本节书摘来自异步社区《重构HTML：改善Web应用的设计（修订版）》一书中的第2章，第2.4节,作者： 【美】Elliotte Rusty Harold 更多章节内容可以访问云栖社区“异步社区”公众号查看。
2.4 正则表达式
手工检查或者改动一个网站的每一个文件，即使是一个小型网站的少量文件，也是一件十分乏味和费劲的事情。让计算机搜索错误，可以的话同时自动修复错误，这显然是更高效的做法。很多工具都支持这种方式，包括诸如grep、egrep和sed等命令行工具，诸如jEdit、BBEdit、TextPad和PSPad等文本编辑器，当然也包括诸如Java、Perl和PHP等编程语言。所有这些工具都提供了一门专门的搜索语法规则，被称为正则表达式。尽管在不同的工具中它的表现略有不同，但基本语法几乎是一致的。
为达到说明的目的，本节中我将使用jEdit文本编辑器作为搜索和替换工具。选择它的原因在于它提供非常多适合你的特性，GUI也非常合理，而且还是开源的。由于它是用Java编写的，所以本质上说能够运行于任何平台上。
然而，这里我展示的技术当然不会只局限于一个编辑器上。我在工作中常用到的是界面稍为优美的BBEdit，但它只能运行在Mac上。当然还有很多其他的选择，如果你喜欢某一种工具，那就用它吧。其实你需要的是：
- 完整支持正则表达式的搜索和替换；
- 递归搜索目录的能力；
- 过滤搜索文件的能力；
- 能够显示变更且不需手工去验证的工具；
- 自动识别不同的字符编码和行尾结束惯例（line-ending conventions）。
满足上述条件的工具应该就够用了。
2.4.1 搜索
正则表达式的第一个目的是查找所有可能是错误的东西。比如，最近我发现在一个文件中，我老是把2006拼错为20066，而且这个错误可能不止一处，所以我需要通过搜索该字符串来检查这个错误。
在jEdit中，你可以使用Directory菜单中的Search/Search执行一个多文件搜索。选中这个菜单项后出现了如图2-6所示的对话框，图中示例有所调整。
- 需要搜索的字符串（即目标字符串）在第一个输入框中。
- 用于替换目标字符串的字符串在第二个输入框中。这里我只查找而不替换，所以不用输入替换字符串。
- Directory单选按钮表示是否搜索多文件。你可以只在当前文件甚至是当前选中的文本中进行搜索。
- 将Filter设置为.html表示搜索只以.html为后缀的文件。你可以修改此处以搜索不同类型或不同部分的文件。比如，我常常只需搜索那些被命名为news2000.html、news2001.html、news2002.html等旧信息文件。在这种情况下，我需要把Filter设置为news2.html。当然我也可以通过重写过滤器的正则表达式，比如newsdddd.html，搜索到包括news1999.html等更旧的文件。
- 我还指定了需要搜索文件所在的本地目录，本例中是/Users/elharo/Cafe au Lait/javafaq。
- 选中Search subdirectories复选框，否则，jEdit不会搜索javafaq的下一层目录，而只是javafaq这一层。
- 选中Keep dialog复选框，这在搜索完成后还能保持对话框的打开状态。
- 选中Ignore case复选框，这允许正则表达式忽略字母大小写。对你来说，- 大部分情况下都是要忽略大小写的。
- 选中Regular expressions复选框，如果你只是查找一个常量字符串，就没有必要选中此项。但是，大部分的搜索都会比单纯的字符串搜索复杂。
- 选中HyperSearch，这会出现一个显示所有匹配结果的窗口，而不只是下一项的匹配结果。
幸好这个特定的问题看起来已经解决掉了，但我还发现了另一个更严重的问题。由于一些未知因素，我在其中一个网站中的链接中使用了双等号，如下所示：
<a href=="../../index.html">Cafe au Lait</a>
因此，链接无论在哪儿都是失效的。第一步是要找出涉及此问题的所有文件。在这个例子里，错误的字符串是常量，并且在正确的文本中出现的可能性也很小，所以非常容易进行搜索。图2-7的HyperSearch结果显示，这个问题在476个文件中出现了4475次。
在错误不多的情况下，你只用单击每个错误以打开文件，并手工修复就行了。有时这也是必需的，甚至是最简单的解决方案。但是在错误量成千上万时，你就有必要使用工具来修复了。在上面的例子中，解决方法是不言自明的：在Replace with文本框中输入href=，再单击Replace all按钮就行了。
执行此类操作时必须十分小心，否则小错也会酿成大祸。错误的搜索和替换可能是错误问题的根源。在执行整站的操作之前，你应该先在少量的文件上进行搜索和替换，对你的正则表达式测试一番。
更重要的是务必在网站的备份副本上进行操作，在每次更改后务必运行测试套件，并在文件被改动的情况下当场核对，以保证正确性。如果发生了某些错误，编辑器的撤销功能将会非常有用。但并不是所有的编辑器都能有一个足够大的缓冲区（buffer）支持多重撤销，所以处理不了上千次的改动。假如编辑器不支持多重撤销，马上删除正在编辑的副本并用一个原始的副本进行替换，以防止搜索出错。跟其他复杂的代码一样，有时你不得不多花点时间对正则表达式进行排错。
2.4.2 搜索模式
通常你不关心搜索的具体内容，但必须了解它的通用模式。举例来说，要查找刚过去的几年的公元表示法，实际上是要搜索以200开头的四位数字。查找name＝value这种形式的属性对时，并不能保证是name=value、name='value'还是name="value"格式。搜索所有不管是否有属性的
起始标签。这些都是使用正则表达式的绝佳场合。
在正则表达式中，特定的字符和模式可以表示其他的字符集合。比如，d表示任意的数字。因此要搜索2000年到2009年中的任意一年，可以使用200d这样的正则表达式，它能匹配2000、2001、2002等一直到2009这些年份。
但是200d这个正则表达式也会匹配12000、200032、12320056或其他可能不是年份的字符串。（准确地说，它匹配符合200d的字符串子串，而不是整个字符串）。因此，你可能希望指明需要匹配前后都有空白③的字符串。元字符s匹配空白，所以现在我们可以将正则表达式重写为s200ds，这样才可以实现只匹配看起来是本世纪头十年中年份的字符串。
当然这还是不能保证匹配到的字符串形式就一定是年份，它也有可能是价格、人数、分数、电影标题等。你需要看一下匹配列表，检查是否是你想要的结果。尤其是在如此简单的情况下，误报的情况需要加以注意。当然，更进一步地完善正则表达式可以避免误报，或者手工删除偶然的匹配，都是可行的。
这里有更多的方法。比如我们在这个搜索中可以使用b200db。元字符b匹配单词的开头或结尾，完全不会选中任何字符。这就可以避免需要选中单词前后的空白，也可以识别在句子末尾的诸如“This is 2008.”中的年份。但是它不能区别是英文句号还是数学中的小数点，所以也会匹配到“in 中的2005。
你可以简单地使用或操作符|来分隔年份，比如：
2000|2001|2002|2003|2004|2005|2006|2007|2008|2009
但单词分界问题还是避免不了。
有时你得暂时停止使用搜索。特别是由CMS、模板页面或者其他程序自动生成的内容时，搜索只能用来找错，定位程序在哪里产生了错误的标记。然后必须改正程序错误才能生成正确的标记。在这种情况下，你就不必太担心误报了，因为所有的更改都是手工执行的。这种搜索只找错不修错。
如果你没有停止使用搜索，并且继续替换，这需要谨慎行事。正则表达式比本书中的例子更棘手，涉及HTML就更不用说有多么狡猾了。不管怎么说，对于清理HTML它都是极有价值的工具。
注解
如果你并没有太多的正则表达式经验，请参考附录A中更多的例子。同时我推荐Jeffrey E. F. Friedl的Mastering Regular Expressions，3rd Edition（O’Reilly，2006）。
