①正则表达式的概述
正则表达式原本是形式语言理论中的概念，与编译器的构造有密切的联系。但是作为一个应用软件的用户，我们没有必要去细究正则表达式的严格定义和处理方法。本文将从实用的角度出发，阐述引入正则表达式的目的、正则表达式的命令格式，以及如何利用正则表达式完成一些实际的文本处理工作。
我们在处理文本时，经常会遇到一些具有某种特定格式，或者说满足某种规则的文本。比如，一个无符号的整数由一连串的数字构成，而一个Email地址的格式则是“用户名@主机名”，其中用户名是一串字母或数字，主机名则是由若干个由“.”分隔的字母数字串。正则表达式就是用来指定这种规则的。如果某个字符串满足正则表达式指定的规则，则称该字符串为正则表达式的一个“匹配串”。
②正则表达式的构成
为了方便理解，让我们先来看看大家比较熟悉的数学表达式，“(x+3)*2+y”是一个典型的数学表达式。一个数学表达式由若干个“项”组成，“项”与“项”之间用加号或减号相连；这里“(x+3)*2”和“y”分别是两个项。每个项又由若干个“因子”组成，因子之间用乘号或除号相连；这里第一个项有两个因子“(x+3)”和“2”，而第二个项只有一个因子“y”。每个因子可以是一个简单的数，一个代数变量，也可以是放在括号里面的另一个表达式。对于最后一种情况，括号中的表达式称为“子表达式”；这里“x+3”就是一个子表达式。
正则表达式的结构与数学表达式很相似。与数学表达式的“项”相对应，正则表达式由若干个“分支”构成，“分支”之间用符号“|”相连。从逻辑上讲，分支之间是一种“或”的关系，一个字符串只要与正则表达式中的任何一个分支相匹配，这个字符串就与整个正则表达式相匹配。比如，“第三人称代词”可以用正则表达式表示为“他|她|它|他们|她们|它们”。
与数学表达式的“因子”相对应，构成正则表达式“分支”的部件称为“原子”。“原子”与“原子”之间没有任何符号相连。从逻辑上讲，原子之间是串接的关系，一个字符串必须与各个原子依次相匹配，才算与这个分支相匹配。比如在上面的例子中，分支“他们”由两个原子“他”和“们”组成。
正则表达式的本质是它的“原子”可以有多种不同的形式。前面的例子是最简单的情形，即每个原子由一个普通字符组成。除此以外，“原子”还可以是特殊符号、通配符、字符集以及子表达式。
Ａ、特殊符号
可以作为特殊符号的原子有：
^ 匹配行首。例如，“^他”匹配出现在行首的“他” 字。值得注意的是，这个符号仅仅表示“行首”这个 位置，与它相匹配的字符串长度为0；
$ 匹配行末。与“^”相似，它仅表示“行末”这个位 置。例如，“。$”匹配出现在行末的句号；
< 匹配词首。词首的定义是紧接在非字母数字之后的第 一个字母数字或下划线(_)，汉字永远是词首。与“^” 相似，它仅表示“词首”这个位置，匹配长度为0；
> 匹配词尾。词尾是指紧接在字母数字或下划线之后的 第一个非字母数字下划线，任一汉字之后也属于词尾。 词尾的匹配长度也是0；
\t TAB字符；
\e ESC字符；
Ｂ、通配符
通配符是用一个符号(或几个符号组合)来匹配某一类满足条件的字符。可以使用通配符来查找字符是正则表达式的一大特点。通配符(注意大小写的区别)：
半角部分： .(句点) 匹配任何字符； \a 匹配任意英文字母； \~a 匹配除字母外的任意字符； \d 匹配任意数字； \~d 匹配除数字外的任意字符； \h 匹配任意词首字符(字母及下划线)； \~h 匹配除字母及下划线以外的任意字符； \l 匹配任意小写字母； \~l 匹配除小写字母外的任意字符； \o 匹配任意八进制数字相匹配(0-7)； \~o 匹配除八进制数字外的任意字符； \p 匹配任意半角标点符号； \~p 匹配除半角标点以外的任意字符； \s 匹配任意空白字符（空格、TAB）； \~s 匹配任意非空白字符； \u 匹配任意大写字母； \~u 匹配除大写字母外的任意字符； \w 匹配可成词的字符(字母、数字及下划线)； \~w 匹配成词字符外的任意字符； \x 匹配任意十六进制数字(0-9，a-f, A-F)； \~x 匹配除十六进制数字外的任意字符；
全角部分： \f 匹配任意双字节字符（汉字或全角符号）； \~f 匹配任意单字节字符； \A 匹配任意全角ASCII字符； \b 匹配任意收录在BIG5码集中的双字节字符； \~b 匹配未收录在BIG5码集中的双字节字符； \c 匹配任意汉字(不包括符号)； \~c 匹配非汉字的双字节字符； \D 匹配地支字符(子丑寅卯……)； \g 匹配收录在GB码集中的双字节字符； \~g 匹配非收录在GB码集中的双字节字符； \k 匹配日文片假名； \K 匹配日文平假名； \m 匹配小写希腊字母； \M 匹配大写希腊字母； \n 匹配中文数字(一二三四……)； \N 匹配大写中文数字(壹贰叁肆……)； \P 匹配全角标点符号； \r 匹配小写俄文字母； \R 匹配大写俄文字母； \s 匹配数学符号； \S 匹配中文序号(⒈⒉⒊⒋……)； \T 匹配天干字符(甲乙丙丁……)； \V 匹配竖排标点符号； \y 匹配拼音字符； \Y 匹配注音字符； \Z 匹配制表字符；
Ｃ、字符集
字符集是用一对方括号[]括起来的字符串，用以匹配字符集中的任何一个字符。比如“[他她它]”匹配单数第三人称代词。如果方括号中的第一个字符是"^"，则匹配除指定字符外的任何其它字符。在字符集中，还可以用"-"表示字符的范围，例如“[a-z]”匹配任何小写字母。注意尽量不要用“-”表示汉字的范围，因为汉字并没有公认的次序，目前是依据汉字内码来确定范围的。如果两个汉字的内码相差很大，将消耗大量的内存，运算也将非常缓慢。为了避免这种现象，限制表示范围的起始与终止汉字必须位于同一区。如果字符集要包括字符“]”、“^”、“-”或“\”，可以在这些字符前加“\”。例如“[\^xyz]”匹配"^", "x","y"或"z"。另外需要特别指出的是，前面所述的特殊字符及通配符，除了"\t"和"\e"外，在字符集中均作为普通字符处理。
字符集的匹配速度比通配符慢，所以应该尽可能地使用通配符。例如要查找半角数字时，应该使用\d，而不要使用[0-9]，虽然后者也是正确的。
Ｄ、子表达式
子表达式是指用一对括弧()括起来的另外一个正则表达式。使用子表达式有两种主要的目的。一是改变匹配的优先级，例如“中|西文软件”匹配的是“中”或“西文软件”，但是“(中|西)文软件”匹配的是“中文软件”或“西文软件”。
使用子表达式的另一个目的，是引用前面匹配到的内容。例如要查找形如“哈哈”、“嘻嘻”的叠字词，可以写“(\c)\1”。这里“(\c)”匹配任意汉字，而“\1”则引用匹配到的内容。允许在一个查找串包含最多9个子表达式，它们的匹配内容可以分别用“\1”，“\2”...“\9”来加以引用。子表达式也可以嵌套另一个子表达式，子表达式左括号出现的序号为这个表达式的编号。另外需要注意的是，只能引用已经匹配了的子表达式，象上面的例子不可以写成“\1(\c)”，同理，也不应该引用不同分支中的子表达式，因为一个正则表达式中只可能有一个分支被匹配。