这篇帖子提到了递归性质的正则表达式。Ruby 的正则表达式引擎 Oniguruma 的递归仍然是通过命名捕获组完成的，这里就做一个演示。
我们有一段很简单的代码字符串：
str = <<STRING_ENDS_HERE
void main() {
int i;
if (1) {
int a;
if (10) {
int var;
if (1) {
int i;
}
}
int b;
}
}
STRING_ENDS_HERE
而我们希望通过正则表达式来取出语法正确的 if 语句代码块。
regex = /
(?<if>
if\s*\(\d*?\)\s*{\s*
(?:int\s*[a-zA-Z]\w*?;\s*|\g<if>)*
\s*}\s*
)
/xm
这里我们限制了一个语法正确的 if 语句为：
if，跟着可能的空白，跟着 (，跟着一个数字，跟着 )，跟着 {，跟着可能的空白，跟着另一个语法正确的 if 语句，或者跟着一个 int 变量的声明，最后跟着 } 和可能的空白。那么我们：
p str[regex]
就能捕获到最外围的 if 语句。当 if 后面少了 ( 或 )，或是少了 { 或 }，抑或是 int 变量声明少了 ;，就是一个语法错误，那么就不匹配我们上面所写的 regex。比如，我们故意去掉 int var 后面的分号：
str = <<STRING_ENDS_HERE
void main() {
int i;
if (1) {
int a;
if (10) {
int var
if (1) {
int i;
}
}
int b;
}
}
STRING_ENDS_HERE
这次 p str[regex] 则是：
"if (1) {\n int i;\n }\n "
因为外围的 if 内部有语法错误，所以只有最里层的 if 被匹配了。
这只是一个很简陋的语法匹配，但演示了如何使用递归匹配。
Ruby 1.9 使用了一个效率更高、功能更强大的正则表达式引擎——Oniguruma（鬼車）。相比于 Ruby 1.8 的正则表达式引擎来说，Oniguruma 所能描述的再也不仅仅是正则语言了。这其中的一个重要因素是由于递归表达式的出现——正则语言的一大特点就是没有递归。和大多数现代化的引擎一样，Oniguruma 甚至能用来描述上下文无关语言这样的形式语言。可是，“正则表达式”这个术语仍然被各种语言持续使用了下来。可能人们对正则表达式太熟悉了，熟悉到会觉得其名称改为“形式表达式”很别扭。
本帖主要介绍一个新功能：命名捕获组。
对于能熟练使用正则表达式的朋友来说，捕获组并不陌生。未经转义的圆括号中的表达式就是一个捕获组，我们之后可以在表达式中引用这个捕获组。传统的引用方式是通过所谓的后向引用，即 \n 的形式，来引用在表达式中从左到右第 n 个出现的捕获组。
这种方式有很多弊端。首先，用户必须维护 1, 2, …, n 这些数字。一旦发生两个捕获组换位的情况，就要把所有的它们的后向引用都改掉，这对于较长的表达式来说无疑是力气活。如果我们能给捕获组命名，那么即便它的位置变了，名字却不会变，所以无须修改其引用处。
其次，对于代码阅读者来说（把整个表达式背下来的除外），一个数字只不过是一个密码，它本身并不能让读者直接回想起任何已知事物，读者只能从头开始阅读表达式，并按出现顺序找到对应的捕获组，这属于一个简单的破译过程。如果我们给捕获组命名，那么就可以通过一两个单词来简短地描述该捕获组所接受的语言。比如：将一个捕获组命名为“alphanum”，那么读者大概就能猜到这个捕获组匹配的是“alphanumeric”的值，也就是字母或数字。
Oniguruma 命名捕获组是通过 (?<name>regex) 的语法来完成的。name 是捕获组的名称，regex 是捕获组内部的正则表达式。
#coding: GBK
regex = /(?<hex>[0-9a-fA-F])\+\g<hex>/
str = '我们需要取出4+f这个子串！'
p str[regex] # "4+f"
如果我们在命名捕获组时配合正则表达式的“忽略空白符”选项（字面值后添加 `x’ 后缀），以及在捕获组子表达式后添加 {0} 表示匹配 0 次，就可以大大地提高表达式的可读性。
这个匹配电子邮件地址的正则表达式就是一个比较复杂的例子。这里，由于使用的是 %r 来构建正则表达式，所以其内部可以直接写普通的注释。每个子表达式后面跟上 {0}，表示这里仅仅是定义并命名一个捕获组，并不参与实际匹配。再加上最后的 `x’ 后缀，表达式中的空白都会被忽略，所以可以对表达式进行缩进。这个例子就大量使用了命名捕获组，将匹配不同字符串片段的表达式分划到了不同的子表达式。这在便于维护的同时也提高了可读性，和代码模块化是一个道理。
之前曾谈到了字符串扣留的概念，那么对于 Ruby 的正则表达式 Regexp 类型来说，是否也有类似的常量池机制呢？
（注：以下输出的具体数字随环境而变，重要的是其前后的相等性）
我们可以做一个简单的测试：
2.times { p "foo".object_id }
2.times { p :foo.object_id }
2.times { p /foo/.object_id }
输出：
5712492
5712432
146408
146408
5713608
5713608
根据输出结果，我们似乎可以得出结论， Regexp 类型也有类似字符串扣留的机制。然而细心的人会进一步测试这段代码：
2.times { p Regexp.new(/foo/).object_id }
输出了两个不同的数字。这和之前的测试难道不是矛盾的吗？当然不是，这实际上和 Ruby 的语法分析器有关。
Ruby 支持正则表达式字面值（/…/）。对于官方的 Ruby 实现来说，其语法分析器会在接受一个正则表达式的单词（token）时生成该正则表达式对象。也就是说，字面值形式的正则表达式是在语法分析时生成的，也可以宏观地看作是在编译时生成的。因此，在运行时，虽然会多次调用 /foo/.object_id，但由于语法分析器只看到了一个正则表达式字面值，其接收者永远都是一个对象。
证明：
ObjectSpace.each_object(Regexp) { |r| p r }
/foo/
第一行是打印出当前的 Ruby 实例中所有 Regexp 对象，而这时解释器还没执行到第二行的字面值。实际的输出中，也确实包含 /foo/ 这个对象。
如果语法分析器看到两个正则表达式字面值，自然也就会生成两个 Regexp 对象了：
p /foo/.object_id, /foo/.object_id
输出：
5713896
5713812
电子邮件地址语法：http://en.wikipedia.org/wiki/Email_address#Syntax
正式语法定义在 RFC 5321、5322。
#coding: GBK
# local@domain
$pattern = %r<
# Define subpatterns.
(?<local> \g<local_t>|\g<quoted> ) {0}
(?<local_t> \g<local_a>+(?:\.\g<local_a>+)* ) {0}
(?<local_a> \g<alphanum>|[!\#$\%&'*/=?^_`{|}~-] ) {0}
(?<alphanum> [a-zA-Z0-9] ) {0}
(?<quoted> ".*" ) {0}
(?<domain> \g<hostname>|\[\g<ip_addr>\] ) {0}
(?<hostname> \g<label>(?:\.\g<label>)* ) {0}
(?<label> \g<alphanum>+(?:-+\g<alphanum>+)* ) {0}
(?<ip_addr> \g<zero_255>(?:\.\g<zero_255>){3} ) {0}
(?<zero_255> \d|[1-9]\d|1\d\d|2[0-4]\d|25[0-5] ) {0}
# The root pattern is ...
\g<local>@\g<domain>
>x
def assert_match(str, expected)
if !(expected ^ (str[$pattern] != str))
puts "预期#{expected ? '要' : '不'}匹配："
puts str
puts "结果#{expected ? '不' : '却'}匹配。"
exit(1)
end
end
assert_match('user@example.com', true)
assert_match("66rpg.USER@66rpg.com", true)
assert_match("death.king@test.com", true)
assert_match(".deathking@test.com", false)
assert_match("deathking.@test.com", false)
assert_match('china.66rpg.forums.moderators.zh99998@66rpg.com.cn', true)
assert_match('1993de?at!hk#i$n%g@localhost', true)
assert_match('death>ki/ng@localhost', false)
assert_match('e@t.c',true)
assert_match('e@t.c.', false)
assert_match('DEATHKING@66RPG.COM', true)
assert_match('"雷欧纳德 sama 的邮箱哦>_<"@66rpg.net', true)
assert_match('"!@#$%^&*"特殊字符君的邮箱哦%^&*<>:{"}"@example.org', true)
assert_match('deathking@[127.0.0.1]', true)
assert_match('deathking@192.168.0.1', true) # 这是主机名
assert_match('deathking@32768.1348.1083.19735', true) # 这也是主机名
assert_match('deathking@[192.168.0,1]', false)
assert_match('deathking@[8.0.8.256]', false)
assert_match('deathking@[8.300.8.255]', false)
assert_match('deathking@[8.30.260.255]', false)
assert_match('deathking@[8.0.8.255]', true)
assert_match('deathking@[-3.3.5.7]', false)
assert_match('deathking@[192.168.178.123.]', false)
puts '测试全部通过。'
string = '大家好，我的名字叫Deathking，我的Email：是deathking03323@66rpg.cn哦，常联系！'
puts string[$pattern]
大概是这样。细微处还可以稍作调整，比如那些特殊字符，虽然标准允许，但大多数电子邮件客户端都不会允许。还可以加上 IPv6 的匹配。
长度上限在表达式中没有处理，因为据我所知，两级以上的动态长度的字元，同时又有长度限制的语言并非正则语言，所以正则表达式无法做到。静态长度的字元自然可以限制长度，如：
(?:.){1,63}
接受长度上限为 63 的字符串。但如果圆括号中的字元长度也是动态的，那正则表达式就无法描述了。
第七水螰 