常用
- [0-9a-zA-Z]
- . 可以匹配任意单个字符、字母、数字甚至是 . 本身
- 取反：^
- 元字符：. [ ] \ ? * + 等。元字符大致可以分为两种：一种用来匹配文本的（比如 . ），另一种是正则表达式语法的组成部分（比如 [ 和 ] ）。
- 匹配空行：^$。 ^表示行开始，$表示行结尾。比如下面命令扣除空行内容
grep '^$' test1.txt -v
- \d：等价[0-9]
- \D：等价[^0-9]
- \w：等价[a-zA-Z0-9_]
- \W：等价[^a-zA-Z0-9_]
- \s：匹配任何一个空白字符
- \S：匹配非空白字符
- | ： 当前字符只要是
|左右两边的字符之一。就算匹配成功 - +：匹配一个或多个字符。比如使用下面的正则表达式可以匹配：test@test.com这样的邮箱格式字符串
\w+@\w\.\w+
- 不过，上述表达式无法匹配形如：test.test@test.com这样格式的邮箱字符串，可以对字符集合使用+
[\w.]+@[\w.]+\.\w+
- 你可能注意到了，我们没有对 [\w.] 里的字符 . 进行转义，一般来说，当在字符集合里使用的时候，像 + 和 . 这样的元字符将被解释成普通字符，不过转义了也没有坏处
- *：匹配零个或多个字符
- 上面的匹配邮箱格式的正则可能会匹配到如下字符串：.test.test@test.com，显然，第一个 . 不是我们想要的，该如何避免呢？
\w[\w.]*@[\w.]+\.\w+
- ?：匹配零个或一个字符，看似没什么用，但换种思路，最多出现一次，常用来匹配http链接，其能兼容http和https两种形式的链接。比如 www.test.com 和 www.test.com ，下面是正则表达式：
https?:\/\/[\w.]+
注意： / 并不是元字符，但它经常用来包裹正则表达式，称作界定符，因此也需要转义
- 重复匹配和重复的区间范围：使用 { } 放在要重复的字符或字符集前面，比如：\d{2}代表数字要重复两次，\d{2,4}代表数字要重复2~4次
- 至少重复多少次：指定至少要匹配多少次，比如{3,}，即重复的最大值不写，那么就代表至少重复3次。逗号别忘了，否则就变成了：只匹配3次。最后，上面的元字符 + 等价于{1,}
防止过度匹配（贪婪与懒惰）
目前我们所有的正则表达式元字符都是贪婪型的，即其匹配行为是多多益善而不是适可而止。他们会尽可能地从一段文本的开头一直匹配到末尾，而不是碰到第一个匹配时就停止，这是有意设计的。
在不需要这种“贪婪行为”的时候该怎么办？答案是使用这些元字符的“懒惰型”版本。之所以称之为“懒惰型”是因为其匹配尽可能少的字符，而非尽可能多地去匹配。懒惰型的写法是在贪婪型元字符后面加上一个?比如下面：
贪婪型元字符 懒惰型元字符
* *?
+ +?
{n,} {n,}+
grep想要使用非贪婪的正则表达式，需要跟上-E参数，代表使用Perl的正则，比如你想要匹配出下面字符串的两个标签：
<b>11</b> aaaaa <b>22</b>
便可以使用如下命令：
echo '<b>11</b> aaaaa <b>22</b>' | grep -P -o '<[bB]>.*?<\/[bB]>'
结果如下：
<b>11</b>
<b>22</b>
你可以试试如何不使用懒惰型元字符匹配的话，结果是什么
位置匹配
这节我们要做什么事呢？如果我们想匹配下面句子中的cat单词，而不想把scattered中的cat匹配出来，如何实现呢？
the cat scattered his food all over the room
翻译：猫把食物撒得满屋子都是
按照现有的知识储备我们是做不到的。
单词边界
\b 用来匹配一个单词的开头或结尾。什么是"\b"：首先，b是boundary（边界）的缩写，那么 \b 到底匹配什么东西呢？简单地说， \b 匹配的是字符之间的一个位置：一边是单词（能够被 \w 匹配的字母数字字符和下划线），另一边是其他内容（能够被 \W 匹配的字符）。所以你知道了，\b不代表一个字符，而只是两类字符之间的位置。
我们可以使用下面的正则来实现上面的需求：
\bcat\b
单词cat的前后都有空格，所以匹配模式\bcat\b（空格是用来分割单词的字符之一）。该模式并不匹配单词scattered中的字符序列cat，因为它的前一个字符是s、后一个字符是t，与cat构不成边界。
重要的是认识到，如果你想匹配一个完整的单词，就必须在要匹配的文本的前后都加上\b。比如，你想匹配任何以字符序列cap开头的单词，就可以使用正则表达式\bcap实现。
如果你不想匹配边界（即\w和\W之间的位置），则可以使用\B实现，比如下面的例子中:
please enter the nine-digit id as it appears on your color - coded pass-key
翻译：请输入显示在您采用颜色编码的密码上的九位数字id（好奇怪的句子）
使用如下的正则表达式：
\B-\B
就可以只匹配到下面红色的部分：
please enter the nine-digit id as it appears on your color - coded pass-key
字符串边界
单词边界可以用来对单词位置进行匹配（单词的开头、单词的结尾、整个单词等）。字符串边界有着类似的用途，只不过用于在字符串收尾进行模式匹配。字符串边界元字符有两个：^代表字符串开头，$代表字符串结尾。
注意1： 你应该记得^代表的是排除的意思。这怎么又变成字符串的开头了呢？有些元字符拥有多种用途，^就是其中之一。只有当它出现在字符集合里（位于[和]之间）且紧跟在左方括号的后面时，它才表示排除该字符集合。如果出现在字符集合之外并位于模式的开头，^将匹配字符串的起始位置。
注意2： 如果你使用过grep或是sed等命令，你会发现^和$代表的是每一行的收尾边界，这是因为这些命令都会将文件按行切分，我们使用的grep等都是针对每一行使用的正则匹配。
字符串边界的例子就不举了。捎带提一句，^$代表的其实就是空串，在grep中，经常用来匹配或过滤空行。
使用子表达式
本节学习如何运用子表达式对表达式进行分组。如果你不能理解这句话的意思（即什么是分组），举个例子：如果你熟悉阿里云的SLS或者是其他的分布式日志系统，那么你大概会知道正则表达式的重要之处，首先大体流程是告诉日志系统，要采集的文件是什么，一般为log.info，或log.error等，然后你要提供一份正则表达式，它会对你输出的每一条日志进行切分，比如你的日志是：field1:"xxx",field2:"yyy",field3:"zzz"，那么正则表达式将会将这个字符串进行分组匹配成为：group1：field1:"xxx" ,group2：field2:"yyy" ,grou3：field3:"zzz",最后你需要告诉日志系统，每个字段的数据类型（在es中的类型）,然后作为es索引的某个字段进行存储。这就是子表达式的强大之处。在jdk中，匹配获得到的Matcher对象中也有获取group的操作。
不过说明什么是子表达式重要之处不必那么麻烦，举个例子即可：首先介绍html的实体引用： （nobreaking space 不换行空格，常用于html排版，使得一段文字即使有空格也不换行），代表空格，目前我想匹配html中的连续两次或多次重复出现的 ，如何实现呢？米可能会想：
{2,}
这是错误的，因为重复匹配只会针对于紧挨着它左边的单个字符或字符集（[]，也是单个字符）。如何实现就用到子表达式。
子表达式是更长的表达式的一部分。划分子表达式的目的是为了将其视为单一的实体来使用，子表达式必须出现在(和)之间。因此，上面的问题应该用下面的正则来解决：
( ){2,}
再举一个例子，匹配ipv4地址，你知道它是四段数字（最多三位）组成，根据已有的知识，可以写出下面的正则表达式进行匹配：
\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}
如果使用我们本节的子表达式该如何书写呢：
(\d{1,3}\.){3}\d{1,3}
再比如说一些元字符比如|，比如你想匹配年份，年份一般是4位数字，开头一般是19或20，所以你这样写你的正则表达式：19|20\d{2}。实际的效果其实是匹配19和20\d{2}，这并不满足你的需求，你应该将19和 20括起来：(19|20)\d{2}
子表达式的嵌套
所谓子表达式嵌套就是子表达式里面还有个子表达式。还是拿ip地址举例子，你会发现上面的解决方案还是很不严谨，因为ip地址的每一位都不会超过255，如何解决呢？可以对ip地址进行归类，满足下面四条之一的任何一条都都属于正常的ip地址的某一段：
- 任意的1位或2位数字
- 任意的以1开头的3位数字
- 任意的以2开头、第二位数字在0到4之间的3位数字
- 任意的以25开头、第三位数字在0到5之间的3位数字
优化后的正则表达式如下：
(25[0-5]|2[0-4]\d|1\d{2}|\d{1.2}\.){3}25[0-5]|2[0-4]\d|1\d{2}|\d{1.2}
你会发现我的规则是倒着写的，如果正着写会发生什么呢？会发生短路，可能最后一位是200(比如ip地址为:12.159.46.200)，但是却匹配到了20。
反向引用
子表达式的另一个重要用途：反向引用。
