在《测试利器 Shell 教程（一）》文章中，我们学习了 Linux 文本处理三剑客 grep，awk 和 sed 的基本使用方法，本文将详细介绍正则表达式的规则。本文作者 @deerchao，原文链接见文末，略有删改。
正则表达式是什么？
在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是用于描述这些规则的工具。换句话说，正则表达式就是记录 文本规则 的代码。
很可能你使用过 Windows/Dos 下用于文件查找的 通配符 (wildcard)，也就是* 和 ?。如果你想查找某个目录下的所有的 Word 文档的话，你会搜索 *.doc 。在这里， * 会被解释成任意的字符串。
和通配符类似，正则表达式也是用来进行文本匹配的工具，只不过比起通配符，它能更精确地描述你的需求。当然，代价就是更复杂：比如你可以编写一个正则表达式，用来查找所有以 0 开头，后面跟着 2-3 个数字，然后是一个连字号 “-”，最后是 7 或 8 位数字的字符串 (像 010-12345678 或 0376-7654321)。
正则表达式入门
学习正则表达式的最好方法是从例子开始，理解例子之后再自己对例子进行修改，实验。下面给出了不少简单的例子，并对它们作了详细的说明。
假设你在一篇英文小说里查找 hi，你可以使用正则表达式 hi 。
这几乎是最简单的正则表达式了，它可以精确匹配这样的字符串：由两个字符组成，前一个字符是 h, 后一个是 i。通常，处理正则表达式的工具会提供一个忽略大小写的选项，如果选中了这个选项，它可以匹配 hi,HI,Hi,hI 这四种情况中的任意一种。
不幸的是，很多单词里包含 hi 这两个连续的字符，比如 him,history,high 等等。用 hi 来查找的话，这里边的 hi 也会被找出来。如果要精确地查找 hi 这个单词的话，我们应该使用 \bhi\b 。
\b 是正则表达式规定的一个特殊代码（好吧，某些人叫它 元字符 ，metacharacter），代表着单词的开头或结尾，也就是单词的分界处。虽然通常英文的单词是由空格，标点符号或者换行来分隔的，但是\b 并不匹配这些单词分隔字符中的任何一个，它只 匹配一个位置 。
假如你要找的是 hi 后面不远处跟着一个 Lucy，你应该用 \bhi\b.*\bLucy\b 。这里， . 是另一个元字符，匹配除了换行符以外的任意字符。 * 同样是元字符，不过它代表的不是字符，也不是位置，而是数量。它指定 * 前边的内容可以连续重复使用任意次以使整个表达式得到匹配。因此， .* 连在一起就意味着任意数量的不包含换行的字符。
现在 \bhi\b.*\bLucy\b 的意思就很明显了：先是一个单词 hi, 然后是任意个任意字符 (但不能是换行)，最后是 Lucy 这个单词。
如果同时使用其它元字符，我们就能构造出功能更强大的正则表达式。比如下面这个例子：
0\d\d-\d\d\d\d\d\d\d\d 匹配这样的字符串：以 0 开头，然后是两个数字，然后是一个连字号 “-”，最后是 8 个数字 (也就是中国的电话号码。当然，这个例子只能匹配区号为 3 位的情形)。
这里的 \d 是个新的元字符，匹配一位数字 (0，或 1，或 2，或……)。 - 不是元字符，只匹配它本身。
为了避免那么多烦人的重复，我们也可以这样写这个表达式： 0\d{2}-\d{8} 。这里\d 后面的{2}({8}) 的意思是前面\d 必须连续重复匹配 2 次 (8 次)。
测试正则表达式
如果你不觉得正则表达式很难读写的话，要么你是一个天才，要么，你不是地球人。正则表达式的语法很令人头疼，即使对经常使用它的人来说也是如此。由于难于读写，容易出错，所以找一种工具对正则表达式进行测试是很有必要的。
不同的环境下正则表达式的一些细节是不相同的，本教程介绍的是微软 .Net Framework 4.5 下正则表达式的行为，所以，这里向你推荐我编写的.Net下的工具 Regester。请参考文末链接和说明来安装和运行该软件。
下面是 Regester 运行时的截图：
元字符
现在你已经知道几个很有用的元字符了，正则表达式里还有更多的元字符，比如 \s 匹配任意的空白符，包括空格，制表符 (Tab)，换行符，中文全角空格等。 \w 匹配字母或数字或下划线或汉字等。
下面来看看更多的例子：
-
\ba\w*\b匹配以字母 a 开头的单词——先是某个单词开始处 (\b)，然后是字母 a, 然后是任意数量的字母或数字 (\w*)，最后是单词结束处 (\b)。 -
\d+匹配 1 个或更多连续的数字。这里的+是和*类似的元字符，不同的是*匹配重复任意次 (可能是 0 次)，而 + 则匹配重复 1 次或更多次。 -
\b\w{6}\b匹配刚好 6 个字符的单词。
| 代码 | 解释 |
|---|---|
| . | 匹配除换行符以外的任意字符 |
| \w | 匹配字母或数字或下划线或汉字 |
| \s | 匹配任意的空白符 |
| \d | 匹配数字 |
| \b | 匹配单词的开始或结束 |
| ^ | 匹配字符串的开始 |
| $ | 匹配字符串的结束 |
^ 代表从字符串头开始匹配， $ 表示从字符串结尾开始匹配，比如 “abcdefg”， ^abc 可以匹配上 abc， efg$ 匹配上 efg，但是 ^bcd 不可以匹配，因为 “abcdefg” 不是以 bcd 开头。这两个代码在验证输入的内容时非常有用，比如一个网站如果要求你填写的 QQ 号必须为 5 位到 12 位数字时，可以使用： ^\d{5,12}$ 。
这里的{5,12}和前面介绍过的{2}是类似的，只不过{2}匹配只能不多不少重复 2 次，{5,12}则是重复的次数不能少于 5 次，不能多于 12 次，否则都不匹配。
因为使用了 ^ 和 $ ，所以输入的整个字符串都要用来和\d{5,12}来匹配，也就是说整个输入必须是 5 到 12 个数字，因此如果输入的 QQ 号能匹配这个正则表达式的话，那就符合要求了。和忽略大小写的选项类似，有些正则表达式处理工具还有一个处理多行的选项。如果选中了这个选项， ^ 和 $ 的意义就变成了匹配行的开始处和结束处。
字符转义
如果你想查找 元字符本身 的话，比如你查找 . , 或者 * , 就出现了问题：你没办法指定它们，因为它们会被解释成别的意思。
这时你就得使用\来取消这些字符的特殊意义。因此，你应该使用 \. 和 \* 。当然，要查找 \ 本身，你也得用 \\ 。
例如： testerhome\.net 匹配 testerhome.net。 C:\\Windows 匹配 C:\Windows 。
重复
你已经看过了前面几个匹配重复的方式。下面是正则表达式中所有的限定符 (指定数量的代码，例如*,{5,12}等)：
| 代码 / 语法 | 说明 |
|---|---|
| * | 重复零次或更多次 |
| + | 重复一次或更多次 |
| ? | 重复零次或一次 |
| {n} | 重复 n 次 |
| {n,} | 重复 n 次或更多次 |
| {n,m} | 重复 n 到 m 次 |
下面是一些使用重复的例子：
-
Windows\d+匹配 Windows 后面跟 1 个或更多数字。 -
^\w+匹配一行的第一个单词 (或整个字符串的第一个单词，具体匹配哪个意思得看选项设置)。
字符类
要想查找字母，数字或空白是很简单的，因为已经有了对应这些字符集合的元字符，但是如果你想匹配没有预定义元字符的字符集合 (比如元音字母 a,e,i,o,u), 应该怎么办？
很简单，你只需要在方括号里列出它们就行了，像 [aeiou] 就匹配任何一个英文元音字母， [.?!] 匹配标点符号 (. 或 ? 或 !)。
我们也可以轻松地指定一个字符范围，像 [0-9] 代表的含意与 \d 就是完全一致的：一位数字；同理 [a-z0-9A-Z_] 也完全等同于 \w （如果只考虑英文的话）。
下面是一个更复杂的表达式： \(?0\d{2}[)-]?\d{8} 。
这个表达式可以匹配几种格式的电话号码，像 (010)88886666，或 022-22334455，或 02912345678 等。我们对它进行一些分析吧：首先是一个转义字符(, 它能出现 0 次或 1 次 (?), 然后是一个 0，后面跟着 2 个数字 (\d{2})，然后是) 或-或空格中的一个，它出现 1 次或不出现 (?)，最后是 8 个数字 (\d{8})。
分歧条件
不幸的是，刚才那个表达式也能匹配 010)12345678 或 (022-87654321 这样的 “不正确” 的格式。要解决这个问题，我们需要用到分枝条件。正则表达式里的分枝条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用|把不同的规则分隔开。听不明白？没关系，看例子：
0\d{2}-\d{8}|0\d{3}-\d{7}
这个表达式能匹配两种以连字号分隔的电话号码：一种是三位区号，8 位本地号 (如 010-12345678)，一种是 4 位区号，7 位本地号 (0376-2233445)。
\(0\d{2}\)[-]?\d{8}|0\d{2}[-]?\d{8}
这个表达式匹配 3 位区号的电话号码，其中区号可以用小括号括起来，也可以不用，区号与本地号间可以用连字号或空格间隔，也可以没有间隔。你可以试试用分枝条件把这个表达式扩展成也支持 4 位区号的。
\d{5}-\d{4}|\d{5}
这个表达式用于匹配美国的邮政编码。美国邮编的规则是 5 位数字，或者用连字号间隔的 9 位数字。之所以要给出这个例子是因为它能说明一个问题：使用分枝条件时，要注意各个条件的顺序。
如果你把它改成 \d{5}|\d{5}-\d{4} 的话，那么就只会匹配 5 位的邮编 (以及 9 位邮编的前 5 位)。原因是匹配分枝条件时，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管其它的条件了。
分组
我们已经提到了怎么重复单个字符（直接在字符后面加上限定符就行了）；但如果想要重复多个字符又该怎么办？你可以用 小括号 来指定子表达式 (也叫做分组)，然后你就可以指定这个子表达式的重复次数了，你也可以对子表达式进行其它一些操作 (后面会有介绍)。
-
(\d{1,3}\.){3}\d{1,3}是一个简单的 IP 地址匹配表达式。要理解这个表达式，请按下列顺序分析它：\d{1,3}匹配 1 到 3 位的数字，(\d{1,3}\.){3}匹配三位数字加上一个英文句号 (这个整体也就是这个分组) 重复 3 次，最后再加上一个一到三位的数字 (\d{1,3})。
不幸的是，它也将匹配 256.300.888.999 这种不可能存在的 IP 地址。如果能使用算术比较的话，或许能简单地解决这个问题，但是正则表达式中并不提供关于数学的任何功能，所以只能使用冗长的分组，选择，字符类来描述一个正确的 IP 地址： ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?) 。
理解这个表达式的关键是理解 2[0-4]\d|25[0-5]|[01]?\d\d? ，这里我就不细说了，你自己应该能分析得出来它的意义。
反义
有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外，其它任意字符都行的情况，这时需要用到反义。
| 代码 / 语法 | 说明 |
|---|---|
| \W | 匹配任意不是字母，数字，下划线，汉字的字符 |
| \S | 匹配任意不是空白符的字符 |
| \D | 匹配任意非数字的字符 |
| \B | 匹配不是单词开头或结束的位置 |
| [^x] | 匹配除了 x 以外的任意字符 |
| [^aeiou] | 匹配除了 aeiou 这几个字母以外的任意字符 |
例子： \S+ 匹配不包含空白符的字符串。 <a[^>]+> 匹配用尖括号括起来的以 a 开头的字符串。
后向引用
使用小括号指定一个子表达式后，匹配这个子表达式的文本 (也就是此分组捕获的内容) 可以在表达式或其它程序中作进一步的处理。默认情况下，每个分组会自动拥有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为 1，第二个为 2，以此类推。
后向引用用于重复搜索前面某个分组匹配的文本。例如， \1 代表分组 1 匹配的文本。难以理解？请看示例：
\b(\w+)\b\s+\1\b 可以用来匹配重复的单词，像 go go, 或者 kitty kitty。这个表达式首先是一个单词，也就是单词开始处和结束处之间的多于一个的字母或数字 ( \b(\w+)\b )，这个单词会被捕获到编号为 1 的分组中，然后是 1 个或几个空白符 ( \s+ )，最后是分组 1 中捕获的内容（也就是前面匹配的那个单词）( \1 )。
你也可以自己指定子表达式的组名。要指定一个子表达式的组名，请使用这样的语法： (?<Word>\w+) (或者把尖括号换成 ’ 也行： (?'Word'\w+) ), 这样就把 \w+ 的组名指定为 Word 了。要反向引用这个分组捕获的内容，你可以使用 \k<Word> , 所以上一个例子也可以写成这样： \b(?<Word>\w+)\b\s+\k<Word>\b 。
使用小括号的时候，还有很多特定用途的语法。下面列出了最常用的一些：
| 分类 | 代码 / 语法 | 说明 |
|---|---|---|
| 捕获 | (exp) | 匹配 exp, 并捕获文本到自动命名的组里 |
| 捕获 | (?exp) | 匹配 exp, 并捕获文本到名称为 name 的组里，也可以写成 (?'name’exp) |
| 捕获 | (?:exp) | 匹配 exp, 不捕获匹配的文本，也不给此分组分配组号 |
| 零宽断言 | (?=exp) | 匹配 exp 前面的位置 |
| 零宽断言 | (?<=exp) | 匹配 exp 后面的位置 |
| 零宽断言 | (?!exp) | 匹配后面跟的不是 exp 的位置 |
| 零宽断言 | (?<!exp) | 匹配前面不是 exp 的位置 |
| 注释 | (?#comment) | 这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释让人阅读 |
我们已经讨论了前两种语法。第三个 (?:exp) 不会改变正则表达式的处理方式，只是这样的组匹配的内容不会像前两种那样被捕获到某个组里面，也不会拥有组号。
零宽断言
接下来的四个用于查找在某些内容 (但并不包括这些内容) 之前或之后的东西，也就是说它们像 \b , ^ , $ 那样用于指定一个位置，这个位置应该满足一定的条件 (即断言)，因此它们也被称为零宽断言。最好还是拿例子来说明吧：
(?=exp) 也叫零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式 exp。比如 \b\w+(?=ing\b) ，匹配以 ing 结尾的单词的前面部分 (除了 ing 以外的部分)，如查找 I’m singing while you’re dancing. 时，它会匹配 sing 和 danc。
(?<=exp) 也叫零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式 exp。比如 (?<=\bre)\w+\b 会匹配以 re 开头的单词的后半部分 (除了 re 以外的部分)，例如在查找 reading a book 时，它匹配 ading。
假如你想要给一个很长的数字中每三位间加一个逗号 (当然是从右边加起了)，你可以这样查找需要在前面和里面添加逗号的部分：
((?<=\d)\d{3})+\b ，用它对 1234567890 进行查找时结果是 234567890。
下面这个例子同时使用了这两种断言：
(?<=\s)\d+(?=\s) 匹配以空白符间隔的数字 (再次强调，不包括这些空白符)。
总结
Linux 三剑客和正则表达式是程序员的基础能力，也是检验一位测试工程师技能水平的侧面指标，因为主流服务器都是 Linux，服务器测试必然成为刚需。在本次学习中，我们以几个小例子入门，对三剑客和正则有了初步了解，在接下来的学习中，还要勤查，勤练，勤动手，因为命令最终是敲出来的，不是看出来的。
参考资料
- 【正则表达式30分钟入门教程】
- 【Regester 地址】