假设您在电话簿中查找姓名，但不记得确切的拼写。您可以花费大量时间搜索所有可能的组合，除非您有一个工具可以提取与您的搜索匹配的相对较少的选项，无论您的搜索多么不完整。正则表达式就是这样一种工具。

粗略地说，正则表达式（或 regexp）是一个描述另一个字符串或一组字符串的字符串。许多应用程序可以从这种能力中获益：Perl、sed、awk、egrep，甚至 Emacs（阅读本文后尝试 Ctrl-Alt-%），仅举几例。

事实上，你们中的许多人已经使用过某种正则表达式。在 shell 命令中

ls *.pl

字符 *.pl 充当正则表达式。也就是说，它是一个字符串，描述由任意数量的任何类型字符 (*) 组成的字符串，后跟一个句点 (.)，后跟两个给定的字符 (pl)。

用于组成正则表达式的标准规则集能够描述所有字符串，无论它们多么复杂。不幸的是，生活总是更加复杂。事实证明，至少存在两个不同版本的正则表达式：扩展的和基本的。此外，并非所有应用程序都支持所有可能的规则。

如果正则表达式正确地描述了给定的字符串，则称该正则表达式匹配该字符串。给定的正则表达式可以与零个到多个字符串匹配。按照惯例，正则表达式写在斜杠之间 (/.../)。在下文中，我使用扩展正则表达式。

最简单的正则表达式是普通的字母数字字符串。这样的 regexp 与包含其内容作为子字符串的所有字符串匹配。例如，考虑以下来自罗西尼我最喜欢的歌剧《灰姑娘》中的诗句：“Zitto, zitto, piano, piano, senza strepito e rumore。” regexp /piano/ 被认为与这句诗匹配，因为后者包含与 regexp 相同的字符，相同的序列。

为了更好地理解我讨论的示例，您可以尝试以下 Perl 脚本，尝试对其包含的 regexp 进行修改

#!/usr/bin/perl
$verse = "Zitto, zitto, piano, piano, senza " .
         "strepito e rumore";
if ($verse =~ /piano/) {
   print "Match!\n";
} else {
   print "Do not match!\n";
}

在 Perl 中，运算符 =~ 比较两个正则表达式，如果它们匹配则返回“true”。

一些字符（称为元字符）不被识别为普通字符，而是用于特殊目的。例如，* 用于匹配零次或多次字符组，该字符组又由一对定义原子（或必须视为单个实体的字符组）的括号标识。regexp /( piano,)*/ 与示例诗句匹配，因为字符“ piano,”（形成一个原子）重复了两次。如果原子由单个字符组成，则可以省略括号。

* 在正则表达式中的含义与它在 shell 中的含义不同。在正则表达式中，* 是一个修饰符；它描述了左侧原子的重复次数。因此，字符串“piano”在 shell 中与 p* 匹配，但在正则表达式中不匹配：/p*/ 与 p、pp、ppp 等匹配，甚至与空字符串匹配。

要指定原子的重复次数在 N 和 M 之间，可以使用符号 {N,M}。{N} 匹配与前一个原子完全重复 N 次的字符串；{N,} 将匹配至少 N 个。因此，以下正则表达式将匹配

/( piano,){0,10}/
/( piano,){1,2}/
/( piano,){2}/

当然，第一个 regexp 也将与“ piano, piano, piano” 匹配。

元字符 + 和 ? 分别是 {1,} 和 {0,1} 的简写。

匹配的带括号原子会自动存储到特殊变量（称为反向引用）中，这些变量由符号 \ 后跟一个数字标识。正则表达式中第一次出现的带括号原子将存储在 \1 中，第二次出现的存储在 \2 中，依此类推。例如

/Z(itto), z\1, ( piano,)\2/

将与上述诗句匹配（假设 \1 = “itto”，\2 = “piano，”）。

. 元字符可以描述任何字符，因此正则表达式 /.(itto), .\1/ 既匹配“Zitto, zitto”又匹配“zitto, zitto”。但是，它甚至与“Ritto, ritto”匹配，但这没有相同的含义。为了避免过于通用，您可以指定一组可能的替代方案，在方括号中列出可能的字符

/[Zz](itto), [Zz]\1/

方括号中的短划线用于指定字符范围。例如，/[a-z]/ 匹配所有小写字符，/[A-Z]/ 匹配所有大写字符。/[a-zA-Z0-9_]/ 匹配任何字母数字字符或下划线。

元字符 | 可用于表达不同的替代方案。它的作用类似于逻辑 OR 语句。因此

/Zitto|zitto/

将同时匹配“Zitto”和“zitto”。

元字符 ^ 和 $ 分别匹配字符串的开头和结尾。如果在方括号内使用，则插入符号被解释为否定运算符。所以

/[^a-z]itto/

将匹配 Zitto，但不匹配 zitto（[^a-z] 可以理解为“任何不是小写字母的字母”）。

要匹配元字符，只需在其前面放一个反斜杠 (\) 即可告诉 regexp 将其解释为普通字符。\ 字符通常称为转义字符。

为了体会正则表达式的强大功能，让我们看一个简单的 Perl 脚本，它可以帮助系统管理员查找身份验证失败。在以下示例中，我使用了相当有表现力的正则表达式来展示不同的功能。您可以编写更简单的正则表达式来描述相同的字符串。

每次有人登录失败时，syslogd 都会将消息写入 /var/log/messages，如下所示

Jul 26 16:35:25 myhost su(pam_unix)[2549]:
authentication failure; logname=verdi uid=500
euid=0
tty= ruser=organtin rhost=  user=root
Jul 27 14:54:36 myhost login(pam_unix)[688]:
authentication failure; logname=LOGIN uid=0
euid=0 tty=tty1 ruser= rhost=  user=mozart

这些行列表明了登录尝试的时间、尝试以另一个用户身份登录的用户（如果可用）以及目标用户。例如，用户 verdi 尝试以 root 身份登录两次，而有人从控制台登录 mozart 失败。

考虑清单 1 中所示的 Perl 脚本。它读取 /var/log/messages 文件，然后识别看起来有趣的行，并仅提取相关信息。

清单 1. 用于查找身份验证错误的示例 Perl 脚本

首先，我们仅选择相关行，并使用第 7 行显示的正则表达式 /authentication failure/ 匹配它们。其他所有内容都将被丢弃。然后，每一行都与一个正则表达式（第 8 行）匹配，该正则表达式应理解如下：获取所有以 (^) 开头、正好包含三个 ({3}) 字母 ([a-zA-Z]) 字符的字符串，后跟一个空格，后跟最多两个 (+) 字符，这些字符可以是数字（0-9，在 Perl 中等效于元字符 \d）或空格。在一个空格之后，必须跟随任意数量 (*) 的数字或分号。到目前为止描述的字符串部分包含在括号中，因此它存储在名为 \1 的反向引用中（它是第一个）。之后，在字符串“logname=”之前可以找到任意数量的字符 (.*)。该字符串后必须跟任意数量的字母数字字符。同样，因为有一对括号，我们将它们存储在 \2 中。最后，在字符串“user=”之前可以存在任意数量的字符，后跟任意数量的字母数字字符。所有这些都存储在 \3 中。

从这个例子中，您可以看到如何从字符串中提取子字符串。您不需要知道它们的相对位置，只要您可以描述它们的外观即可。

Perl 提供了一个有用的功能来处理 regexp。在正则表达式匹配后，可以使用以反向引用命名的 Perl 变量的自动定义，如 $1、$2 等。Perl 还允许用户定义有用的符号，例如 \d 或 \w（等效于 [A-Za-z0-9_]），以及表示相同内容的符合 POSIX 的符号（有关更多信息，请参阅 man perlre）。

基本正则表达式被其他几个程序使用，例如 sed 或 egrep。

在基本正则表达式中，元字符 |、+ 和 ? 不存在，括号和花括号需要转义才能被解释为元字符。元字符 ^、$ 和 * 遵循更复杂的规则（有关更多详细信息，请参阅 man 7 regex）。但是在大多数情况下，它们的行为类似于扩展的对应项。通常方便的做法是以扩展格式表示正则表达式，然后在需要时添加转义字符。

例如，清单 2 中所示的脚本生成一个 HTML 格式的页面，以使用互联网浏览器读取系统日志文件的内容。除了回显页面标题和表格的 HTML 标签外，它还简单地列出给定目录中的文件，并将结果通过管道传递给 sed，sed 使用 regexp 对其进行转换。sed 用于文本替换的语法非常常见，类似于

s/regexp/replacement/

其中 regexp 是必须替换的正则表达式。

清单 2. 用于生成 HTML 格式页面以读取日志文件的示例脚本

本质上，该语法表示一个由九个元素组成的字符串，这些元素由适当的正则表达式正确描述。例如，[rwxds-] 要求查找第一个元素中可能存在的字符。

字符串的后半部分由字母数字字符组成，其中穿插着斜杠。您可能会注意到，在这种情况下使用的正则表达式是 (.*\/)(.*)。第一组匹配斜杠（转义的）之前的所有字符，即路径名。第二组列出所有后续字符（文件名）。路径中斜杠的数量无关紧要。事实上，正则表达式（基本正则表达式和扩展正则表达式）被认为是贪婪的——它们试图匹配尽可能多的字符。

脚本的结果被写入标准输出，并且可以重定向到给定的文件（例如，通过 cron 以固定的时间间隔），以便在 Web 上显示。

到目前为止，正则表达式是用于文本操作和描述的最强大的工具，并且在 Linux 下的许多应用程序中都得到了很好的支持。不幸的是，由于其复杂性，最流行的搜索引擎根本不支持它们（据我所知）。但是，您能想象一下，如果您能够使用正则表达式描述您要查找的页面，您的搜索将会有多么精确吗？