PHP 正則表達式筆記

什麼是正則表達式

在電腦上我們經常會使用（通配符）找出我們需要的文件，例如：*.doc ，這裡的 * 代表匹配零個或多個字元。正則表達式也是用來進行文本匹配的工具，只不過它更加強悍。引用 PHP 手冊里的一句話：正則表達式是一個從左到右匹配目標字元串的模式，大多數字元自身就代表一個匹配 它們自身的模式。

下麵給出幾個簡單例子，使對正則表達式有個初步的理解。

hi  //匹配英文字元(忽略大小寫) hi , HI , Hi , hI

\bhi\b  //匹配英文單詞 hi  '\b'是正則里的一特殊字元（一種斷言），表示單詞邊界

\bhi\b.*\bLucy\b  //匹配如：'hi my name is Lucy'  '.' 表示匹配除換行符以外的任意字元  '*' 是量詞，表示重覆零次或更多次

0\d{2}-\d{8}  //匹配如: 020-12345678  '\d' 匹配一個數字(0-9)    '{n}' 重覆n次，如{2} {8}

上面例子中的 \b , . , * , \d , {2} 都有特殊含義，在下文會有說明。

PHP 中正則語法

1.簡介

在 PHP 里支持兩種正則分別是 POSIX 和 PCRE 。自 PHP 5.3.0起，POSIX 正則表達式擴展被廢棄。所以下文討論的都是基於 PCRE 模式。可點擊查看有關與 POSIX 正則表達式的不同和與 perl 的不同之處。

2.分隔符

當使用 PCRE 函數 的時候，模式需要由分隔符閉合包裹。分隔符可以使任意非字母數字、非反斜線、非空白字元。經常使用的分隔符是正斜線 / 、hash符號 # 以及取反符號 ~ 。下麵的例子都是使用合法分隔符的模式。

/foo bar/
#^[^0-9]$#
+php+
%[a-zA-Z0-9_-]%

如果分隔符需要在模式內進行匹配，它必須使用反斜線進行轉義。如果分隔符經常在模式內出現，一個更好的選擇就是是用其他分隔符來提高可讀性。例：

/http:\/\//
#http://#

3.元字元

正則表達式的威力源於它可以在模式中擁有選擇和重覆的能力。一些字元被賦予特殊的含義，使其不再單純的代表自己，模式中的這種有特殊涵義的編碼字元 稱為元字元。
共有兩種不同的元字元：一種是可以在模式中方括弧外任何地方使用的，另外一種是需要在方括弧內使用的。

在方括弧外使用的元字元如下：

模式中方括弧內的部分稱為“字元類”。 在一個字元類中僅有以下可用元字元：

示例：

• \ba\w*\b 匹配以字母 a 開頭的單詞，先是某個單詞開始處 \b ，然後是字母 a ，然後是任意數量的任意單詞字元（單詞字元指的是任意字母、數字、下劃線） \w* ，最後是單詞結束處 \b 。
• \d+ 匹配1個或更多連續的數字。
• ^\d{5,12}$ 匹配為5位到12位數字，因為使用了 ^ 和 $ ，所以輸入的整個字元串都要用來和 \d{5,12} 來匹配，也就是說整個輸入必須是5到12個數字。

4.轉義序列(反斜線)

反斜線 \ 有四種用法，詳細可點擊 轉義序列(反斜線)

【1】作為轉義字元，比如，如果你希望匹配一個 * 字元，就需要在模式中寫為 \* 。這適用於一個字元在不進行轉義會有特殊含義的情況下。 但是，對於非數字字母的字元，總是在需要其進行原文匹配的時候在它前面增加一個反斜線，來聲明它代表自己，這是安全的。如果要匹配一個反斜線，那麼在模式中使用 \\ 。
反斜線在單引號字元串和雙引號字元串中都有特殊含義，因此要匹配一個反斜線， 模式中必須寫為 \\\\ 。其中的原因：首先它作為字元串，反斜線會進行轉義。最後正則表達式引擎也認為反斜線是轉義。因此，需要 4 個反斜線才可以匹配一個反斜線。

【2】提供了一種對非列印字元進行可見編碼的控制手段

【3】用來描述特定的字元類

【4】一些簡單的斷言。一個斷言指定一個必須在特定位置匹配的條件，它們不會從目標字元串中消耗任何字元。反斜線斷言包括：

• \b 單詞邊界
• \B 非單詞邊界
• \A 目標的開始位置(獨立於多行模式)
• \Z 目標的結束位置或結束處的換行符(獨立於多行模式)
• \z 目標的結束位置(獨立於多行模式)
• \G 在目標中首次匹配位置

5.重覆/量詞

預設情況下，量詞都是”貪婪”的，也就是說，它們會在不導致模式匹配失敗的前提下，儘可能多的匹配字元(直到最大允許的匹配次數)。然而，如果一個量詞緊跟著一個 ? 標記，它就會成為懶惰(非貪婪)模式， 它不再儘可能多的匹配，而是儘可能少的匹配。
下麵直接看示例，理解“貪婪”和“非貪婪”模式是怎麼回事。

對於字元串 "aa<div>test1</div>bb<div>test2</div>cc"

正則表達式 "<div>.*</div>"    匹配結果 "<div>test1</div>bb<div>test2</div>"

正則表達式 "<div>.*?</div>"   匹配結果 "<div>test1</div>"

關於更多“貪婪”和“非貪婪”模式的介紹可查閱 http://php.net/manual/zh/regexp.reference.repetition.php

6.字元類(方括弧)

PHP手冊中的描述：

• 左方括弧開始一個字元類的描述，並以方中括弧結束。單獨的一個右方括弧沒有特殊含義。如果一個右方括弧需要作為一個字元類中的成員，那麼可以將它寫在字元類的首字元處(如果使用了 ^ 取反，那麼是第二個)或者使用轉義符。

• 一個字元類在目標字元串中匹配一個單獨的字元；該字元必須是字元類中定義的字元集合的其中一個, 除非使用了 ^ 對字元類取反。如果^需要作為一個字元類的成員，確保它不是該字元類的首字元，或者對其進行轉義即可。

示例：

[aeiou]    //匹配所有的小寫母音字母

[^aeiou]   //匹配所有非母音字母的字元

[.?!]      //匹配標點符號(.或?或!)

註意：^ 只是一個通過枚舉指定那些不存在字元類之中的字元的便利符號。而不是斷言， 它仍然會從目標字元串中消耗一個字元，並且如果當前匹配點在目標字元串末尾， 匹配將會失敗。

輕鬆地指定一個字元範圍，範圍操作以 ASCII 整理排序。它們可以用於為字元指定數值，比如 [\000-\037]

[0-9]    //代表的含意與 '\d' 就是完全一致的
[a-z0-9A-Z_]    //完全等同於 '\w' 如果只考慮英文的話

下麵是一個更複雜的表達式 \(?0\d{2}[) -]?\d{8}
這個表達式可以匹配幾種格式的電話號碼，像 (010)88886666，或 022-22334455 ，或 02912345678 等。
簡單分析：首先是一個轉義字元 \( ，它能出現 0 次或 1 次 ? ，然後是一個數字 0 ，後面跟著 2 個數字 \d{2} ，然後是 ) 或 - 或 “空格” 中的一個，它出現 0 次或 1 次，最後是 8 個數字 \d{8} 。

7.分支 ( | )

豎線字元用於分離模式中的可選路徑。比如模式 gilbert|Sullivan 匹配 ”gilbert” 或者 ”sullivan”。豎線可以在模式中出現任意多個，並且允許有空的可選路徑(匹配空字元串)。匹配的處理從左到右嘗試每一個可選路徑，並且使用第一個成功匹配的。如果可選路徑在子組(下麵定義)中，則”成功匹配”表示同時匹配了子模式中的分支以及主模式中的其他部分。

回看上文里的一個例子 \(?0\d{2}[) -]?\d{8} 這個正則也能匹配 010)12345678 或 (022-87654321 這樣的 “不正確” 的格式。其實我們可以利用分支就能解決這個問題，如下：

\({1}0\d{2}\){1}[- ]?\d{8}|0\d{2}[- ]?\d{8} 這個表達式匹配 3 位區號的電話號碼，其中區號可以用小括弧括起來，也可以不用，區號與本地號間可以用連字型大小或空格間隔，也可以沒有間隔。

使用分枝條件時，要註意各個條件的順序

8.內部選項設置

正則表達式在不同的模式修飾符下匹配出的結果有可能不相同。它的語法是 :(?修飾符)

比如，(?im) 設置表明多行大小寫不敏感匹配。同樣可以用它來取消這些設置，比如 (?im-sx) 設置了 “PCRE_CASELESS”，”PCRE_MULTILINE”，但是同時取消了 “PCRE_DOTALL” 和 “PCRE_EXTENDED”。如果一個字母即出現在 - 之前, 也出現在 - 之後，這個選項被取消設置。

下麵緊例舉簡單的示例，想要瞭解更多可點擊 內部選項設置 和 模式修飾符

示例：/ab(?i)c/ 僅僅匹配 ”abc” 和 ”abC”

9.子組(子模式)

子組通過圓括弧分隔界定，並且它們可以嵌套。

示例：

字元串："the red king"
正則表達式：((red|white) (king|queen))
匹配結果：array("red king", "red king", "red", "king")
描述：其中第 0 個元素是整個模式匹配的結果，後面的三個元素依次為三個子組匹配的結果。 它們的下標分別為 1， 2， 3。

經常我們會有一種需求需要使用子組進行分組，但又不需要(單獨的)捕獲它們。在子組定義的左括弧後面緊跟字元串 ?: 會使得該子組不被單獨捕獲，並且不會對其後子組序號的計算產生影響。例如：

字元串："the red king"
正則表達式：((?:red|white) (king|queen))
匹配結果：array("red king", "red king", "king")

為了方便簡寫，如果需要在非捕獲子組開始位置設置選項， 選項字母可以位於 ? 和 : 之間，比如：

(?i:saturday|sunday)
(?:(?i)saturday|sunday)

上面兩種寫法實際上是相同的模式。因為可選分支會從左到右嘗試每個分支，並且選項沒有在子模式結束前被重置，並且由於選項的設置會穿透對後面的其他分支產生影響，因此， 上面的模式都會匹配 ”SUNDAY” 以及 ”Saturday”。

再看一個匹配 IP 地址的正則 ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)
相關文章 IP地址的正則表達式

結語

上文中涉及 PHP 正則表達式中常用的語法，有的語法沒細說和涉及到的，如：模式修飾符、後向引用、斷言、遞歸模式，等。你可以通過 PHP 手冊查看這些內容。

提示：一般而言，對於同樣的功能，正則表達式函數運行效率要低於字元串函數。如果應用程式較簡單，那麼就用字元串表達式。但是，對於可以通過單個正則表達式執行的任務來說，如果使用多個字元串函數，則是不對的。 ---- 摘自《PHP 和 MySQL Web 開放》一書。

參考資料

http://php.net/manual/zh/book.pcre.php
https://msdn.microsoft.com/zh-cn/library/d9eze55x%28v=vs.80%29.aspx
http://deerchao.net/tutorials/regex/regex.htm
http://tool.chinaz.com/regex/
http://www.regexlab.com/zh/regref.htm