概述
正则表达式是一种描述字符串结构模式的形式化表达方法。
它匹配的是字符或位置。因此，应按字符来解读正则表达式。
正则表达式不是编程语言，因此，它需要宿主环境实现，这可能是某种编程语言或是某种文本编辑器。
正则表达式流派众多，需要注意各种流派的差异。
字符匹配
最简单的字符自然就是描述它自身的字符，即“普通字符”。
普通字符，又叫：literal（文字）、string literal（字符串字面值）、normal character（普通文本字符）……
需要注意，正则表达式中，同一概念在不同的文档中所用的术语可能不同。
显然，普通文本字符组成的字符串严格来说就代表它自身，还算不上模式。要表示模式需要将一些字符作为特殊字符，用以描述模式。这类字符通常称为“元字符（metacharacter）”。
元字符，又称：special character（特殊字符）。
比如：定义字符组的方括号、用于分组的圆括号等都是元字符，后面会一一介绍。
元字符有特殊含义和作用，因此，如果要匹配元字符本身需要转义，转义前缀为 \。比如，要匹配圆括号应使用 \(、\)，要匹配转义前缀反斜杠需要用两个反斜杠 \\……
如果字符串中所有字符都应被视为普通字符，而又包含过多的元字符需要转义，那么最简单的方法是将字符串定义为文字文本，使用
\Q和\E包围起来。这样，字符串中的元字符就会被视为普通字符，而不需转义。比如，使用
\Q\r\n\E可以匹配字符串\r\n而不是换行。
纵向模糊匹配
纵向模糊匹配是指一个正则表达式匹配的字符串具体到某一位字符时，可以不是某个确定字符，而是多种可能。
纵向模糊匹配的实现方式是字符组（character class），从字面就可以看出它代表一组字符。
字符组使用一对方括号将一组可选字符括起来，比如：[abcd]。
字符组，也称“字符集（character set）”，由于使用方括号定义，也称“方括号表达式（bracketed expression）”。
注意：字符组罗列的一组可选字符，因此它匹配的是一个字符，而不是一个字符串；另外这些字符彼此是独立的，因此，其罗列顺序不重要。
显然，如果可选的字符过多，一一罗列会极为冗长繁琐，这时需要使用范围表示法。顾名思义，就是以表示范围的方式列举出可选字符。比如：[a-z] 即表示从 a 到 z 所有的小写字母。
能以范围表示法表示，说明这些字符都是具有“自然顺序”的，比如：数字、字母、Unicode 字符……
字符组基本上是一门独立的微型语言，有自己独立的元字符。
中划线（-），是字符组元字符（character-class metacharacter），但只有在字符组内部才是。当中划线紧临中括号时，它仅仅是普通字符，比如：
[-az]、[az-]。因此，如果字符组需要匹配中划线时，可以将其置于这些位置。但如果一定要将其放在将被视为元字符的位置，那么，可以对其进行转义，比如：[a\-z]。. 和 ? 不是字符组元字符。
正则表达式日常使用中，有一些字符组是固定但频繁使用的，比如数字字符、单词字符等等。显然即使使用范围表示法，还是稍显冗长了。因此，对于这些频繁使用的固定字符组会有对应的简写形式。如：\d（数字字符）、\w（单词字符）、\s（空白字符）……
这称为“字符组简写式（character shorthand）”。
字符组简写式，也称“转义字符（character escape）”。
字符组简写式可以出现在普通字符组中，如：
[\da-f]（可表示一位 16 进制的数）。
不过，有时字符组中的字符很多，或者是不可列举的，但是从反面定义这样的字符组又相对容易。这时，我们需要使用“反义字符组”，定义方式与字符组类似，只是在左方括号后加一个脱字符（^），如：[^abc]。
反义字符组，也称“排除（型）字符组”。意为字符组代表的字符是排除所罗列的字符之外的字符。
简写形式的字符组也有反义形式，比如：\D（非数字字符）、\W（非单词字符）、\S（非空白字符）……
排除型字符组表示匹配一个未列出的字符，而不是不匹配。
注意通常所说的通配符
.（英文句点）不能匹配任意的字符，如果想匹配任意字符可使用：[\d\D]、[\w\W]、[\s\S]、[^]。基本原理是取两个互补的字符组的并集或对空字符组取反。
横向模糊匹配
横向模糊匹配是指一个正则表达式可匹配的字符串的长度不是固定的。
横向模糊匹配的实现方式是量词（quantifier），其实就是重复。其标准形式为：{m, n}，表示重复匹配次数为 [m, n]。
实际使用中，可能会有一些特殊情况——只想限定次数下限、确定次数，以及有一些使用频率很高的量词。因此，需要提供一些简写形式。比如：{m,}（m 次及以上）、{m}（m 次）、?（0 或 1 次）、+（1 次及以上）、*（0 次及以上）……
默认情况下，量词是贪婪的，称为“贪婪量词”，此时，正则表达式也处于“贪婪模式”下。“贪婪”的含义是指会尽可能多地匹配字符。
多个贪婪量词挨着出现并相互有冲突时，优先匹配前面的。
贪婪匹配可能不总是我们想要的，这时，可在量词后加 ?，将其转变为“非贪婪量词”，则会尽可能少地匹配字符。
非贪婪量词，也称“懒惰量词”或“惰性量词”。仍可能回溯。
还有一种量词，叫“占有量词（possessive quantifier）”，它会尽可能多匹配，覆盖整个目标然后尝试寻找匹配的内容，但只尝试一次，不会回溯。语法是在贪婪量词后加 + 后缀。
并非所有宿主环境都支持占有量词。
分支
分支，也称“多选分支（alternation）”，可选择匹配多个子模式之一。
分支使用 | 将可选子模式并列起来。如，(lat|b)est 可匹配字符串 latest 或 best。
分支结构是惰性的，即当前面的子模式匹配上时，后面的不再尝试。因此，编写分支时需要注意子模式的顺序。
分支仍可能回溯尝试其他分支。
位置匹配
如果只描述字符，那么，具有某些限制条件的正则表达式可能会很难编写，甚至可能无法实现。这时，就需要另一种匹配方式来补充某些限制了——这就是位置匹配。
位置，是相邻字符之间的位置。
想必大家都用过 Word 编写文档，那么，肯定也为文本应用过样式。你可能会认为样式是应用在文本之上的。这是一个误解！想想当你未选中任何文本是不是也可以应用样式呢？是可以的。其实，样式不是应用在文本之上的，样式的应用单位就是“位置”，即相邻字符之间的位置。
了解这点后，或许有助于理解“位置”这一概念。
开始与结尾
最为常见的位置就是开头与结尾，它们分别用 ^ 与 $ 表示。
默认情况下，^ 与 $ 分别匹配的是给定文本的两头。所谓的默认情况，实际上是指“单行模式”，即文本被视为单行，也就只有一头一尾。
但实际情况是，给定的文本可能包含多行，而我们想要匹配每一行的开头与结尾，这时，正则表达式需要工作在“多行模式”下。多行模式下，^ 与 $ 分别匹配行开头与行结尾。则如果文本有 n 行，则应有 n 头 n 尾。
单行模式与多行模式的设置在不同语言中可能方式不同，比如在 JS 中使用 m 选项：
/^|$/gm。
单词边界
\b 和 \B 分别代表单词边界（word boundary）和非单词边界。
比如，\btest\b 将匹配独立的单词 test，而不会匹配诸如 testcard 这种包含 test 的单词等。
环视
环视（lookaround），限制位置前后内容需（不）匹配给定子模式。
环视给定了子模式，但是它会丢弃匹配内容，只关注是否匹配。因此，又称为“断言”。
环视丢弃了匹配内容，因此，它是非捕获分组。
从限制方向上看，可以限制位置左或右方；从限制方式上看，可以确定或否定匹配。因此，组合起来就有 4 种环视类型：肯定顺序环视（(?=p)）、否定顺序环视（(?!p)）、肯定逆序环视（(?<=p)）、否定逆序环视（(?<!p)）。
上述环视语法中的
p指的是子模式。
捕获数据
正则表达式中，圆括号将导致分组，通常分组匹配的内容将被捕获，捕获的内容可以在正则表达式里反向引用，或在 API 里引用。
捕获分组（capturing group）默认情况下，每对圆括号都是一个分组，匹配的数据会捕获到该分组中。
显然，括号是可以嵌套的，当存在嵌套时，分组以开/左括号为准，即分组的索引号以开括号出现先后为准。
反向引用（back reference），在正则表达式中，允许使用 \index 反向引用分组。
反向引用的不是子模式，而是子模式匹配的文本内容。
正则表达式引用不存在分组时，通常不会报错，而是匹配反向引用字符本身。
分组后有量词的话，分组最终捕获到的数据是最后一次的匹配。
通常情况下，使用括号会导致分组和数据捕获，通常这也是我们使用括号的目的，但有时，使用括号的目的不是这样，而只是为了提升优先级。
此时，我们使用括号但又不想分组，就需要使用非捕获分组（non-capturing group），即在开括号后紧跟问号和冒号： (?:p)。
由于字符序列的优先级比分支要高，因此，对于一些分支结构而言需要使用括号提升其优先级。
比如，要匹配字符串 good 与 food，正则表达式不能写为
g|food，这样匹配的是 g 和 food，而应写为(g|f)ood。可是，这样将会导致分组捕获，而这不是我们需要的，要避免分组捕获正则表达式要写为非捕获分组的形式，即
(:?g|f)ood。分组是可命名的，称为“命名分组（named group）”，语法大致是
(?<name>p)（并非所有宿主环境都支持，支持的语法也不尽相同）。原子分组（atomic group），可关闭回溯，语法：
(?>p)。
回溯法
回溯（backtracking），正则表达式在匹配过程中会尝试逐步向前匹配，直至匹配失败，则会回退几个步骤，尝试其他匹配。
构造不佳的正则表达式在匹配过程中可能导致灾难性回溯(catastrophic backtracking)，使得匹配效率低下。
回溯法本质上是深度优先搜索算法。
正则引擎分两种：
- NFA，非确定型有限自动机，表达式主导（regex-directed）引擎，特性：匹配慢，编译快
- DFA，确定型有限自动机，文本主导（text-directed）引擎
构建正则
准确性
匹配预期的字符串，不匹配非预期的字符串。
可读性
正则表达式本身书写的可读性并不好，但是可以通过添加注释来增强可读性，语法为：(?#comment)。
如果想在注释中添加空格、制表符、换行等，需启用“忽略模式里的空白符”选项。此时，
#后至行尾都是注释。
2
3
4
5
6
7
<(\w+)> # 查找尖括号括起来的字母或数字(即HTML/XML标签)
) # 前缀结束
.* # 匹配任意文本
(?= # 断言要匹配的文本的后缀
<\/\1> # 查找尖括号括起来的内容：前面是一个"/"，后面是先前捕获的标签
) # 后缀结束
效率
使用具体型字符组来代替通配符，来消除回溯。
使用非捕获型分组。
独立出确定字符。
加快判断是否匹配失败，加快移位的速度。
提取分支公共部分。
减少匹配中可消除的重复。
减少分支的数量，缩小它们的范围。
总结
关于字符匹配方式
字符匹配不外乎是纵向模糊匹配（字符组）、横向模糊匹配（量词）、分支以及它们的组合。
如何描述字符串？
最简单的方式就是依次说出字符串的每个字符是什么，这就是确定描述。确定描述只能用于描述确定的某个字符串，而不能描述某类字符串。
如果想要描述某类字符串，就要使用正则表达式。本质上说，正则表达式是一种非确定的描述方式，描述的是字符串模式。但是，同样它需要逐位进行描述，只是不是用确定的某个字符来描述，而是用一系列的字符来描述，这就是字符组。
更进一步，如果字符串中某段序列中的字符都属于某个字符集合，那么就可以通过指明重复次数来进行简写，这就是量词。从某种程度上说，量词是一种简写方式，但并不仅限于简写。
编写正则表达式的底层逻辑大致是这样的：将目标字符串集合中的所有字符串逐一归纳为正则表达式（当然一个字符串归纳出的正则表达式不是唯一的），然后取正则表达式的交集求得统一的正则表达式。问题在于，求交集的结果可能是空，这时可行的方案就是把不能统一的部分分别列出来，作为可选项。这就是分支。
梳理一下：正则表达式使用字符组描述某位上的字符，使用量词描述可重用度，而分支将不能协调的子模式部分并起来。
关于位置匹配
位置匹配也称为“锚（anchor）”。
开头、结尾、单词边界等等是简单锚；而环视是复杂锚。
锚（anchor），又称“锚位符”或“锚点”。
如何描述位置？
简单来说，位置是根据周围的字符确定的。
各类环视的名称
如果你看了很多正则表达式的书籍或文章，那么会发环视的叫法很多。下面一一看下。
环视（lookaround），应该是字面最贴切的名称。而它只关注匹配与否，因此又称为断言（assertion）。又由于位置匹配都是零宽（zero-width）的，所以又称“零宽断言（zero-width）”。
如果一个正则表达式全是位置匹配，那么，其匹配结果是空字符串。
可以用连续多个位置匹配表达式来限制同一个位置，等价于交集运算。
位置是可以替换为字符的，这相当于插入操作。
正则表达式结构组成
正则结构一般可分为如下部件：
- 字面量。
a \n \. - 字符组。
[0-9] \d - 量词。
a{1, 3} - 分支。
abc|bcd - 锚。
^ \b (?=\d) - 分组。
(ab) (?:ab) - 反向引用。
\2
正则表达式的使用
通常使用正则表达式目的有下列几种：
- 验证
- 切分
- 提取
- 替换
在线工具
参考
《JavaScript正则表达式迷你书》
《学习正则表达式》
《精通正则表达式》