1. 什么是正则表达式
- 正则表达式是一串字符，它描述了一个文本模式
- 利用它可以方便地处理文本，包括文本的查找、替换、验证、切分等
2. 正则表达式中字符的分类
- 普通字符：就是要匹配的字符本身
- 元字符：有特殊含义的字符，这些元字符及其特殊含义构成了正则表达式的语法
3. 正则表达式的历史是怎样的
- 正则表达式有一个比较长的历史
- 各种与文本处理有关的工具、编辑器和系统都支持正则表达式，大部分编程语言也都支持正则表达式
- 虽然都叫正则表达式，但由于历史原因，不同语言、系统和工具的语法不太一样
4. 正则表达式中单个字符的语法有哪些
- 大部分的单个字符就是用字符本身表示的，比如字符
0、3、a、马等，但有一些单个字符使用多个字符表示，这些字符都以反斜杠\开头，比如- 特殊字符，比如 tab 字符
\t、换行符\n、回车符\r等 - 八进制表示的字符：以
\0开头，后跟 1 ~ 3 位数字。比如\0141，对应的是 ASCII 编码为 97 的字符，即字符a - 十六进制表示的字符：以
\x开头，后跟 2 位字符。比如\x6A，对应的是 ASCII 编码为 106 的字符，即字符j - Unicode 编号表示的字符：以
\u开头，后跟 4 位字符。比如\u9A6C，表示的是中文字符：马。这只能表示编号在 0xFFFF 以下的字符，如果超出 0xFFFF，使用\x{...}形式，比如\x{1f48e} - 反斜杠
\本身：反斜杠\是一个元字符，如果要匹配它自身，使用两个反斜杠表示，即\\ - 元字符本身：除了
\，正则表达式中还有很多元字符，比如.、*、?、+等，要匹配这些元字符自身，需要在前面加转义字符\，比如\.
- 特殊字符，比如 tab 字符
5. 怎样理解 . 点号元字符
- 点号字符
.是一个元字符，默认模式下，它匹配除了换行符以外的任意字符 - 可以指定另外一种匹配模式，一般称为单行匹配模式或者点号匹配模式。在此模式下，
.匹配任意字符，包括换行符。可以有两种方式指定匹配模式- 一种是在正则表达式中，以
(?s)开头，s 表示 single line，即单行匹配模式。比如：(?s)a.f - 另外一种是在程序中指定，在 Java 中，对应的模式常量是
Pattern.DOTALL
- 一种是在正则表达式中，以
6. 怎样理解字符组这个概念
在单个字符和任意字符之间，有一个字符组的概念，匹配组中的任意一个字符，用中括号
[]表示比如：
[abcd]匹配a、b、c、d中的任意一个字符；[0123456789]匹配任意一个数字为方便表示连续的多个字符，字符组中可以使用连字符
-。比如：[0-9]、[a-z]- 可以有多个连续空间，可以有其他普通字符。比如：
[0-9a-zA-Z_] - 在字符组中，
-是一个元字符，如果要匹配它自身，可以使用转义，即\-，或者把它放在字符组的最前面，比如：[-0-9]
- 可以有多个连续空间，可以有其他普通字符。比如：
字符组支持排除的概念，在
[后紧跟一个字符^。比如：[^abcd]，表示匹配除了a、b、c、d以外的任意一个字符；[^0-9]表示匹配一个非数字字符- 排除不是不能匹配，而是匹配一个指定字符组以外的字符，要表达不能匹配的含义，需要使用环视语法
^只有在字符组的开头才是元字符，如果不在开头，就是普通字符。匹配它自身，比如：[a^b]就是匹配字符a，^或b
在字符组中，除了
^、-、[]、\外，其他在字符组的元字符不再具备特殊含义，变成了普通字符。比如字符.和*，[.*]就是匹配.或者*本身
7. Java 中预定义的字符组有哪些
有一些特殊的以
\开头的字符，表示一些预定义的字符组，比如\d：d表示 digit，匹配一个数字字符，等同于[0-9]\w：w表示 word，匹配一个单词字符，等同于[a-zA-Z_0-9]\s：s表示 space，匹配一个空白字符，等同于[\t\n\x0B\f\r]
它们都有对应的排除型字符组，用大写表示，即
\D：匹配一个非数字字符，即[^\d]\W：匹配一个非单词字符，即[^\w]\S：匹配一个非空白字符，即[^\s]
8. 什么是 POSI 字符组
- POSIX 字符组是 POSIX 标准定义的一些字符组
- 在 Java 中，这些字符组的形式是
\p{…}
9. 正则表达式中的量词是什么意思
- 量词指的是指定出现次数的元字符，有三个常见的元字符：
+、*、?+：表示前面字符的一次或多次出现。比如ab+c，既能匹配abc，也能匹配abbc或abbbc*：表示前面字符的零次或多次出现。比如ab*c，既能匹配abc，也能匹配ac或abbbc?：表示前面字符可能出现、也可能不出现。比如ab?c，既能匹配abc，也能匹配ac，但不能匹配abbc
10. 更为通用的表示出现次数的语法是
{m,n}逗号左右不能有空格，表示出现次数从 m 到 n，包括 m 和 n；如果 n 没有限制，可以省略。；如果 m 和 n 一样，可以写为
{m}ab{1,10}c：b 可以出现 1 次到 10 次ab{3}c：b 必须出现三次，即只能匹配abbbcab{1,}c：与ab+c一样ab{0,}c：与ab*c一样ab{0,1}c：与ab?c一样
另外，
?、*、+、{是元字符，如果要匹配这些字符本身，需要使用\转义。比如：a\*b，匹配字符串a*b这些量词出现在字符组中时，不是元字符，比如：
[?*+{]就是匹配其中一个字符本身
11. 关于量词，它们的默认匹配是贪婪的。这句话的意思是
- 看个例子，正则表达式是：
<a>.*</a>，如果要处理的字符串是：<a>first</a><a>second</a>（目的是想得到两个匹配，一个匹配：<a>first</a>，另一个匹配：<a>second</a>） - 但默认情况下，得到的结果却只有一个匹配，匹配所有内容
- 这是因为
.*可以匹配第一个<a>和最后一个</a>之间的所有字符。只要能匹配，.*就尽量往后匹配，它是贪婪的 - 如果希望在碰到第一个匹配时就停止的话，应该使用懒惰量词：在量词的后面加一个符号
?。将表达式改为：<a>.*?</a>就能得到期望的结果 - 所有量词都有对应的懒惰形式，比如：
x??、x*?、x+?、x{m,n}?等
- 这是因为
12. 怎样理解分组的概念
表达式可以用小括号
()括起来，表示一个分组，比如：a(bc)d，bc就是一个分组- 分组可以嵌套，比如
a(de(fg)) - 分组默认都有一个编号，按照括号的出现顺序，从 1 开始，从左到右依次递增。比如表达式：
a(bc)((de)()fg)，字符串abcdefg匹配这个表达式，第一个分组为bc，第二个分组为defg，第三个分组为de，第四个分组为 fg。分组 0 是一个特殊分组，内容是整个匹配的字符串，这里是abcdefg - 分组匹配的子字符串可以在后续访问，好像被捕获了一样，所以默认分组称为捕获分组
- 可以对分组使用量词，表示分组的出现次数，比如
a(bc)+d，表示bc出现一次或多次
- 分组可以嵌套，比如
中括号
[]表示匹配其中的一个字符，小括号()和元字符|一起，可以表示匹配其中的一个子表达式。比如：(http|ftp|file)匹配http或ftp或file。但|用于[]就不再有特殊含义，比如：[a|b]，它的含义不是匹配a或b，而是a或|或b在正则表达式中，可以使用反斜杠
\加分组编号引用之前匹配的分组，这称为回溯引用。比如：<(\w+)>(.*)</\1>，\1匹配之前的第一个分组(\w+)，这个表达式可以匹配类似如下字符串：<title>bc</title>。这里，第一个分组是title使用数字引用分组，可能容易出现混乱，可以对分组进行命名，通过名字引用之前的分组。对分组命名的语法是：
(?<name>X)，引用分组的语法是\k<name>。比如，上面的例子可以写为：<(?<tag>\w+)>(.*)</\k<tag>>默认分组都称为捕获分组，即分组匹配的内容被捕获了，可以在后续被引用。实现捕获分组有一定的成本，为了提高性能，如果分组后续不需要被引用，可以改为非捕获分组，语法是：
(?:...)。比如：(?:abc|def)
13. 正则表达式中的特殊边界匹配什么意思
在正则表达式中，除了可以指定字符需满足什么条件，还可以指定字符的边界需满足什么条件，或者说匹配特定的边界。常用的表示特殊边界的元字符有：
^、$、\A、\Z、\z和\b- 默认情况下，
^匹配整个字符串的开始。比如，^abc表示整个字符串必须以abc开始 - 元字符
^的含义是，在字符组中它表示排除，但在字符组外，它匹配开始。比如，^[^abc]表示以一个不是a、b、c的字符开始 - 默认情况下，
$匹配整个字符串的结束。不过，如果整个字符串以换行符结束，$匹配的是换行符之前的边界。比如，abc$表示整个表达式以abc结束，或者以abc\r\n或abc\n结束
- 默认情况下，
以上
^和$的含义是默认模式下的，可以指定另外一种匹配模式：多行匹配模式。在此模式下，会以行为单位进行匹配，^匹配的是行开始、$匹配的是行结束。比如，^abc$，字符串是abc\nabc\r\n，就会有两个匹配。可以有两种方式指定匹配模式- 一种是在正则表达式中，以
(?m)开头，m表示 multiline，即多行匹配模式。上面的正则表达式可以写为：(?m)^abc$ - 另一种是在程序中指定，在 Java 中，对应的模式常量是
Pattern.MULTILINE
- 一种是在正则表达式中，以
多行匹配模式和单行匹配模式没有关系
- 单行模式影响的是点号元字符
.的匹配规则，使得.可以匹配换行符 - 多行模式影响的是
^和$的匹配规则，使得它们可以匹配行的开始和结束 - 两个模式可以一起使用
- 单行模式影响的是点号元字符
\A与^类似，但不管什么模式，它匹配的总是整个字符串的开始边界\Z和\z与$类似，但不管什么模式，它们匹配的总是整个字符串的结束边界\Z和\z的区别是：如果字符串以换行符结束，\Z与$一样，匹配的是换行符之前的边界，而\z匹配的总是结束边界- 在进行输入验证的时候，为了确保输入最后没有多余的换行符，可以使用
\z进行匹配
\b匹配的是单词边界，比如\bcat\b，匹配的是完整的单词cat，它不能匹配category。\b匹配的不是一个具体的字符，而是一种边界- 这种边界满足一个要求：即一边是单词字符，另一边不是单词字符。在 Java 中，
\b识别的单词字符除了\w，还包括中文字符 - 边界匹配不同于字符匹配，可以认为，在一个字符串中，每个字符的两边都是边界，而上面介绍的这些特殊字符，匹配的都不是字符，而是特定的边界
- 这种边界满足一个要求：即一边是单词字符，另一边不是单词字符。在 Java 中，
14. 怎么理解环视边界匹配
对于边界匹配，还有一种更为通用的方式，那就是环视
环视的字面意思就是左右看看，需要左右符合一些条件。本质上，它也是匹配边界，对边界有一些要求，这个要求是针对左边或右边的字符串的。根据要求不同，分为 4 种环视
- 肯定顺序环视：语法是
(?=...)，要求右边的字符串匹配指定的表达式。比如，表达式abc(?=def)，(?=def)在字符c右面，即匹配c右面的边界。对这个边界的要求是：它的右边有def，比如abcdef，如果没有，比如abcd，则不匹配 - 否定顺序环视：语法是
(?!...)。要求右边的字符串不能匹配指定的表达式。比如，表达式s(?!ing)，匹配一般的s，但不匹配后面有ing的s。注意：避免与排除型字符组混淆，比如s[^ing]，s[^ing]匹配的是两个字符，第一个是s，第二个是i、n、g以外的任意一个字符 - 肯定逆序环视：语法是
(?<=...)，要求左边的字符串匹配指定的表达式。比如，表达式(?<=\s)abc，(?<=\s)在字符a左边，即匹配a左边的边界。对这个边界的要求是：它的左边必须是空白字符 - 否定逆序环视：语法是
(?<!...)，要求左边的字符串不能匹配指定的表达式。比如，表达式(?<!\w)cat，(?<!\w)在字符c左边，即匹配c左边的边界。对这个边界的要求是：它的左边不能是单词字符
- 肯定顺序环视：语法是
环视也使用小括号
()，不过，它不是分组，不占用分组编号- 这些环视结构也被称为断言，断言的对象是边界，边界不占用字符，没有宽度，所以也被称为零宽度断言
- 顺序环视也可以出现在左边，逆序环视也可以出现在右边
- 环视匹配的是一个边界，里面的表达式是对这个边界左边或右边字符串的要求，对同一个边界，可以指定多个要求，即写多个环视
15. 怎样理解转义字符 \
字符
\表示转义，转义有两种- 把普通字符转义，使其具备特殊含义。比如
\t、\n、\d、\w、\b、\A等 ，即这个转义把普通字符变为了元字符 - 把元字符转义，使其变为普通字符。比如
\.、\*、\?、\(、\\等
- 把普通字符转义，使其具备特殊含义。比如
记住所有的元字符，并在需要的时候进行转义，这是比较困难的。有一个简单的办法：可以将所有元字符看作普通字符，就是在开始处加上
\Q，在结束处加上\E。比如，\Q(.*+)\E，\Q和\E之间的所有字符都会被视为普通字符正则表达式用字符串表示
- 在 Java 中，字符
\也是字符串语法中的元字符 - 这使得正则表达式中的
\，在 Java 字符串表示中，要用两个\，即\\ - 而要匹配字符
\本身，在 Java 字符串表示中，要用 4 个\，即\\\\
- 在 Java 中，字符
16. 不区分大小写的匹配模式是
指定方式有两种
- 一种是在正则表达式开头使用
(?i)，i为ignore。比如，(?i)the，既可以匹配the，也可以匹配THE，还可以匹配The - 还可以在程序中指定，Java 中对应的变量是
Pattern.CASE_INSENSITIVE
- 一种是在正则表达式开头使用
匹配模式间不是互斥的关系，它们可以一起使用，在正则表达式中，可以指定多个模式，比如
(?smi)
17. 正则表达式语法总结一下
单个字符语法
语法 解释 语法 解释 \r \n \t特殊字符 \uhhhh基本 Unicode 字符，如 \u9A6C （马） \0n \0nn \0mnn八进制字符，如 \0141 \x{h…h}增补 Unicode 字符，如 \x{1f48e} \xhh十六进制字符，如 \x6A 字符组语法
语法 解释 语法 解释 .默认模式是换行符外的任意字符，单行模式是任意字符 [0-9a-z]0 到 9、a 到 z 的任意一个字符 [abc]a、b、c 中的任意一个字符 [-0-9]0 到 9 或者连字符 - [\^abc]a、b、c 以外的任意一个字符 [.* ]. 或者 *，没有特殊含义 [a-z&&[\^de]]a 到 z，但不包括 d 和 e \D[^\d]，非数字字符 [[abc][def]][abcdef] \W[^\w]，非单词字符 \d[0-9] \S[^\s]，非空白字符 \w[a-zA-Z_0-9] \p{…}POSIX 字符组 \s[\t\n\x0B\f\r] 量词语法
语法 解释 语法 解释 x?、x??x 出现 0 次或 1 次，多一个 ? 的为懒惰形式，下同 x{m,n}、x{m,n}?x 出现 m 次到 n 次 x 、x ?x 出现 0 次或多次 x{m,}、x{m,}?x 出现 m 次以上 x+、x+?x 出现 1 次或多次 x{n}、x{n}?x 出现正好 n 次 分组语法
语法 解释 语法 解释 ab 竖线 cd匹配 ab 或 cd (?\X)给分组命名，比如 <(?\w+)>，(\w+) 匹配的分组命名为了 tag (http 竖线 ftp 竖线 file)匹配 http、ftp 或 file k\引用命名分组，比如 <(?\w+)>(.* )</\k> a(bc)+dbc 作为一个分组出现多次 (?:abc 竖线 def)分组但不捕获，匹配 abc 或 def <(\w+)>(.*)</\1> (\w+)捕获第一个分组，\1 回溯引用该分组 边界和环视语法
语法 解释 ^默认模式是整个字符串的开始边界，多行模式是行的开始边界 $默认模式是整个字符串的结束边界，多行模式是行的结束边界，如果结尾是换行符，为换行符之前的边界 \A总是匹配整个字符串的开始边界 \Z总是匹配整个字符串的结束边界，如果结尾是换行符，匹配换行符之前的边界 \z总是匹配整个字符串的结束边界，不管结尾是否是换行符 \b匹配单词边界，边界一边是单词字符，另一边不是 (?=…)肯定顺序环视，匹配边界，该边界右边的字符串匹配指定表达式 (?!=…)否定顺序环视，匹配边界，该边界右边的字符串不能匹配指定表达式 (?<=…)肯定逆序环视，匹配边界，该边界左边的字符串匹配指定表达式 (?<!…)否定逆序环视，匹配边界，该边界左边的字符串不能匹配指定表达式 匹配模式和转义语法
语法 解释 语法 解释 (?i)不区分大小写匹配 [.*^(){}]在字符组中，大部分元字符没有特殊含义 (?m)多行模式，^ 匹配行开始，$ 匹配行结束 \\\ 本身 (?s)单行模式，. 匹配任意字符，包括换行符 \Q \E\Q 到 \E 之间的所有字符视为普通字符 \. \* \?转义元字符为普通字符