正则表达式的秘密（三）构成元素与方法 中

书接上回

使用上一节介绍的基本元素，你已经可以自己构建一些固定结构的表达式了。比如匹配任意一个IP地址12.1.242.1, 我们可以使用元字符+量词的方式匹配，比如^[0-2]?\d?\d\.[0-2]?\d?\d\.[0-2]?\d?\d\.[0-2]?\d?\d$

但这么写的话299.299.299.299也能匹配了，显然超出了IP地址的范围，而且代码看起来不是那么简洁对吧，里面有很多重复项。那如何让正则更灵活，更简洁，更有效呢？ 我们带着这个问题往下看吧。

子组 （）

也就是我们常见的小括号（），首先它可以进行嵌套，但这并不影响从左到右的匹配顺序，这和运算中的括号是两码事。

它的功能很强大，我总结了一下，主要有6个：

1. 限定量词的使用范围，如\w\d{5}和(\w\d){5}匹配结果是不一样的，前者匹配1个字符和5个数字共6位，后者匹配5个（字符+数字组合）共10位；

2. 将可选分支|局部化，可选分支默认是整体的，如(cat)(dog)|(ant)匹配catdog或ant，而使用了子组后(cat)(dog|ant)匹配的是catdog或catant，可选分支变为了子组里面的内容；

3. 单独捕获匹配结果，如果不用子组的话，正则返回值是整个匹配字符串，而用了子组后，在返回整个字符串同时，还能返回该子组的匹配结果，用来做数据提取非常方便！

4. 后向引用，可以直接引用前面子组成功捕获的结果。

5. 根据判断条件，选择可选分支，这是条件子组的应用。

6. 代码注释，直接在正则表达式中进行注释，方法是（？@后面跟注释内容）

1和6都没什么可说的，我重点说一下2,3,4,5.

可选分支|局部化

这里讲一个我曾经犯错的例子：（a|b)*

我刚开始学正则，会把它理解成(a*|b*)，后来发现如果这么拆分的话，会有问题，（a*|b*)可以匹配任意个aaaa或者任意个bbbbb,但不能匹配a与b的组合aabb/abababab;

正确的翻译是，(a|b)是要当作一个整体去看，那么（a|b)*实际等价的是’(a|b)(a|b)(a|b)….’它可以匹配任意ab的组合，理解这个对我们之后讲递归正则很有用。

捕获子组与引用 \g{n}

捕获Catch的意思就是匹配成功。捕获的目的是为了引用。引用的目的是为了结构简单，避免重复。

子组默认都是捕获子组，匹配成功都会返回子组的匹配值（捕获值）。子组排序是按照从左到右的顺序，从1开始排。

但当一个子组是重复的时，捕获到的该子组的结果是最后一次迭代捕获的值。

这一点理解不到位就会犯错。

举个例子：表达式'\w*(\d{3})'匹配abc123456，在返回整个字符串的同时，还会返回(\d{3})子组的匹配值456; 但\w*(\d){3}的返回值，除了整个字符串外，捕获子组的返回值是6，理解了这一点，在使用的时候就一定要注意子组的范围；

ok，捕获到了之后该引用了。引用的意思就是将捕获值再调用。在正则中，引用都是后向的，也就是说被引用的内容必须出现在引用符号的前面。

通过方法\n或\gn或\g{n}进行引用，n代表子组的序号，我推荐使用\g{n}，因为结构更清晰

n可以是正数，0或负数。如果n为正数，表示从表达式开始正着数第n个子组；如果n为负数，就是从\g{n}前面倒着数第n个子组。举例：(foo)(bar)\g{-1} 可以匹配字符串 ”foobarbar”， (foo)(bar)\g{-2} 可以匹配 ”foobarfoo”.

如果n=0，\g{0}的含义就是引用表达式自身，这个我们在递归正则的时候具体讲。

引用时注意4点：

1. 如果一个子组不能够得到匹配结果，此时任何对这个子组的后向引用也都会失败。

2. 如果在表达式中没有足够多的捕获组，将会报错。

3. 如果之前有一个子组是”非捕获子组“，则不计数排序，直接跳过。

4. 后向引用的是前面子组的匹配结果，而不是特征，看下面两个例子：

    (sens|respons)e and \g{1}ibility 将会匹配 ”sense and sensibility” 和 ”response and responsibility”， 而不会匹配 ”sense and responsibility”。
    ((?i)rah)\s+\g{1} 匹配 ”rah rah”和”RAH RAH”，但是不会匹配 ”RAH rah”或rah RAH
   复制代码

我再举一个比较特殊的引用例子：针对可选分支的后向引用。正则可以把引用直接嵌套在可选分支中使用，以达到匹配递归数列的作用，很有意思！

表达式(a|b\g{1})+，这是一个自引用的案例，我们拆开看一下，

1. 第一轮匹配：这时只能匹配字符串a，因为\g{1}还没有赋值，因为它所引用的对象(a|b\g{1})还没有得到匹配，而且分支b\g{1}没有意义无法匹配；

2. 第二轮匹配：这个时候\g{1}的值已经被设为a，现在这个表达式就可以翻译成a(a|b(a))，可以匹配字符串aa或者aba，如果匹配aa,那么\g{1}之后每一轮的值都是a，这个表达式就可以匹配任意个a，但如果匹配aba，那么\g{1}的值就会被设置为ba，这是(a|b(a))第二轮的捕获值，然后我们再看第三轮；

3. 第三轮匹配：\g{1}的值这个时候被设置为ba，现在这个表达式就可以翻译成aba(a|b(ba)),可以匹配abaa或ababba，说到这里应该就可以看出规律了，这个表达式可以匹配ababbabbbab…a的递归数列。

条件子组

条件子组给了我们更大的匹配灵活度，它会根据条件判断而去匹配不同的特征。

通过方法(?(condition)yes pattern|no pattern)来实现，如果condition满足，则执行yes pattern，如果不满足则执行no pattern，no pattern也可以为空，就不会执行任何匹配。如果有超过2个的可选子组，会报错。

上面的内容不难理解，下面是重点，这里的condition支持3种使用方法：

举例 数字型condition: (\))?[^()]+(?(1)\))这个表达式匹配一个没有括号的或者闭合括号包裹的字符串。拆分如下：

(\))? //配一个左括号，并且设置其为捕获值

[^()]+ //匹配一个或多个非括号字符

(?(1)\)) //是一个条件子组，它会测试第1个子组是否匹配，如果匹配到了，也就是说目标字符串以左括号开始，条件为true，那么使用 yes-pattern也就是这里需要匹配一个右括号)。其他情况下，既然 no-pattern 没有出现，这个子组就不匹配任何东西。

举例 递归式condition: A(?(R)B)(?R)?C 匹配AC或AABCC，我翻译一下：

第一轮匹配，首先匹配字符A；条件子组(?(R)B)不会匹配任何值，因为还没有进行递归；(?R)?表示递归0次或一次，这里我们先进行一个占位；最后匹配一个字符C，所以第一轮的匹配结果是A_C;

第二轮匹配，整个表达式进行递归，首先再次匹配字符A；然后(?(R)B)判断为true，匹配B；这里我们已经递归了一次，所以跳过(?R)，直接匹配C，将第二轮匹配的ABC插入到之前的占位符里，得到的结果就是AABCC；

欧克，子组的相关内容有点儿多，我分两篇讲，先总结一下，我们了解了子组和它的作用，并且知道了什么叫捕获以及后向引用，以及使用时的注意事项，最后说到了条件子组，并简单介绍了递归引用。

总结不易，请勿私自转载。