正则表达式记忆口诀
正则其实也势利，削尖头来把钱揣; (指开始符号^和结尾符号$)
特殊符号认不了，弄个倒杠来引路; (指\. \*等特殊符号)
倒杠后面跟小w， 数字字母来表示; (\w跟数字字母;\d跟数字)
倒杠后面跟小d， 只有数字来表示;
倒杠后面跟小a， 报警符号嘀一声;
倒杠后面跟小b， 单词分界或退格;
倒杠后面跟小t， 制表符号很明了;
倒杠后面跟小r， 回车符号知道了;
倒杠后面跟小s， 空格符号很重要;
小写跟罢跟大写，多得实在不得了;
倒杠后面跟大W， 字母数字靠边站;
倒杠后面跟大S， 空白也就靠边站;
倒杠后面跟大D， 数字从此靠边站;
倒框后面跟大B， 不含开头和结尾;
单个字符要重复，三个符号来帮忙; (* + ?)
0 星加1 到无穷，问号只管0 和1; (*表0-n;+表1-n;?表0-1次重复)
花括号里学问多，重复操作能力强; ({n} {n,} {n,m})
若要重复字符串，园括把它括起来; ((abc){3} 表示字符串“abc”重复3次 )
特殊集合自定义，中括号来帮你忙;
转义符号行不通，一个一个来排队;
实在多得排不下，横杠请来帮个忙; ([1-5])
尖头放进中括号，反义定义威力大; ([^a]指除“a”外的任意字符 )
1竖作用可不小，两边正则互替换; (键盘上与“\”是同一个键)
1竖能用很多次，复杂定义很方便;
园括号，用途多;
反向引用指定组，数字排符对应它; (“\b(\w+)\b\s+\1\b”中的数字“1”引用前面的“(\w+)”)
支持组名自定义，问号加上尖括号; (“(?\w+)”中把“\w+”定义为组，组名为“Word”)
园括号，用途多，位置指定全靠它;
问号等号字符串，定位字符串前面; (“\b\w+(?=ing\b)”定位“ing”前面的字符串)
若要定位串后面，中间插个小于号; (“(?<=\bsub)\w+\b”定位“sub”后面的字符串)
问号加个惊叹号，后面跟串字符串;
PHPer都知道， !是取反的意思;
后面不跟这一串，统统符合来报到; (“\w*d(?!og)\w*”，“dog”不符合，“do”符合)
问号小于惊叹号，后面跟串字符串;
前面不放这一串，统统符合来报到;
点号星号很贪婪，加个问号不贪婪;
加号问号有保底，至少重复一次多;
两个问号老规矩，0次1次团团转;
花括号后跟个?，贪婪变成不贪婪;
还有很多装不下，等着以后来增加
常用正则表达式
1。^\d+$ //匹配非负整数(正整数 + 0)
2。^[0-9]*[1-9][0-9]*$ //匹配正整数
3。^((-\d+) ?(0+))$ //匹配非正整数(负整数 + 0)
4。^-[0-9]*[1-9][0-9]*$ //匹配负整数
5。^-?\d+$ //匹配整数
6。^\d+(\.\d+)?$ //匹配非负浮点数(正浮点数 + 0)
7。^(([0-9]+\.[0-9]*[1-9][0-9]*) ?([0-9]*[1-9][0-9]*\.[0-9]+) ?([0-9]*[1-9][0-9]*))$ //匹配正浮点数
8。^((-\d+(\.\d+)?) ?(0+(\.0+)?))$ //匹配非正浮点数(负浮点数 + 0)
9。^(-(([0-9]+\.[0-9]*[1-9][0-9]*) ?([0-9]*[1-9][0-9]*\.[0-9]+) ?([0-9]*[1-9][0-9]*)))$ //匹配负浮点数
10。^(-?\d+)(\.\d+)?$ //匹配浮点数
11。^[A-Za-z]+$ //匹配由26个英文字母组成的字符串
12。^[A-Z]+$ //匹配由26个英文字母的大写组成的字符串
13。^[a-z]+$ //匹配由26个英文字母的小写组成的字符串
14。^[A-Za-z0-9]+$ //匹配由数字和26个英文字母组成的字符串
15。^\w+$ //匹配由数字、26个英文字母或者下划线组成的字符串
16。^[\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+$ //匹配email地址
17。^[a-zA-z]+://匹配(\w+(-\w+)*)(\.(\w+(-\w+)*))*(\?\S*)?$ //匹配url
18。匹配中文字符的正则表达式： [\u4e00-\u9fa5]
19。匹配双字节字符(包括汉字在内)：[^\x00-\xff]
20。应用：计算字符串的长度(一个双字节字符长度计2，ASCII字符计1)
String.prototype.len=function(){return this.replace([^\x00-\xff]/g,”aa”).length;}
21。匹配空行的正则表达式：\n[\s ? ]*\r
22。匹配HTML标记的正则表达式：/ <(.*)>.* <\/\1> ? <(.*) \/>/
23。匹配首尾空格的正则表达式：(^\s*) ?(\s*$)
* 正则表达式用例
* 1、^\S+[a-z A-Z]$ 不能为空 不能有空格 只能是英文字母
* 2、\S{6,} 不能为空 六位以上
* 3、^\d+$ 不能有空格 不能非数字
* 4、(.*)(\.jpg ?\.bmp)$ 只能是jpg和bmp格式
* 5、^\d{4}\-\d{1,2}-\d{1,2}$ 只能是2004-10-22格式
* 6、^0$ 至少选一项
* 7、^0{2,}$ 至少选两项
* 8、^[\s ?\S]{20,}$ 不能为空 二十字以上
* 9、^\+?[a-z0-9](([-+.] ?[_]+)?[a-z0-9]+)*@([a-z0-9]+(\. ?\-))+[a-z]{2,6}$邮件
* 10、\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*([,;]\s*\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*)* 输入多个地址用逗号或空格分隔邮件
* 11、^(\([0-9]+\))?[0-9]{7,8}$电话号码7位或8位或前面有区号例如(022)87341628
* 12、^[a-z A-Z 0-9 _]+@[a-z A-Z 0-9 _]+(\.[a-z A-Z 0-9 _]+)+(\,[a-z A-Z 0-9 _]+@[a-z A-Z 0-9 _]+(\.[a-z A-Z 0-9 _]+)+)*$
* 只能是字母、数字、下划线;必须有@和.同时格式要规范 邮件
* 13 ^\w+@\w+(\.\w+)+(\,\w+@\w+(\.\w+)+)*$上面表达式也可以写成这样子，更精练。
14 ^\w+((-\w+) ?(\.\w+))*\@\w+((\. ¦-)\w+)*\.\w+$
匹配中文字符的正则表达式： [\u4e00-\u9fa5]
评注：匹配中文还真是个头疼的事，有了这个表达式就好办了
匹配双字节字符(包括汉字在内)：[^\x00-\xff]
评注：可以用来计算字符串的长度(一个双字节字符长度计2，ASCII字符计1)
匹配空白行的正则表达式：\n\s*\r
评注：可以用来删除空白行
匹配HTML标记的正则表达式： <(\S*?)[^>]*>.*? ? <.*? />
评注：网上流传的版本太糟糕，上面这个也仅仅能匹配部分，对于复杂的嵌套标记依旧无能为力
匹配首尾空白字符的正则表达式：^\s* ?\s*$
评注：可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式
匹配Email地址的正则表达式：\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
评注：表单验证时很实用
匹配网址URL的正则表达式：[a-zA-z]+://[^\s]*
评注：网上流传的版本功能很有限，上面这个基本可以满足需求
匹配帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
评注：表单验证时很实用
匹配国内电话号码：\d{3}-\d{8} ?\d{4}-\d{7}
评注：匹配形式如 0511-4405222 或 021-87888822
匹配腾讯QQ号：[1-9][0-9]{4,}
评注：腾讯QQ号从10000开始
匹配中国邮政编码：[1-9]\d{5}(?!\d)
评注：中国邮政编码为6位数字
匹配身份证：\d{15} ?\d{18}
评注：中国的身份证为15位或18位
匹配ip地址：\d+\.\d+\.\d+\.\d+
评注：提取ip地址时有用
匹配特定数字：
^[1-9]\d*$ //匹配正整数
^-[1-9]\d*$ //匹配负整数
^-?[1-9]\d*$ //匹配整数
^[1-9]\d* ¦0$ //匹配非负整数(正整数 + 0)
^-[1-9]\d* ¦0$ //匹配非正整数(负整数 + 0)
^[1-9]\d*\.\d* ¦0\.\d*[1-9]\d*$ //匹配正浮点数
^-([1-9]\d*\.\d* ¦0\.\d*[1-9]\d*)$ //匹配负浮点数
^-?([1-9]\d*\.\d* ¦0\.\d*[1-9]\d* ¦0?\.0+ ¦0)$ //匹配浮点数
^[1-9]\d*\.\d* ¦0\.\d*[1-9]\d* ¦0?\.0+ ¦0$ //匹配非负浮点数(正浮点数 + 0)
^(-([1-9]\d*\.\d* ¦0\.\d*[1-9]\d*)) ¦0?\.0+ ¦0$ //匹配非正浮点数(负浮点数 + 0)
评注：处理大量数据时有用，具体应用时注意修正
匹配特定字符串：
^[A-Za-z]+$ //匹配由26个英文字母组成的字符串
^[A-Z]+$ //匹配由26个英文字母的大写组成的字符串
^[a-z]+$ //匹配由26个英文字母的小写组成的字符串
^[A-Za-z0-9]+$ //匹配由数字和26个英文字母组成的字符串
^\w+$ //匹配由数字、26个英文字母或者下划线组成的字符串
“^[\\w-]+(\\.[\\w-]+)*@[\\w-]+(\\.[\\w-]+)+___FCKpd___0quot; //email地址
“^[a-zA-z]+://(\\w+(-\\w+)*)(\\.(\\w+(-\\w+)*))*(\\?\\S*)?___FCKpd___0quot; //url
匹配中文字符的正则表达式： [\u4e00-\u9fa5]
评注：匹配中文还真是个头疼的事，有了这个表达式就好办了
匹配双字节字符(包括汉字在内)：[^\x00-\xff]
评注：可以用来计算字符串的长度(一个双字节字符长度计2，ASCII字符计1)
匹配空白行的正则表达式：\n\s*\r
评注：可以用来删除空白行
匹配HTML标记的正则表达式： <(\S*?)[^>]*>.*? ? <.*? />
评注：网上流传的版本太糟糕，上面这个也仅仅能匹配部分，对于复杂的嵌套标记依旧无能为力
匹配首尾空白字符的正则表达式：^\s* ?\s*$
评注：可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式
匹配Email地址的正则表达式：\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
评注：表单验证时很实用
匹配网址URL的正则表达式：[a-zA-z]+://[^\s]*
评注：网上流传的版本功能很有限，上面这个基本可以满足需求
匹配帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
评注：表单验证时很实用
匹配国内电话号码：\d{3}-\d{8} ?\d{4}-\d{7}
评注：匹配形式如 0511-4405222 或 021-87888822
匹配腾讯QQ号：[1-9][0-9]{4,}
评注：腾讯QQ号从10000开始
匹配中国邮政编码：[1-9]\d{5}(?!\d)
评注：中国邮政编码为6位数字
匹配身份证：\d{15} ?\d{18}
评注：中国的身份证为15位或18位
匹配ip地址：\d+\.\d+\.\d+\.\d+
评注：提取ip地址时有用
匹配特定数字：
^[1-9]\d*$ //匹配正整数
^-[1-9]\d*$ //匹配负整数
^-?[1-9]\d*$ //匹配整数
^[1-9]\d* ¦0$ //匹配非负整数(正整数 + 0)
^-[1-9]\d* ¦0$ //匹配非正整数(负整数 + 0)
^[1-9]\d*\.\d* ¦0\.\d*[1-9]\d*$ //匹配正浮点数
^-([1-9]\d*\.\d* ¦0\.\d*[1-9]\d*)$ //匹配负浮点数
^-?([1-9]\d*\.\d* ¦0\.\d*[1-9]\d* ¦0?\.0+ ¦0)$ //匹配浮点数
^[1-9]\d*\.\d* ¦0\.\d*[1-9]\d* ¦0?\.0+ ¦0$ //匹配非负浮点数(正浮点数 + 0)
^(-([1-9]\d*\.\d* ¦0\.\d*[1-9]\d*)) ¦0?\.0+ ¦0$ //匹配非正浮点数(负浮点数 + 0)
评注：处理大量数据时有用，具体应用时注意修正
匹配特定字符串：
^[A-Za-z]+$ //匹配由26个英文字母组成的字符串
^[A-Z]+$ //匹配由26个英文字母的大写组成的字符串
^[a-z]+$ //匹配由26个英文字母的小写组成的字符串
^[A-Za-z0-9]+$ //匹配由数字和26个英文字母组成的字符串
^\w+$ //匹配由数字、26个英文字母或者下划线组成的字符串
“^[\\w-]+(\\.[\\w-]+)*@[\\w-]+(\\.[\\w-]+)+___FCKpd___0quot; //email地址
“^[a-zA-z]+://(\\w+(-\\w+)*)(\\.(\\w+(-\\w+)*))*(\\?\\S*)?___FCKpd___0quot; //urlview plaincopy to clipboardprint?
正则几个基本概念：
1.贪婪：+,*,?,{m,n}等默认是贪婪匹配，即尽可能多匹配，也叫最大匹配
如果后面加上?，就转化为非贪婪匹配，需要高版本支持
1.贪婪：+,*,?,{m,n}等默认是贪婪匹配，即尽可能多匹配，也叫最大匹配
如果后面加上?，就转化为非贪婪匹配，需要高版本支持view plaincopy to clipboardprint?
2.获取：默认用(x ¦y)是获取匹配，很多时候只是测试，不一定要求得到所匹配的数据，尤其在嵌套匹配或大数据中就要用非获取匹配(?:x ¦y)，这样提高了效率，优化了程序。
2.获取：默认用(x ¦y)是获取匹配，很多时候只是测试，不一定要求得到所匹配的数据，尤其在嵌套匹配或大数据中就要用非获取匹配(?:x ¦y)，这样提高了效率，优化了程序。view plaincopy to clipboardprint?
3.消耗：默认是消耗匹配，一般在预查中是非消耗匹配。
举个例子，2003-2-8要变为2003-02-08
如果用/-(\d)-/第二次匹配将从8开始，从而只替换第一个2，错误
如果用/-(\d)(?=-)/则第二次匹配从第二个-开始，即不消耗字符-
3.消耗：默认是消耗匹配，一般在预查中是非消耗匹配。
举个例子，2003-2-8要变为2003-02-08
如果用/-(\d)-/第二次匹配将从8开始，从而只替换第一个2，错误
如果用/-(\d)(?=-)/则第二次匹配从第二个-开始，即不消耗字符-view plaincopy to clipboardprint?
4.预查：js中分为正向预查和负向预查
如上面的(?=pattern)是正向预查，在任何匹配 pattern 的字符串开始处匹配查找字符串。还有 (?!pattern)是负向预查，在任何不匹配 pattern 的字符串开始处匹配查找字符串。负向预查有时会用在对[^]的扩充，[^]只是一些字符，而?!可以使整个字符串。
4.预查：js中分为正向预查和负向预查
如上面的(?=pattern)是正向预查，在任何匹配 pattern 的字符串开始处匹配查找字符串。还有 (?!pattern)是负向预查，在任何不匹配 pattern 的字符串开始处匹配查找字符串。负向预查有时会用在对[^]的扩充，[^]只是一些字符，而?!可以使整个字符串。view plaincopy to clipboardprint?
5.回调：一般用在替换上，即根据不用的匹配内容返回不用的替换值，从而简化了程序，需要高版本支持
5.回调：一般用在替换上，即根据不用的匹配内容返回不用的替换值，从而简化了程序，需要高版本支持view plaincopy to clipboardprint?
6.引用：\num 对所获取的第num个匹配的引用。
例如，’(.)\1\1′ 匹配AAA型。’(.)(.)\2\1′ 匹配ABBA型。
6.引用：\num 对所获取的第num个匹配的引用。
例如，’(.)\1\1′ 匹配AAA型。’(.)(.)\2\1′ 匹配ABBA型。view plaincopy to clipboardprint?
正则表达式保留字
^ (carat)
. (period)
[ (left bracket}
$ (dollar sign)
( (left parenthesis)
) (right parenthesis)
(pipe)
* (asterisk)
+ (plus symbol)
(question mark)
{ (left curly bracket, or left brace)
\ backslash
正则表达式保留字
^ (carat)
. (period)
[ (left bracket}
$ (dollar sign)
( (left parenthesis)
) (right parenthesis)
(pipe)
* (asterisk)
+ (plus symbol)
(question mark)
{ (left curly bracket, or left brace)
\ backslash view plaincopy to clipboardprint?
构造 匹配于
构造 匹配于 view plaincopy to clipboardprint?
字符
x 字符 x
\\ 反斜线字符
\0n 八进制值的字符0n (0 <= n <= 7)
\0nn 八进制值的字符 0nn (0 <= n <= 7)
\0mnn 八进制值的字符0mnn 0mnn (0 <= m <= 3, 0 <= n <= 7)
\xhh 十六进制值的字符0xhh
\uhhhh 十六进制值的字符0xhhhh
\t 制表符('\u0009')
\n 换行符 ('\u000A')
\r 回车符 ('\u000D')
\f 换页符 ('\u000C')
\a 响铃符 ('\u0007')
\e 转义符 ('\u001B')
\cx T对应于x的控制字符 x
字符
x 字符 x
\\ 反斜线字符
\0n 八进制值的字符0n (0 <= n <= 7)
\0nn 八进制值的字符 0nn (0 <= n <= 7)
\0mnn 八进制值的字符0mnn 0mnn (0 <= m <= 3, 0 <= n <= 7)
\xhh 十六进制值的字符0xhh
\uhhhh 十六进制值的字符0xhhhh
\t 制表符('\u0009')
\n 换行符 ('\u000A')
\r 回车符 ('\u000D')
\f 换页符 ('\u000C')
\a 响铃符 ('\u0007')
\e 转义符 ('\u001B')
\cx T对应于x的控制字符 x view plaincopy to clipboardprint?
字符类
[abc] a, b, or c (简单类)
[^abc] 除了a、b或c之外的任意 字符(求反)
[a-zA-Z] a到z或A到Z ，包含(范围)
[a-z-[bc]] a到z，除了b和c ： [ad-z](减去)
[a-z-[m-p]] a到z，除了m到 p： [a-lq-z]
[a-z-[^def]] d, e, 或 f
字符类
[abc] a, b, or c (简单类)
[^abc] 除了a、b或c之外的任意 字符(求反)
[a-zA-Z] a到z或A到Z ，包含(范围)
[a-z-[bc]] a到z，除了b和c ： [ad-z](减去)
[a-z-[m-p]] a到z，除了m到 p： [a-lq-z]
[a-z-[^def]] d, e, 或 f view plaincopy to clipboardprint?
预定义的字符类
. 任意字符(也许能与行终止符匹配，也许不能)
\d 数字: [0-9]
\D 非数字: [^0-9]
\s 空格符: [ \t\n\x0B\f\r]
\S 非空格符: [^\s]
\w 单词字符: [a-zA-Z_0-9]
\W 非单词字符: [^\w]
正则表达式中常用符号
一、
正则在Perl、Py森、Ruby、Java等语言中文本的正则表达式几乎是一样的
以前常用到的在网上都有现成的例子拿来用，比如电话格式、邮箱格式之类的。
但是自然语言处理中往往会根据自己的需求来制定一个表达式，如果正则的知识掌握的比较片面，在编写自然语言处理程序时可能会觉得苦恼。
在《自然语言处理简明教程》里面有很系统的正则表达式教程，特意总结出来消化吸收。
二： 双斜线“//”
最简单的正则表达式就是这样的，由类似于/hello world /的正则来搜索语料库中包含子字符串“hello world”的任何字符串相匹配。/e/是可以匹配到字符串hello的。
中括号“[]”
[]会匹配其中的某一个字符。比如现在有嫌疑人，我们只知道他的名字可能是下面三种的某一种，分别是张伟、李伟或者黄伟。就可以使用/[张李黄]伟/来在人口数据库中匹配。
{}表示限制长度。如：.{1}表示匹配一个任意字符
连字符“-”
用来划定范围，表示某一范围内的任何字符。比如上个例子里面的/[1234567890]/是不是感觉很不方便。如果表示为/[0-9]/就会显得精简的多。
脱字符“^”
如果在方括号之后有脱字符“^”，对应的模式就是否定的。
问号“?”
比如我们在语料库中搜索诗人“李白”或者“李太白”，此时方括号就无法帮助我们，因为[]只能表示xx或者XX，但是不能表示有xx或者没xx。此时可以用“?”来表示前一个字符有或者无。
“Kleene*”
当正则表达式用来表示重复的字符时，比如在下载文件时，出现了下面的下载进度：
99.9%
99.99%
99.999%
99.9999%
……
此时我们可以用/9*/来表示重复了“0或者若干次”的字符“9”，因此想表示出现了一次或者多次的“9”，需要用/99*/。
因此/99\.99*%/可以用来表示上述进度条。(此处的“.”需要转译，因为我们不想让他表示为通配符)
稍微复杂点：
/[10]*/可以用来表示一个二进制串，比如“1010100001110001”
“Kleene+”
但是我用/99*/来表示重复了“0或者若干次”的字符“9”时总觉得多写了一个“9”很不爽，这时有没有办法帮我们省掉多打一个“9”的时间呢?
/9+/就可以了~
因此使用/[10]+/来搜索语料中的二进制字符串看起来更顺手
通配符“.”
哎那个马什么民，帮我把袜子洗一下。
这样说话是很不礼貌的，但是当我们确实忘了别人名字时怎么办呢?
正则表达式同样可以解决这个问题。
正则里面有一个点号，通配符(/./)可以表示任何字符。
/马.民/可以在你的班级花名册里面搜索到所有叫“马X民”的人。
当/./和/*/或者/+/碰到时，什么神奇的事情会发生呢?
比如我们想知道有一天 马X民对黄伟做了什么事情，怎么写正则来在班级日志里面缩小搜索范围呢?
/马.民.+黄伟/就可以表示在一个长字符串里面，符合马X民bulabula黄伟的句子。
锚号“^”和“$”
顾名思义，锚号是用来把正则“锚”在字符串的特定位置的。最普通的锚号是“^”和“$”，当“^”用作锚号的时候，表示一行的开始。比如/^The/就表示单词The必须出现在一句话的开头。相反“$”表示一行的结尾。
回到上面的例子，比如我们想在班级日志里面找到“马兴民xxx黄伟。”这样的句子，就可以使用锚号来定位。/^马兴民.+黄伟。$/
词界“\b”“\B”
\b表示词界，\B表示非词界。
首先，在计算机语言里面，什么是一个词呢。从技术上说，词被定义为数字、下划线、或者字母的任何序列。
比如我们在搜索单词“a”的时候，如果仅仅用/a/，同样会匹配到类似于“happy”这样的单词，但是如果用/\ba\b/的话，就会只找到单词a。比如“I am a handsome man.”
它仅仅会匹配到单词“a”而非“am”。
析取符“|”
析取符表示或者。
前面有个小伙子很眼熟，我记得他的名字叫马兴民或者黄伟。现在我打开在线班级花名册，输入正则/黄伟|马兴民/，一下就找到了两个人的信息和照片，一看哦都不是。
析取符就是用来表示或者，/a|b/表示a或者b。
在英文语料中，有时候会出现名词的复数形式比如cat和cats，这种形式我们很容易表达。但是有些复数比如family的复数families该如何表达呢。
首先famil串已经是固定的了，这时我们只需要尾串跟上y或者ies即可，此时我们使用圆括号运算符()，将一个模式括起来，使得它就像一个单独的字符。因此如果我们想找到语料中的family和families时，需要用/famil(y|ies)/，析取符仅仅运用于后缀y或者ies。
三：
通用字符集的替换
计数符
? 贪婪模式与非贪婪模式
比如在HTML中有许多标签<div>part1</div><div>part2</div><div>part3</div><div>part4</div>
使用<div>.*</div>匹配到的是：<div>part1</div><div>part2</div><div>part3</div><div>part4</div>，此时为贪婪模式。
使用<div>.*?</div>匹配到的是:<div>part1</div>
(?<=exp) (?=exp)
(?<=exp) 表示匹配exp之后的，(?=exp)表示匹配exp之前的。
比如上面标签例子：<div>part1</div><div>part2</div><div>part3</div><div>part4</div>
如果我们仅仅想拿到标签里面的内容，就可以使用：
(?<=<div>).*(?=</div>)此时匹配到：part1</div><div>part2</div><div>part3</div><div>part4
结合上面的：
(?<=<div>).*(?=</div>)此时匹配到：part1 part2 part3 part4
一个开发思路的例子
当我们想在语料中查找英语冠词the的时候，随手写下正则/the/。
但是随后发现有些地方是不完善的，比如当the出现在开头的时候，就是The，因此我们把正则改成/[tT]he/。
此时这个正则还是不完善的，因为它会找到诸如There，other这样的单词，因此我们给它加上了词界/\b[tT]he\b/。
问题又来了，假如我们不想把下划线和数字作为词界，我们还希望能够找到形如 _the，the99这样的词。此时我们需要给the的两段加上限制：不能为字母。于是正则变成了/[^a-zA-Z][tT]he[^a-zA-Z]/。
这时候发现，当the出现在开头的时候，正则找不到它，因为我们规定了the的开头必须有一个非英文字符，因此我们需要修改开头为，the出现在开头或者开头有一个非英文字符。即/(^|[^a-zA-Z])[tT]he[^a-zA-Z]/。
终于到这里，一个符合要求的简单的定冠词the被搜索了出来。
平时书写正则的时候也要注意，提升准确率，提升覆盖率。
附上一个正则符号表
图片出处：http://bbs.9ria.com/thread-3900-1-1.html
