我爱正则表达式

按：本文使用的RegexBuddy为3.1.0（完全）版，并非最新版3.1.1（截至2008.08.23）。需要该版本的请在这篇文章后留言。

注：参考www.regular-expressions.info的风格，更新了本模板的style.css文件，加入了与正则式代码相关的格式：

• 正则式格式举例：[a-z]+@[a-z]+?\.[a-z]+
• 匹配格式举例：pig@animals.com和chicken@birds.com
• 普通文本格式举例：这是一些普通文本。hello regex world. pig@animals.com和chicken@birds.com

可以这样使用：在字符串这是一些普通文本。hello regex world. pig@animals.com和chicken@birds.com使用正则式[a-z]+@[a-z]+?\.[a-z]+加以匹配，得到的结果为：pig@animals.com和chicken@birds.com。

极端粗放型：点号其实是近乎万能的，可以匹配任何字符，限制只在于换行符的匹配上。匹配中文自然不在话下。作为可有可无的背景符，一个.*就能匹配掉包括中文在内的全部字符。这当然是一种极端的情况，因为这样显示不出中文字符串的特性。这不是本文要探讨的。

极端集约型：如果搜索特定文本，例如在一二三四五六七八九十拾佰百千仟万亿中匹配十拾， 直接使用m/十拾/就能搞定。这同样不是本文要探讨的。与\w能匹配英文字母一样，本文想找的是能够匹配所有汉字，而不匹配其它文本的一种简写方式。

普适型型：由于汉字属于Unicode，我们就从unicode里面找。在Unicode Regular Expressions，列出了unicode的许多种表达方式。搜索chinese，找到如下一行：

关于CJK的含义，是指中日韩统一表意文字（Chinese Japanese Korean Unified Ideographs），可以参考百度释义，或wiki词条。

再查了一下regular expressions,查到其unicode一节有这样的内容：

\p{InCJK_Unified_Ideographs}: U+4E00..U+9FFF

看到这里，我想起了以前写的《匹配用户名的asp正则表达式(包括中文)》一文中，提到的中文匹配为[\u4e00-\u9fa5]，原来是有其对应的速记方式的，虽然两者有最后一组字符的差异。看附图可见U+9fa5，最后一个汉字的模样。 此序列的第一位，U+4e00，是汉字一。

自定义：到目前为止，相当于给汉字找到了官方的身份和说法，使用\p{InCJK_Unified_Ideographs}就能匹配所有的中文字符。我们其实也可以将一些重复出现的东西，封装起来，以备使用。例如，对于阿拉伯数字，我们有\d可以用。对于中文数字一二三四等等，我们有没有办法呢？

$zh_digit=qr/一|二|三|四|五|六|七|八|九|十|零|〇|百|千|万|亿|佰|仟|壹|贰|叁|肆|伍|陆|柒|捌|玖|拾/;
 
$str="人民币五十一万零三百元整。大写：伍拾壹万零三佰元整。";
while($str =~ s/((?:$zh_digit)+)//)
{
	print $1."\n";
}

其输出结果见附图。

结论

可以使用\p{InCJK_Unified_Ideographs}匹配任意中文字符。在不支持该种标记方式时，也可以使用[\u4e00-\u9fa5]加以匹配。

关于文正则表达式，我觉得尚未穷其奥秘。以前在linux（utf8编码）下，编写scim输入平台的郑码码表时，匹配中文所使用的正则表达式为[\x80-\xff]{3}，也能很好地工作。请参阅此文：龙文郑码码表 for scim。其原理我尚不清楚，留待之后有时间研究。如有知情者，也请不吝赐教，先行谢过。

偶然从网上找到该教程，下载后觉得不错，可以作为《精通正则表达式》的番外篇，共同学习。

关于此视频的讲师：

此视频的讲师为余晟先生。余先生是抓虾网高级顾问。毕业于东北师范大学，主修计算机，辅修中文。现居北京。曾任高级程序员、技术经理；从事过大量文本解析和数据抽取的工作。对程序语言、算法、数据库和敏捷开发都有兴趣，译有《精通正则表达式》(第3版)一书。

关于此视频

此视频分为5讲，每讲30分钟左右，内容深入浅出，适合以下受众：

• 对正则式感兴趣的人；
• 对正则式不感兴趣的人；
• 正则式初学者，想入门；
• 正则式有所成者，想提高。

当然，如果能静下心来，通读《精通正则表达式》原书，并亲自动手尝试，效果更为显著。

目录及下载：

视频文件（avi格式）已经使用7-zip压缩，使其总尺寸从784Mb减小到74.7Mb。您需要使用支持7-zip的解压软件才能打开。

上传空间在mediafire。在网络封锁日益严峻的大环境下，您或许需要使用代那个理才能访问。我不敢保证此文件址长时有效。需要下载的请抓紧时间。

章节	内容	大小（Mb）	链接
第一讲		15.5	点此下载
第二讲		13.1	点此下载
第三讲		16.6	点此下载
第四讲		15.3	点此下载
第五讲		13.9	点此下载
源代码		16.9Kb	点此下载

2008.11.04更新：
由于mediafire不出意料被AND（不幸言中），上面的文件也无法下载。好在还有纳米盘。请访问牛腩的学习空间去使用纳米盘下载。上面除了我这里提到的5部分《精通正则表达式》vedio以外，还有两段“实战正则表达式”，还不赶紧去看看？

无论对于正则式初学者还是老手，如果想从头至尾了解各种正则式流派之差异，深究正则式之匹配原理，打磨高效率的正则式，《精通正则表达式》(豆瓣链接)都是不二之选。但是该书长处在于推理、演绎，归纳倒在其次，虽然也有不少表格，但是作者一再强调，不要把本书仅仅当作参考手册来读。因为正则式参考手册另有其书：《OReilly.Regular.Expression.Pocket.Reference》(豆瓣链接)。

该书与《精通正则表达式》同出自O’Reilly，第二版发行于2007年。我找到了pdf版，1M左右，排版精良。涵盖的语言有：

• Perl 5.8,
• Java(java.util.regex),
• .NET and C#,
• PHP,
• Python,
• Ruby,
• JavaScript,
• PCRE,
• Apache Web Server,
• vi Editor, Shell Tools。

上述每一种语言/工具都分别单独有一章来详细介绍其正则特性。相比之下，《精通正则表达式》中只有Perl、PHP、Java、.Net有此殊荣。

阅读建议：

• 《精通正则表达式》有情节有起伏，有推理有结论，有感悟有启发，可以当作小说，从头读到尾（至少前6章如此）。
• 《正则表达式袖珍参考书》就是一本迷你的正则式百科全书。可以当字典、当语法书来读。

该书128页，一本小册子而已。售价US $14.99，或CAN $17.99。如果您囊中不羞涩，强烈建议你购买正版。如果您只是抱着纯学术目的钻研一下正则技术，可以先从这里下载电子版，记得及时删除哦。以下地址必有一款适合您；有的或许需要代理才能访问。如果使用代理也无法访问时，可以留言，我会把pdf发到您的邮箱。