正则表达式“派别”简述

jack

相信大家对于正则表达式都不陌生，在文本处理中或多或少的都会使用到它。但是，我们在使用linux下的文本处理工具如awk、sed等时，正则表达式的语法貌似还不一样，在awk中能正常工作的正则，在sed中总是不起作用，这是为什么呢?


　　这个问题产生的缘由是因为正则表达式不断演变的结果，为了弄清楚这些工具使用的正则语法的不同，我们有必要去简单了解下正则的演变过程，做到知己知彼。当然这个过程本身也是很精彩的，我这里抛砖引玉，希望对大家正确使用正则表达式有所帮助。


　　诞生期


　　正则表示式这一概念最早可以追溯到20世纪40年代的两个神经物理学家Warren McCulloch与Walter Pitts，他们将神经系统中的神经元描述成小而简单的自动控制元;紧接着，在50年代，数学家1950年代，数学家Stephen Kleene利用称之为“正则集合”的数学符号来描述此模型，并且建议使用一个简单的概念来表示，于是regular expressions就正式登上历史舞台了。插播一下，这个Kleene可不是凡人，大家都知道图灵是现代人工智能之父，那图灵的博导是Alonzo Church，提出了lambda表达式，而Church的老师，就是Kleene了。关于lambda，之前也写过一篇文章，大家可以参考编程语言的基石——Lambda calculus。


　　在接下来的时间里，一直到60年代的这二十年里，正则表示式在理论数学领略得到了长足的发展，Robert Constable为数学发烧友们写了一篇总结性文章The Role of Finite Automata in the Development of Modern Computing Theory，由于版权问题，我在网上没找到这篇文章，大家有兴趣的可以参考Basics of Automata Theory。


　　Ken Thompson大牛在1968年发表了Regular Expression Search Algorithm论文，紧接着Thompson根据这篇论文的算法实现了qed，qed是unix上编辑器ed的前身。ed所支持的正则表示式并不比qed的高级，但是ed是第一个在非技术圈广泛传播的工具，ed有一个命令可以展示文本中符合给定正则表达式的行，这个命令是g/Regular Expression/p，在英文中读作“Global Regular Expression Print”，由于这个命令非常实用，所以后来有了grep、egrep这两个命令。


　　成长期


　　相比egrep，grep只支持很少的元符号，*是支持的(但不能用于分组中)，但是+、|与?是不支持的;而且，分组时需要加上反斜线转义，像\( ...\)这样才行，由于grep的缺陷性日渐明显，AT&T的Alfred Aho实在受不了了，于是egrep诞生了，这里的e表示extended，加强版的意思，支持了+、|与?这三个元符号，并且可以在分组中使用*，分组可以直接写成(...)，同时用\1,\2...来引用分组。


　　在grep、egrep发展的同时，awk、lex、sed等程序也开始发展起来，而且每个程序所支持的正则表达式都或多或少的和其他的不一样，这应该算是正则表达式发展的混乱期，因为这些程序在不断的发展过程中，有时新增加的功能因为bug原因，在后期的版本中取消了该功能，例如，如果让grep支持元符号+的话，那么grep就不能表示字符+了，而且grep的老用户会对这很反感。


　　成熟期


　　这种混乱度情况一直持续到了1986年。在1986年，POSIX(Portable Operating System Interface)标准公诸于世，POSIX制定了不同的操作系统都需要遵守的一套规则，当然，正则表达式也包括其中。


　　当然，除了POSIX标准外，还有一个Perl分支，也就是我们现在熟知的PCRE，随着Perl语言的发展，Perl语言中的正则表达式功能越来越强悍，为了把Perl语言中正则的功能移植到其他语言中，PCRE就诞生了。现在的编程语言中的正则表达式，大部分都属于PCRE这个分支。


　　下面分别所说这两个分支。


　　POSIX标准


　　POSIX把正则表达式分为两种(favor)：BRE(Basic Regular Expressions)与ERE(Extended Regular Expressions )。所有的POSIX程序可以选择支持其中的一种。具体规范如下表：






　　从上图可以看出，有三个空白栏，那么是不是就意味这无法使用该功能了呢?答案是否定的，因为我们现在使用的linux发行版，都是集成GNU套件的，GNU是Gnu’s Not Unix的缩写，GNU在实现了POXIS标准的同时，做了一定的扩展，所以上面空白栏中的功能也能使用。下面一一讲解：


　　BRE如何使用+、?呢?需要用\+、\?


　　BRE如何使用|呢?需要用\|


　　ERE如何使用\1、\2…\9这样的反引用?和BRE一样，就是\1、\2…\9


　　通过上面总结，可以发现：GNU中的ERE与BRE的功能相同，只是语法不同(BRE需要用\进行转义，才能表示特殊含义)。例如a{1,2}，在ERE表示的是a或aa，在BRE中表示的是a{1,2}这个字符串。为了能够在Linux下熟练使用文本处理工具，我们必须知道这些命令支持那种正则表达式。现对常见的命令总结如下：


　　- 使用BRE语法的命令有：grep、ed、sed、vim


　　- 使用ERE语法的命令有：egrep、awk、emacs


　　当然，这也不是绝对的，比如 sed 通过-r选项就可以使用ERE了，大家到时自己man一下就可以了。


　　还值得一提的是POSIX还定义了一些shorthand，具体如下：


　　[:alnum:]


　　[:alpha:]


　　[:cntrl:]


　　[:digit:]


　　[:graph:]


　　[:lower:]


　　[:print:]


　　[:punct:]


　　[:space:]


　　[:upper:]


　　[:xdigit:]


　　在使用这些shorthand时有一个约束：必须在[]中使用，也就是说如果像匹配0-9的数字，需要这么写[[:alnum:]]，取反就是[^[:alnum:]]。shorhand 在BRE与EBE中的用法相同。


　　如果你对sed、awk比较熟悉，你会发现我们平常在变成语言中用的\d、\w在这些命令中不能用，原因很简单，因为POSIX规范根本没有定义这些shorthand，这些是由下面将要说的PCRE中定义的。


　　PCRE标准


　　Perl语言第一版是由Larry Wall发布于1987年12月，Perl在发布之初，就因其强大的功能而一票走红，Perl的定位目标就是“天天要使用的工具”。Perl比较显诸特征之一是与sed与awk兼容，这造就了Perl成为第一个通用性脚本语言。


　　随着Perl的不断发展，其支持的正则表达式的功能也越来越强大。其中影响较大的是于1994年10月发布的Perl 5，其增加了很多特性，比如non-capturing parentheses、lazy quantifiers、look-ahead、元符号\G等等。


　　正好这时也是WWW兴起的时候，而Perl就是为了文本处理而发明的，所有Perl基本上成了web开发的首选语言。Perl语言应用是如此广泛，以至于其他语言开始移植Perl，最终Perl compatible(兼容)的PCRE诞生了，这其中包括了Tcl, Python, Microsoft’s .NET , Ruby, PHP, C/C++, Java等等。


　　前面说了shorthand在POSIX与PCRE是不同的，PCRE中我们常用的有如下这些：


　　\w 表示[a-zA-Z]


　　\W 表示[^a-zA-Z]


　　\s 表示[ \t\r\n\f]


　　\S 表示[^ \t\r\n\f]


　　\d 表示[1-9]


　　\D 表示[^1-9]


　　\< 表示一个单词的起始


　　\> 表示一个单词的结尾


　　关于shorthand在两种标准的比较，更多可参考Wikipedia


　　总结


　　我相信大家最初接触正则表达式(RE)这东西，都是在某个语言中，像 Java、Python等，其实这些语言的正则表达式都是基于PCRE标准的。


　　而Linux下使用各种处理文本的命令，是继承自POSIX标准，不过是由GNU扩展后的而已。