨(dú)提取出年、月、日之外，再給整個(gè)表達(dá)式加上一重括號(hào)，就出現(xiàn)了嵌套括號(hào)，這時(shí)候括號(hào)的編號(hào)是怎樣的呢？答案很簡(jiǎn)單：無(wú)論括號(hào)如何嵌套，分組的編號(hào)都是根據(jù)開(kāi)括號(hào)出現(xiàn)順序來(lái)計(jì)數(shù)的；開(kāi)括號(hào)是從左向右數(shù)起第多少個(gè)開(kāi)括號(hào)，整個(gè)括號(hào)分組的編號(hào)就是多少。圖3-4舉例說(shuō)明了這種編號(hào)規(guī)則，具體的代碼見(jiàn)例3-18。

例3-18　嵌套的括號(hào)

第2章用正則表達(dá)式<a\s[\s\S]+?</a>提取HTML中所有的超鏈接tag，配合括號(hào)的分組功能，可以更進(jìn)一步，依靠引用分組把超鏈接的地址和文本分別提取出來(lái)。通常的超鏈接tag類(lèi)似這樣：<a href="url">text</a>。其中url是超鏈接地址，text是文本，為了準(zhǔn)確獲取這兩部分內(nèi)容，可以把表達(dá)式改為<a\s+href="([^"]+)">([^<]+)</a>。

其中給匹配url和text的表達(dá)式分別加上括號(hào)，就是([^"]+)和([^<]+)（注意其中<a之后是\s+，因?yàn)檫@里需要的是空白字符，而不限定是空格字符，而且可能不止一個(gè)字符）。

當(dāng)然這只是最簡(jiǎn)單的情況，在等號(hào)=兩端可能還有空白字符，比如<a href = "url">text</a>，所以正則表達(dá)式中的=兩端也應(yīng)該添加\s*，于是得到<a\s+href\s*=\s*"([^"]+)">([^<]+)</a>。

不過(guò)，屬性既可以用雙引號(hào)字符串表示，也可以用單引號(hào)字符串表示，比如<a href='url'>text</a>；甚至可以不用引號(hào)，比如<a href=url>text</a>。為了處理這兩種情況，需要繼續(xù)改造表達(dá)式：首尾出現(xiàn)的單引號(hào)或者雙引號(hào)字符用["']?即可匹配；真正的URL，既不能包含單引號(hào)，也不能包含雙引號(hào)，還不能有空白字符，所以可以用[^"'\s]+匹配，而且這部分是需要提取出來(lái)的，別忘了它外面的括號(hào)。于是得到了最后的表達(dá)式<a\s+href\s*=\s*["']?([^"'\s]+)["']?>([^<]+)</a>。

現(xiàn)在表達(dá)式已經(jīng)編寫(xiě)完畢，第一個(gè)括號(hào)內(nèi)的表達(dá)式用來(lái)匹配url，第二個(gè)括號(hào)內(nèi)的表達(dá)式用來(lái)匹配text，所以如果要提取url和text，應(yīng)該使用編號(hào)為1和2的分組。下面仍然以yahoo.com的首頁(yè)為例來(lái)看看結(jié)果。需要說(shuō)明的是，如果使用re.findall()，而且正則表達(dá)式中出現(xiàn)了捕獲型括號(hào)，那么返回?cái)?shù)組的每個(gè)元素都是數(shù)組，其中各個(gè)元素對(duì)應(yīng)各個(gè)分組的文本，所以直接用下標(biāo)2訪(fǎng)問(wèn)得到第二個(gè)分組對(duì)應(yīng)的文本，不必顯式調(diào)用group(2)，代碼見(jiàn)例3-19。

例3-19　用分組提取出超鏈接的詳細(xì)信息

類(lèi)似的，還可以提取出網(wǎng)頁(yè)頭部信息（<head>）或網(wǎng)頁(yè)中的圖片鏈接（<img>）的表達(dá)式。[3]應(yīng)當(dāng)注意的是，匹配<img>時(shí)，在<img和src之間可能還有其他內(nèi)容，比如width=750之類(lèi)，所以不能僅僅用\s+匹配，而應(yīng)當(dāng)添加[^>]*?。在src=…之后也同樣如此。表3-1總結(jié)了匹配網(wǎng)頁(yè)頭部信息和圖片鏈接的表達(dá)式。

應(yīng)當(dāng)記住的是，引用分組時(shí)，引用的是分組對(duì)應(yīng)括號(hào)內(nèi)的表達(dá)式捕獲的文本。在這個(gè)問(wèn)題上，正則表達(dá)式新手常犯錯(cuò)誤。例3-20仍然是用正則表達(dá)式匹配日期字符串，兩個(gè)表達(dá)式能匹配的字符串是完全相同的，引用分組的編號(hào)也是相同的，結(jié)果卻不同。

例3-20　新手容易弄錯(cuò)分組的結(jié)構(gòu)

在第一個(gè)表達(dá)式中，編號(hào)為1的分組對(duì)應(yīng)的括號(hào)是(\d{4})，其中的\d{4}是“匹配4個(gè)數(shù)字字符”的子表達(dá)式。在第二個(gè)表達(dá)式中，編號(hào)為1的分組對(duì)應(yīng)的括號(hào)是(\d)，其中的\d是“匹配1個(gè)數(shù)字字符”的子表達(dá)式，因?yàn)橹笥辛吭~{4}，所以整個(gè)括號(hào)作為單個(gè)元素，要重復(fù)出現(xiàn)4次，而且編號(hào)都是1。于是每重復(fù)出現(xiàn)一次，就要更新一次匹配結(jié)果。所以在匹配過(guò)程中，編號(hào)為1的分組匹配的文本的值，依次是2、0、1、0，最后的結(jié)果是0。在實(shí)際使用時(shí)，常常有人忽略了這一細(xì)節(jié)，得到匪夷所思的匹配結(jié)果。

引用分組捕獲的文本，不僅僅用于數(shù)據(jù)提取，也可以用于替換，有時(shí)候這么做非常方便。仍然舉上面的日期的例子，比如希望將YYYY-MM-DD格式的日期變?yōu)镸M/DD/YYYY，就可以使用正則表達(dá)式替換。

在Python語(yǔ)言中進(jìn)行正則表達(dá)式替換的方法是re.sub(pattern,replacement,string)，其中pattern是用來(lái)匹配被替換文本的表達(dá)式，replacement是要替換成的文本，string是要進(jìn)行替換操作的字符串，比如re.sub(r"[a-z]"," ",string)就是將string中的每一個(gè)小寫(xiě)字母替換為一個(gè)空格。程序運(yùn)行結(jié)果如例3-21。

例3-21　正則表達(dá)式替換

在replacement中也可以引用分組，形式是\num，其中的num是對(duì)應(yīng)分組的編號(hào)。不過(guò)，replacement并不是一個(gè)正則表達(dá)式，而是一個(gè)普通字符串。根據(jù)字符串中的轉(zhuǎn)義規(guī)定，\t表制表符，\n表示換行符，\1、\2卻不是字符串中的合法轉(zhuǎn)義序列，所以也必須指定replacement為原生字符串（?98）。例3-22說(shuō)明了如何通過(guò)在replacement中使用引用分組轉(zhuǎn)換日期字符串的格式。

例3-22　在替換中使用分組

值得注意的是，如果想在replacement中引用整個(gè)表達(dá)式匹配的文本，不能使用\0，即便用原生字符串也不行。因?yàn)樵谧址校琝0開(kāi)頭的轉(zhuǎn)義序列通常表示用八進(jìn)制形式表示的字符，\0本身表示ASCII字符編碼為0的字符。如果一定要引用整個(gè)表達(dá)式匹配的文本，則可以稍加變通，給整個(gè)表達(dá)式加上一對(duì)括號(hào)，之后用\1來(lái)引用，如例3-23所示。

例3-23　在替換中，使用\1替代\0

3.3.1　反向引用

英文的不少單詞中都有重疊出現(xiàn)的字母，比如shoot或beep，如果希望檢查某個(gè)單詞是否包含重疊出現(xiàn)的字母，該怎么辦呢？

匹配字母的表達(dá)式是[a-z]（這里暫時(shí)不考慮大寫(xiě)的情況），所以最先想到的往往是用兩個(gè)字符組[a-z][a-z]來(lái)匹配，但這樣做并不對(duì)，因?yàn)橹丿B出現(xiàn)的字母千差萬(wàn)別。假設(shè)字符串是at，a可以由第一個(gè)[a-z]匹配，t可以由第二個(gè)[a-z]匹配，但是因?yàn)榍耙粋€(gè)[a-z]和后一個(gè)[a-z]之間并沒(méi)有聯(lián)系，所以[a-z][a-z]其實(shí)只能匹配兩個(gè)小寫(xiě)字母，不關(guān)心它們是否相同。

這個(gè)問(wèn)題有點(diǎn)復(fù)雜?！爸丿B出現(xiàn)”的字母，取決于第一個(gè)[a-z]在運(yùn)行時(shí)的匹配結(jié)果，而不能預(yù)先設(shè)定。也就是說(shuō)后面的部分必須“知道”前面部分匹配的內(nèi)容：如果前面的[a-z]匹配的是e，后面就只能匹配e；如果前面的[a-z]匹配的是o，后面就只能匹配o。

前面我們看到了引用分組，了解到能引用某個(gè)分組內(nèi)的子表達(dá)式匹配的文本，但引用都是在匹配完成后進(jìn)行的，能不能在正則表達(dá)式中引用呢？

答案是可以的，這種功能被稱(chēng)作反向引用（back-reference），它允許在正則表達(dá)式內(nèi)部引用之前的捕獲分組匹配的文本（也就是左側(cè)），其形式也是\num，其中num表示所引用分組的編號(hào)，編號(hào)規(guī)則與之前介紹的相同。

根據(jù)反向引用，查找連續(xù)重疊字母的表達(dá)式就是([a-z])\1，其中的[a-z]匹配第一個(gè)字母，再用括號(hào)將匹配分組，然后用\1來(lái)反向引用，這個(gè)表達(dá)式的匹配情況見(jiàn)例3-24。

例3-24　用反向引用匹配重復(fù)字母

在日常開(kāi)發(fā)中，我們可能經(jīng)常需要反向引用來(lái)建立前后聯(lián)系。最常見(jiàn)的例子就是解析HTML代碼時(shí)匹配tag。之前我們說(shuō)過(guò)，tag包括open tag和close tag，open tag和close tag經(jīng)常是成對(duì)出現(xiàn)的，比如<bold>text</bold>或<h1>title</h1>。

有了反向引用功能，就可以先匹配open tag，再匹配其他內(nèi)容，直到最近的close tag為止：在匹配open tag時(shí)，用一個(gè)括號(hào)分組匹配tag name的表達(dá)式([^>]+)；在匹配close tag時(shí)，用\1引用之前匹配的tag name，就完成了配對(duì)（要注意的是，這里需要用到忽略?xún)?yōu)先量詞*?，否則可能會(huì)出現(xiàn)錯(cuò)誤匹配，理由在第2章匹配JavaScript代碼時(shí)講過(guò)）。最后得到的表達(dá)式就是<([^>]+)>[\s\S]*?</\1>，這個(gè)表達(dá)式的匹配如例3-25所示。

例3-25　用反向引用匹配成對(duì)的tag

也有些tag更復(fù)雜一點(diǎn)，比如<span class="class1">text</span>，在tag名之后有一個(gè)空白字符，然后是其他屬性，此時(shí)原有的表達(dá)式就無(wú)法匹配了。為應(yīng)對(duì)這類(lèi)情況，應(yīng)當(dāng)修改表達(dá)式，讓分組1準(zhǔn)確匹配tag name，它可以是數(shù)字、小寫(xiě)字母、大寫(xiě)字母，所以將它修改為<([a-zA-Z0-9]+)\s[^>]+>[\s\S]*?<\1>，但滿(mǎn)足了\s[^>]+的匹配，就無(wú)法應(yīng)對(duì)之前的那些open tag。為了兼容兩種情況，必須用括號(hào)分組和量詞?來(lái)限定，也就是改為(\s[^>]+)?，最后的表達(dá)式就是<([a-zA-Z0-9]+)(\s[^>]+)?>[\s\S]*?</\1>。具體程序如例3-26所示。

例3-26　用反向引用匹配更復(fù)雜的成對(duì)tag

反向引用還可以用在其他很多地方，比如在處理中文文本時(shí)，用它很容易找出“浩浩蕩蕩”“清清白白”之類(lèi)AABB，或者“如火如荼”、“越快越好”之類(lèi)AXAY類(lèi)型的四字詞語(yǔ)。

關(guān)于反向引用，還有一點(diǎn)需要強(qiáng)調(diào)：反向引用重復(fù)的是對(duì)應(yīng)捕獲分組匹配的文本，而不是之前的表達(dá)式；也就是說(shuō)，反向引用是一種“引用”，對(duì)應(yīng)的是由之前表達(dá)式?jīng)Q定的具體文本，它本身并不規(guī)定文本的特征。這一點(diǎn)，新手常犯錯(cuò)誤。

仍然以匹配IP地址為例，前面說(shuō)過(guò)，IP地址分4段（4字節(jié)），匹配其中每一段的表達(dá)式是(0{0,2}[0-9]|0?[0-9]{2}|1[0-9][0-9]|2[0-4][0-9]|25[0-5])，之間用點(diǎn)號(hào).分隔，所以匹配完整IP地址的表達(dá)式應(yīng)該用量詞重復(fù)這個(gè)子表達(dá)式，而不是用反向引用重復(fù)這個(gè)表達(dá)式匹配的文本。例3-27對(duì)比了這兩個(gè)表達(dá)式，其中第二個(gè)表達(dá)式中使用了反向引用，故而要求后面3段與第1個(gè)字段完全一樣，所以它只能匹配8.8.8.8之類(lèi)的地址，而不能匹配192.168.0.1之類(lèi)地址。

例3-27　匹配IP地址的正則表達(dá)式

3.3.2　各種引用的記法

根據(jù)前面的介紹，對(duì)分組的引用可能出現(xiàn)在三種場(chǎng)合：在匹配完成后，用group(num)之類(lèi)的方法提取數(shù)據(jù)；在進(jìn)行正則表達(dá)式替換時(shí)，用\num引用；在正則表達(dá)式內(nèi)部，用\num引用。

不過(guò)，這只是Python語(yǔ)言的規(guī)定，事情并不總是如此：group(num)之類(lèi)的方法，在各種語(yǔ)言中都是差不多的；但是在有些語(yǔ)言中，替換時(shí)引用的記法和正則表達(dá)式內(nèi)部引用的記法是不同的。表3-2總結(jié)了各種常用語(yǔ)言中的兩類(lèi)記法。[4]

看起來(lái)\num和$num差別不大：\1或者$1表示第1個(gè)捕獲分組，\2或者$2表示第2個(gè)捕獲分組……不過(guò)一般來(lái)說(shuō)，$num要好于\num。原因在于，$0可以準(zhǔn)確表示“第0個(gè)分組（也就是整個(gè)表達(dá)式匹配的文本）”，而\0則不行，因?yàn)樵诓簧僬Z(yǔ)言的字符串中，\num本身是一個(gè)有意義的轉(zhuǎn)義序列，它表示值為num的ASCII字符，所以\0會(huì)被解釋為“ASCII編碼為0的字符”。但是反向引用不存在這個(gè)問(wèn)題，因?yàn)椴荒茉谡齽t表達(dá)式還沒(méi)匹配結(jié)束時(shí)，就用\0引用整個(gè)表達(dá)式匹配的文本。

但無(wú)論是\num還是$num，都有可能遇到二義性的問(wèn)題：如果出現(xiàn)了\10（或者$10，這里以\num為例），它到底表示第10個(gè)捕獲分組\10，還是第1個(gè)捕獲分組\1之后跟著一個(gè)字符0？Python的結(jié)果見(jiàn)例3-28。

例3-28　可能具有二義性的反向引用

原來(lái)\10會(huì)被解釋成“第10個(gè)捕獲分組匹配的文本”，而不是“第1個(gè)捕獲分組匹配的文本之后加上字符0”。如果我們就是希望做到后面這步，Python提供了\g<num>表示法，將\10寫(xiě)成\g<1>0，這樣同時(shí)也避免了替換時(shí)無(wú)法使用\0的問(wèn)題，代碼如例3-29所示。

例3-29　使用g<n>消除二義性

PHP中也有專(zhuān)門(mén)的記法解決這類(lèi)問(wèn)題，在替換時(shí)可以使用\${num}的寫(xiě)法，準(zhǔn)確標(biāo)注所引用分組的編號(hào)，也就是說(shuō)，\${1}0表示“第1個(gè)捕獲分組之后加上0”，${10}表示“第10個(gè)捕獲分組”。而$10，在第10個(gè)捕獲分組存在的情況下，表示該捕獲分組；否則，被視為空字符串。PHP的代碼見(jiàn)例3-30。

例3-30　PHP中的引用

注：正則表達(dá)式兩端的/是分隔符，PHP規(guī)定正則表達(dá)式兩端必須使用分隔符。

Python和PHP的規(guī)定比較明確，所以避免了\num的二義性；其他一些語(yǔ)言卻不是如此，根據(jù)它們的文檔，引用捕獲分組只有\(zhòng)num（或者$num）一種記法，這時(shí)候\10（其實(shí)\11、\21等都是如此）的二義性問(wèn)題就無(wú)可避免了（實(shí)際上，本書(shū)中介紹的語(yǔ)言，除了Python和PHP之外都是如此）。

比如Java對(duì)\num中的num是這樣規(guī)定的：如果是一位數(shù)，則引用對(duì)應(yīng)的捕獲分組；如果是兩位數(shù)且存在對(duì)應(yīng)捕獲分組時(shí)，引用對(duì)應(yīng)的捕獲分組，如果不存在對(duì)應(yīng)的捕獲分組，則引用一位數(shù)編號(hào)的捕獲分組。

也就是說(shuō)，如果確實(shí)存在編號(hào)為10的捕獲分組，則\10引用此捕獲分組匹配的文本；否則，\10表示“第1個(gè)捕獲分組匹配的文本”和“字符0”。程序的運(yùn)行結(jié)果見(jiàn)例3-31。

例3-31　Java中的引用

除Java之外，Ruby和JavaScript也采用這種規(guī)定，它看起來(lái)有點(diǎn)古怪，而且有一個(gè)問(wèn)題無(wú)法解決：如果存在編號(hào)為10的捕獲分組，無(wú)法用\10表示“編號(hào)為1的捕獲分組和字符0”，因?yàn)榇藭r(shí)\10表示的必然是編號(hào)為10的捕獲分組。

在開(kāi)發(fā)中，尤其是進(jìn)行文本替換時(shí)有時(shí)確實(shí)會(huì)遇到這個(gè)問(wèn)題，它在現(xiàn)有的規(guī)則下是無(wú)解的。好在，一般我們并不會(huì)用到太多的捕獲分組（包含捕獲分組數(shù)超過(guò)10個(gè)的表達(dá)式很少見(jiàn)，也很難理解和維護(hù)）。而且，已經(jīng)有越來(lái)越多的語(yǔ)言提供了命名分組，它可以徹底解決這個(gè)問(wèn)題。

3.3.3　命名分組

捕獲分組通常用數(shù)字編號(hào)來(lái)標(biāo)識(shí)，但這樣有幾個(gè)問(wèn)題：數(shù)字編號(hào)不夠直觀，雖然規(guī)則是“從左向右按照開(kāi)括號(hào)出現(xiàn)的順序計(jì)數(shù)”，但括號(hào)多了難免混淆；引用時(shí)也不夠方便，上面已經(jīng)講過(guò)\10引起混淆的情況。

為解決這類(lèi)問(wèn)題，一些語(yǔ)言和工具提供了命名分組（named grouping），可以將它看作另一種捕獲分組，但是標(biāo)識(shí)是容易記憶和辨別的名字，而不是數(shù)字編號(hào)。

命名分組的記法也并不復(fù)雜。在Python中用(?P<name>regex)來(lái)分組的，其中的name是賦予這個(gè)分組的名字，regex則是分組內(nèi)的正則表達(dá)式。這樣，匹配年月日的正則表達(dá)式中，可以給年、月、日的分組分別命名，再用group(name)來(lái)獲得對(duì)應(yīng)分組匹配的文本。圖3-5說(shuō)明了命名分組的結(jié)構(gòu)，具體的代碼見(jiàn)例3-32。

例3-32　命名分組捕獲

因?yàn)閿?shù)字編號(hào)分組的歷史更長(zhǎng)，為保證向后兼容性，即便使用了命名分組，每個(gè)命名分組同時(shí)也具有數(shù)字編號(hào)，其編號(hào)規(guī)則沒(méi)有變化。從例3-33可以看到，在全部使用命名分組的情況下，仍然可以使用數(shù)字編號(hào)來(lái)引用分組。

例3-33　命名分組捕獲時(shí)仍然保留了數(shù)字編號(hào)

在Python中，如果使用了命名分組，在表達(dá)式中反向引用時(shí)，必須使用(?P=name)的記法；而要進(jìn)行正則表達(dá)式替換，則需要寫(xiě)作\g<name>，其中的name是分組的名字。代碼見(jiàn)例3-34。

例3-34　命名分組的引用方法

值得注意的是，命名分組不是目前通行的功能，不同語(yǔ)言的記法也不同，表3-3總結(jié)了目前常見(jiàn)的用法。

3.4　非捕獲分組

到目前為止，總共介紹了括號(hào)的三種用途：分組，將相關(guān)的元素歸攏到一起，構(gòu)成單個(gè)元素；多選結(jié)構(gòu)，規(guī)定可能出現(xiàn)的多個(gè)子表達(dá)式；引用分組，將子表達(dá)式匹配的文本存儲(chǔ)起來(lái)，供之后引用。

這三種用途并不是彼此獨(dú)立的，而是互相重疊的：?jiǎn)渭兊姆纸M可以視為“只包含一個(gè)多選分支的多選結(jié)構(gòu)”；整個(gè)多選結(jié)構(gòu)也會(huì)被視為單個(gè)元素，可以由單個(gè)量詞限定。最重要的是，無(wú)論是否需要引用分組，只要出現(xiàn)了括號(hào)，正則表達(dá)式在匹配時(shí)就會(huì)把括號(hào)內(nèi)的子表達(dá)式存儲(chǔ)起來(lái)，提供引用。如果并不需要引用，保存這些信息無(wú)疑會(huì)影響正則表達(dá)式的性能；如果表達(dá)式比較復(fù)雜，要處理的文本又很多，更可能?chē)?yán)重影響性能。

為解決這種問(wèn)題，正則表達(dá)式提供了非捕獲分組（non-capturing group），非捕獲分組類(lèi)似普通的捕獲分組，只是在開(kāi)括號(hào)后緊跟一個(gè)問(wèn)號(hào)和冒號(hào)(?:…)，這樣的括號(hào)叫作非捕獲型括號(hào)，它只能限定量詞的作用范圍，不捕獲任何文本。在引用分組時(shí)，分組的編號(hào)同樣會(huì)按開(kāi)括號(hào)出現(xiàn)的順序從左到右遞增，只是必須以捕獲分組為準(zhǔn)，會(huì)略過(guò)非捕獲分組，如例3-35所示。

例3-35　非捕獲分組的使用

非捕獲分組不需要保存匹配的文本，整個(gè)表達(dá)式的效率也因此提高，但是看起來(lái)不如捕獲分組美觀，所以很多人不習(xí)慣這種記法。不過(guò)，如果只需要使用括號(hào)的分組或者多選結(jié)構(gòu)的功能，而沒(méi)有用到引用分組，則應(yīng)當(dāng)盡量使用非捕獲型括號(hào)。

如果不習(xí)慣這種記法，比較好的辦法是，在寫(xiě)正則表達(dá)式時(shí)先統(tǒng)一使用捕獲分組，確保正確之后，再把不需要引用的分組改為非捕獲分組—當(dāng)然，引用分組的編號(hào)可能也要調(diào)整（在上例中，只需要取月份信息，把第一個(gè)分組改為非捕獲分組之后，取月份信息對(duì)應(yīng)分組的編號(hào)從2變?yōu)?）。

在本書(shū)中，為了使代碼簡(jiǎn)潔和易于閱讀，除非特殊標(biāo)注，否則不管匹配完成之后是否會(huì)引用文本，都使用捕獲分組。

3.5　補(bǔ)充

3.5.1　轉(zhuǎn)義

之前講到，如果元字符是單個(gè)出現(xiàn)的，直接添加反斜線(xiàn)字符轉(zhuǎn)義即可，所以*、+、?的轉(zhuǎn)義形式分別是\*、\+、\?。如果元字符是成對(duì)出現(xiàn)的，則有可能只對(duì)第一個(gè)字符轉(zhuǎn)義，比如{6}和[a-z]的轉(zhuǎn)義分別是\{6}和\[a-z]。

括號(hào)的轉(zhuǎn)義與它們都不同，與括號(hào)有關(guān)的所有三個(gè)元字符(、)、|都必須轉(zhuǎn)義。因?yàn)槔ㄌ?hào)非常重要，所以無(wú)論是開(kāi)括號(hào)還是閉括號(hào)，只要出現(xiàn)，正則表達(dá)式就會(huì)嘗試尋找整個(gè)括號(hào)，如果只轉(zhuǎn)義了開(kāi)括號(hào)而沒(méi)有轉(zhuǎn)義閉括號(hào)，一般會(huì)報(bào)告“括號(hào)不匹配”的錯(cuò)誤。另一方面，多選結(jié)構(gòu)中的|也必須轉(zhuǎn)義（多選結(jié)構(gòu)可以不用括號(hào)只出現(xiàn)|），所以，也不要忘記對(duì)|的轉(zhuǎn)義，否則就可能出現(xiàn)例3-36的問(wèn)題。

例3-36　括號(hào)的轉(zhuǎn)義

3.5.2　URL Rewrite

提到括號(hào)的分組和引用功能，就不能不提到URL Rewrite。URL Rewrite是常見(jiàn)Web服務(wù)器中都具備（也必需）的功能，它用來(lái)進(jìn)行網(wǎng)址的轉(zhuǎn)發(fā)，下面是一個(gè)轉(zhuǎn)發(fā)的例子。

■ 外部訪(fǎng)問(wèn)URL

http://www.example.com/blog/2006/12

■ 內(nèi)部實(shí)現(xiàn)

http://www.example.com/blog/posts.php?year=2006&month=12

這樣的好處是隔離了外部接口和內(nèi)部實(shí)現(xiàn)，方便修改；也有利于提供更有意義、更直觀的URL。

一般來(lái)說(shuō)，URL Rewrite都是使用轉(zhuǎn)發(fā)規(guī)則實(shí)現(xiàn)的，每條轉(zhuǎn)發(fā)規(guī)則對(duì)應(yīng)一類(lèi)URL，以正則表達(dá)式解析并提取出所需要的信息，重組之后再轉(zhuǎn)發(fā)。比如上面的轉(zhuǎn)發(fā)，就需要先提取年、月、日的信息進(jìn)行重組。很自然的，我們會(huì)想到使用括號(hào)和引用分組的功能來(lái)實(shí)現(xiàn)。下面就以剛才提到的日期轉(zhuǎn)發(fā)為例，看上面的轉(zhuǎn)發(fā)規(guī)則在當(dāng)前主流的Web服務(wù)器中如何配置。

Microsoft IIS

在Web.config配置文件中，找到<rewrite>節(jié)點(diǎn)，在<rules>下新增下面的代碼。

其中<match>節(jié)點(diǎn)中的url是外部訪(fǎng)問(wèn)的URL。對(duì)轉(zhuǎn)發(fā)的URL而言，能接收的都是path部分，如果URL是http://www.example.com/blog/2006/12，則path就是blog/2006/12。正則表達(dá)式以^blog開(kāi)頭，分別用[0-9]{4}、[0-9]{2}匹配其中的年、月信息，因?yàn)橹蟮霓D(zhuǎn)發(fā)需要用到這些信息，所以必須使用捕獲分組以便引用。另外，因?yàn)閁RL最后可能出現(xiàn)反斜線(xiàn)/，也可能不出現(xiàn)，意義沒(méi)有區(qū)別，所以使用了量詞/?。

Action節(jié)點(diǎn)中的url則是轉(zhuǎn)發(fā)之后（也就是內(nèi)部使用）的URL，轉(zhuǎn)發(fā)到blog/posts.php，且將年、月信息作為請(qǐng)求參數(shù)，附在后面。在IIS中，通過(guò){R:num}的記法引用分組，其中num為對(duì)應(yīng)分組的編號(hào)；另外，因?yàn)檫@是一個(gè)XML文件，所有的&必須轉(zhuǎn)義為&amp;，URL中的&也不例外。

關(guān)于IIS中URL Rewrite的具體信息，可以參考下面的詳細(xì)文檔。

http://learn.iis.net/page.aspx/496/iis-url-rewriting-and-aspnet-routing/

Apache

在httpd.conf配置文件中，找到虛擬主機(jī)對(duì)應(yīng)的配置字段，首先確認(rèn)啟用了URL Rewrite功能，也就是保證出現(xiàn)了下面這行：

然后編寫(xiě)規(guī)則，上面的轉(zhuǎn)義對(duì)應(yīng)的規(guī)則如下：

以RewriteRule開(kāi)頭的行指定了轉(zhuǎn)發(fā)規(guī)則，RewriteRule之后是外部URL和轉(zhuǎn)發(fā)的URL，最后是可選出現(xiàn)的標(biāo)志位（flags，[L]表示“如果URL匹配成功，按本條規(guī)則轉(zhuǎn)發(fā)之后，不再考慮其他轉(zhuǎn)發(fā)規(guī)則”），這幾個(gè)字段之間用任意空白字符分隔。在Apache中，分組的引用使用$num的形式，其中num為分組對(duì)應(yīng)的編號(hào)。

關(guān)于Apache中URL Rewrite的具體信息，可以參考下面的詳細(xì)文檔。

Apache 2.x版：http://httpd.apache.org/docs/2.0/misc/rewriteguide.html

Apache 1.3版：http://httpd.apache.org/docs/1.3/mod/mod_rewrite.html

Nginx

在Nginx.conf配置文件中找到對(duì)應(yīng)虛擬主機(jī)的配置字段，在其中添加下面的規(guī)則。

以rewrite開(kāi)頭的行指定了轉(zhuǎn)發(fā)規(guī)則，rewrite之后是外部URL和轉(zhuǎn)發(fā)的URL，最后是可選出現(xiàn)的標(biāo)志位（flags，last的含義與Apache轉(zhuǎn)發(fā)規(guī)則中的[L]相同），這幾個(gè)字段之間也是用任意空白字符分隔（要注意，行的末尾必須有分號(hào);）。在Nginx中，使用$num的記法引用分組，其中num為分組對(duì)應(yīng)的編號(hào)。

相對(duì)來(lái)說(shuō)，Nginx的轉(zhuǎn)發(fā)功能最為強(qiáng)大，因?yàn)锳pache和IIS的轉(zhuǎn)發(fā)一般都只限于單條語(yǔ)句，但是Nginx的轉(zhuǎn)發(fā)可以使用復(fù)雜的判斷邏輯，比如下面的轉(zhuǎn)發(fā)首先判斷瀏覽器的user-agent，如果是IE則轉(zhuǎn)發(fā)，否則不轉(zhuǎn)發(fā)。

關(guān)于Nginx中URL Rewrite的具體信息，可以參考下面的詳細(xì)文檔。

http://wiki.nginx.org/HttpRewriteModule

3.5.3　一個(gè)例子

這部分內(nèi)容來(lái)自一位朋友的問(wèn)題，這個(gè)問(wèn)題相當(dāng)有迷惑性和代表性，所以不妨列在這里，希望能解開(kāi)更多讀者的類(lèi)似疑惑。

問(wèn)題是這樣的：運(yùn)行re.findall('(\w+\.?)+','aaa.bbb.ccc')，期望得到序列aaa.、bbb.、ccc，實(shí)際運(yùn)行的結(jié)果卻只有ccc，這是為什么呢？

其實(shí)答案很簡(jiǎn)單—因?yàn)楸磉_(dá)式(\w+\.?)+中存在量詞+，所以在整個(gè)正則表達(dá)式的匹配過(guò)程中，括號(hào)內(nèi)的\w+\.?會(huì)多次匹配：第1次匹配aaa.，第2次匹配bbb.，第3次（也就是最后）匹配ccc，最終這個(gè)捕獲分組匹配的文本就是ccc。調(diào)用re.findall()時(shí)，因?yàn)榇嬖诶ㄌ?hào)（也就是捕獲分組），默認(rèn)返回捕獲分組匹配的文本，也就是ccc。

解答了這個(gè)問(wèn)題之后，他繼續(xù)問(wèn)：如果字符串是aaa.bbb，或者aaa.bbb.ccc.ddd，如何能用一個(gè)表達(dá)式，逐個(gè)拆分出aaa.、bbb.之類(lèi)的子串呢？（請(qǐng)注意，子串的個(gè)數(shù)是變化的，并且不能預(yù)先知道。）

要搞清楚這個(gè)問(wèn)題，需要記住：捕獲分組的個(gè)數(shù)是不能動(dòng)態(tài)變化的—單個(gè)正則表達(dá)式里有多少個(gè)捕獲分組，一次匹配成功之后，結(jié)果中就必然存在多少個(gè)對(duì)應(yīng)的元素（捕獲分組匹配的文本）。如果不能預(yù)先規(guī)定匹配結(jié)果中元素的個(gè)數(shù)，就不能使用捕獲分組。如果要匹配數(shù)目不定的多段文本，必須通過(guò)重復(fù)多次匹配完成。具體到這個(gè)例子，在re.findall('\w+\.?','aaa.bbb.ccc')中，整個(gè)正則表達(dá)式會(huì)匹配成功3次，得到3個(gè)子串；如果把字符串改為aaa.bbb.ccc.ddd，則整個(gè)正則表達(dá)式會(huì)匹配成功4次，得到4個(gè)子串。

---

[1]一般來(lái)說(shuō)，最后的x可以是小寫(xiě)也可以是大寫(xiě)，但也有些部門(mén)規(guī)定身份證號(hào)碼最后的x必須是大寫(xiě)X，這里為講解方便，只考慮了小寫(xiě)x的情況；如果要兼容大寫(xiě)X或保證只能出現(xiàn)大寫(xiě)X，只需要修改最后的字符組[0-9x]即可。

[2]雖然常見(jiàn)的頂級(jí)域名是cn、com、info之類(lèi)的，最長(zhǎng)4個(gè)字母，最短2個(gè)字母，但情況并非都是如此。在有些內(nèi)部系統(tǒng)中，主機(jī)名中并不包含點(diǎn)號(hào)，可以視為頂級(jí)域名，所以這里認(rèn)為頂級(jí)域名也是一個(gè)普通域名字段。

[3]雖然HTML 4.0規(guī)范中沒(méi)有限制tag名的大小寫(xiě)，但XHTML規(guī)范要求都使用小寫(xiě)，在平時(shí)處理中，tag名也大多使用小寫(xiě)，如果實(shí)在要處理大寫(xiě)的情況，可以使用字符組，比如img寫(xiě)作[iI][mM][gG]，更省事的辦法是指定不區(qū)分大小寫(xiě)的模式，?83。

[4]在很多文檔中都表示為\n，但\n容易誤解為換行符，所以本書(shū)中統(tǒng)一用\num表示。

[5]可參考http://cr.openjdk.java.net/～sherman/6350801/webrev.00/regex/Pattern.html#groupname。