多字符匹配的一般形式
为什么需要量词？因为使用量词可以方便的匹配多个字符。以匹配邮政编码为例，其是由6位数字构成的字符串，比如201203。根据之前学习的知识，匹配这样的字符串需要使用正则表达式\d\d\d\d\d\d。而使用量词进行匹配则只需要写成\d{6}。
量词可以表达不确定的长度，其通用形式是{m,n}，其中m和n是两个数字，m是下限，n是上限（均是闭区间），m和n共同限定了之前的元素能够出现的次数。
\d{m,n}表示所匹配的数字字符串长度，最短是m个字符，最长是n个字符。
如果不确定长度的上限，可以省略n值，只给出m值，例如\d{m,}，表示数字字符串的长度必须在m个字符之上。
量词限定的出现次数一般都有明确的下限，如果没有，则默认为0。
注：量词中的逗号之后绝不能有空格。
| 量词 |
说明 |
| {n} |
之前的元素必须出现n次 |
| {m,n} |
之前的元素最少出现m次，最多出现n次 |
| {m,} |
之前的元素最少出现m次，出现次数无上限 |
| {0,n} |
之前的元素可以不出现，也可以出现，最多出现n次（在某些语言中可以写为{,n}） |
常用量词
{m,n}是量词表达的通用形式，在正则表达式中还存在三个作为“量词简记法”的常用量词，如下表：| 常用量词 |
{m,n}等价形式 |
说明 |
| * |
{0,} |
可能出现，也可能不出现，出现次数没有上限 |
| + |
{1,} |
至少出现1次，出现次数没有上限 |
| ? |
{0,1} |
至多出现1次，也可能不出现 |
一些使用常用量词的例子：
- 针对美式英语和英式英语单词拼写的使用，如travell?er。
- 针对http和https两种协议的匹配，如https?。
- 匹配HTML中的所有tag，如<[^>]+>（该正则表达有一点缺陷，以前一篇文章和本文中的知识无法解决）。
| 匹配所有tag的表达式 |
tag分类 |
匹配分类tag的表达式 |
| <[^>]+> |
Open tag |
<[^/>][^>]*> |
| |
Close tag |
</[^>]+> |
| |
Self-closing tag |
<[^>/]+/> |
- 匹配双引号字符串，如”[^”]*”。
上面给出用于匹配open tag的正则表达式，也能够匹配self-closing tag。以目前已学知识无法解决。
特殊元字符：点号
一般文档都说，点号可以匹配“任意字符”，但事实是，点号可以匹配除换行符\n之外的任意字符。如果非要匹配“任意字符”，有两种办法：在正则匹配时指定使用单行模式（目前不解释细节），在这种模式下，点号可以匹配换行符；或者使用之前说过的通配字符组[\s\S]（也可以是[\d\D]或[\w\W]）。点号的使用容易出现滥用，比如随意使用.*或.+。
例如，之前我们使用”[^”]*”匹配双引号字符串，而“图省事”的做法是”.*”。这种用法会出现意外，因为用”.*”匹配双引号字符串，不但可以匹配正常的双引号字符串”quoted string”，还可以匹配格式错误的字符串”quoted string” and another”。另外”.*”无法匹配有换行符的情况。
这个问题简答的讲，是因为所使用量词的类型导致。之前介绍过的量词都属于匹配优先量词（greedy quantifier，也称作贪婪量词）。这类量词的特点是，在拿不准是否要匹配的时候，优先尝试匹配，并记下这个状态，以备将来进行回溯（backtracking）。例如下图所示过程
匹配优先量词使用的常见场景：
- 文件名解析（例如使用^.*/对/usr/local/bin/python进行路径匹配；用[^/]*$对文件名匹配）
忽略优先量词使用的常见场景：
- 匹配多段javascript代码（<script type=”text/javasript”>...</script>）；
- 匹配类似C语言那样的多行注释（行尾注释//...，和多行注释/*...*/）；
- 提取HTML代码中的超链接（<a href=”http://somehost/somepath”>text</a>）；
目前已知的匹配优先量词和其对应的忽略优先量词如下表所示
| 匹配优先量词 |
忽略优先量词 |
限定次数 |
| * |
*? |
可能不出现，也可能出现，出现次数没有上限 |
| + |
+? |
至少出现1次，出现次数没有上限 |
| ? |
?? |
至多出现1次，也可能不出现 |
| {m,n} |
{m,n}? |
出现次数最少为m次，最多为n次 |
| {m,} |
{m,}? |
出现次数最少为m次，没有上限 |
| {,n} |
{,n}? |
可能不出现，也可能出现，最多出现n次 |
匹配优先量词和忽略优先量词逐一对应，只是在对应的匹配优先量词之后添加?，两者限定的元素能出现的次数也一样，遇到不能匹配的情况同样需要回溯；唯一的区别在于，忽略优先量词会优先选择“忽略”，而匹配优先量词会优先选择“匹配”。另外，匹配优先量词只需要考虑自己限定的元素能够匹配即可，而忽略优先量词必须兼顾它所限定的元素和之后的元素，效率自然大大降低，当处理字符串很长时，尤为明显。
问题：C语言的两种注释方式，一种是在行末，以//开头；另一种可以跨多行，以/*开头，以*/结束。要匹配这两种注释，如何写正则表达式？
忽略优先量词在HTML页面解析中的应用：
| 类型 |
正则表达式 |
| 匹配table |
<table[\s>][\s\S]+?</table> |
| 匹配tr |
<tr[\s>][\s\S]+?</tr> |
| 匹配td |
<td[\s>][\s\S]+?</td> |
注：因为tag是不区分大小写的，所以如果还希望匹配大小写的情况，则必须使用字符组，table写成[tT][aA][bB][lL][eE]。
在实际的HTML代码中，table、tr、td这三个元素经常是嵌套的，它们之间存在着包含关系。但是仅仅使用正则表达式匹配，并不能得到这种包含关系信息。换句话说，正则表达式只能进行纯粹的文本处理，单纯依靠它不能整理出层次结构；如果希望解析文本的同时构建层次结构信息，则必须将正则表达式配合程序代码一起使用。
转义
之前介绍过元字符的转义，这里要介绍的是量词的转义。对于常用量词所使用的字符+、*、?来说，如果希望表示这三个字符本身，直接添加反斜线，变为\+、\*、\?即可。但是在一般形式的量词{m,n}中，虽然具有特殊含义的字符不止一个，转义时却只需要给第一个{添加反斜线即可，也就是说，如果希望匹配字符串{m,n}，则正则表达式必须写成\{m,n}。
需要注意的是针对忽略优先量词的转义，因为其需要对两个量词全部转义。例如，如果要匹配字符串*?，正则表达式必须写作\*\?，而不是\*?。
下表为各种量词的转义
| 量词 |
转义形式 |
| {n} |
\{n} |
| {m,n} |
\{m,n} |
| {m,} |
\{m,} |
| {,n} |
\{,n} |
| * |
\* |
| + |
\+ |
| ? |
\? |
| *? |
\*\? |
| +? |
\+\? |
| ?? |
\?\? |