正则表达式基本知识（php）
- WBOY原創
- 2016-06-23 13:26:011326瀏覽
这里的知识点基本上是《正则指引》的读书笔记，只是每个知识点的示例代码用php来实现。
1. 字符组
字符组（Character Class）就是一组字符，在正则表达式中，它表示“在同一个位置可能出现的各种字符”。
写法：[ab]、[314]、[#.?]
字符组的基本用法
[...]
preg_match('/[0123456]/', '5'); // => 1preg_match('/[abc123]/', '5'); // => 0 范围表示法（range）
[x-y]表示x到y整个范围内的字符。如，[0123456789]表示为[0-9]，[abcdefghijk]表示为[a-k]。
为什么是[0-9]，而不是[9-0]？
因为-表示的范围一般是根据字符对应的码值（Code Point）来确定的。典型地有ACSⅡ编码。在ACSⅡ编码中，0~9的码值是48~57，a~z的码值是97~122，A~Z的码值是65~90。
preg_match('/[0-9]/', '5'); // => 1preg_match('/[a-z]/', '5'); // => 0preg_match('/[0-9a-fA-F]/', '0'); // 16进制 字符组简记法（shorthands）
提供比范围表示法更简洁的表示方法，如\d表示[0-9]，\w表示[0-9a-zA-z_]。
php中支持的字符组简记：
\d 所有的数字，即[0-9]
\D 所有的非数字，与\d互斥
\w 所有的单词字符（字符、数字、下划线），即[0-9a-zA-Z_]
\W 所有的非单词字符，与\W互斥
\s 所有的空白字符，包括空格、制表符、回车符、换行符等空白字符
\S 所有的非空白字符，与\s互斥
preg_match('/\d/', '8'); // => 1preg_match('/\d/', 'a'); // => 0preg_match('/\d[a-z]/', 'a'); // => 1preg_match('/\w/', 'a'); // => 1preg_match('/\w/', '6'); // => 1preg_match('/\w/', '_'); // => 1preg_match('/\s/', ' '); // => 1preg_match('/\s/', "\t"); // => 1preg_match('/\s/', "\r"); // => 1 元字符与转义
在范围表示法中，字符组中的横线-不能匹配横线字符，而是用来表示范围，这类字符叫做元字符（meta-character）。元字符除了-还有开方括号[、闭刚括号]、^、$等，它们都有特殊的意义。
当元字符想要表示普通字符的含义时（如-就只想表示横线字符），就需要转义处理（在元字符前加反斜线字符\）。对于-，有一个例外情况，就是当它紧跟着字符组中的开括号[时，它就表示普通横线字符，此时不用转义。
preg_match('/[0\-9]/', "-"); // => 1preg_match('/[0\-9]/', "8"); // => 0preg_match('/[0\-9]/', "0"); // => 1preg_match('/[-09]/', "-"); // => 1preg_match("/[0\\-9]/", "-"); // => 1preg_match("/[0\-9]/", "-"); // => 1 仔细看上面第一个表达式和最后两个表示式。这里要注意：
在php中，字符串既可以用单引号标注也可以用双引号标注。两者的主要区别在于，双引号字符串可以插值，二单引号字符串不能；另外，双引号字符串会处理字符串转义，二单引号字符串不会
正则表达式是以字符串的方式提供的。在php中，双引号字符串本身也有关于转义的规定（如"\\"、'\r'、"\t"等），因此"0\\-9"与'0\-9'是等价的。
那么最后一个表达式为什么也可以匹配呢？这是因为，尽管php的正则表达式用字符串文字给出，但它与常见的字符串不完全一样??如果某个转义序列可以有字符串识别，则对其进行转义处理；否则，将整个转义序列“原封不动”地保存下来。
因此，在正则表达式中转义要小心，在php中，使用单引号字符串来构建正则表达式会比双引号字符串更简单明了。
排除型字符组（Negated Character Class）
在方括号[…]中列出希望匹配的所有字符叫做“普通字符组”。在开方括号[之后紧跟一个脱字符^，写作[^…]，表示“在当前位置，匹配一个没有列出的字符”。例如，[^0-9]匹配非数字字符。
preg_match('/[^0-9][0-9]/', "A8"); // => 1 排除型字符组中的紧跟着开方括号[的脱字符^也是元字符，如果要匹配尖括号字符，需要进行转义处理。但是，不紧跟着开方括号[的^就是普通字符，不需要转义。
preg_match('/[^0-9]/', '0'); // => 0preg_match('/[\^0-9]/', '0'); // => 1preg_match('/[\^0-9]/', '^'); // => 1preg_match('/[0-9^]/', '^'); // => 1 POSIX字符组
之前介绍的字符组，都属于Perl衍生出来的正则表达式流派（Flavor），这个流派叫做PCRE（Per Compatible Regular Expression）。正则表达式还有其他流派，比如POSIX（Portable Operating System Interface for unix），它是一系列规范，定义了UNIX操作系统应当支持的功能，其中也包括了正则表达式的规范。
常见的[a-z]形式的字符组，在POSIX规范中仍然获得支持，称作POSIX方括号表达式。POSIX方括号表达式中的\不是用来转义的，如[\d]就只能匹配\和d两个字符。这里涉及到]、-这两个特殊字符，在POSIX规范中，紧接在开方括号[之后的]才表示闭方括号字符，紧挨在闭方括号]之前的-才表示横线字符。
对于PCRE规范中的\d、\w、\s等字符组简记法，POSIX中有类似的东西，叫做POSIX字符组。在ASCⅡ语言环境（locale）中，常见的POSIX字符组及其含义如下：
| POSIX字符组 | 说明 | ACSⅡ字符组 | 等价的PCRE简记法 |
|---|---|---|---|
| [:alnum:] | 字母和数字 | [0-9a-zA-Z] | |
| [:alpha:] | 字母 | [a-zA-Z] | |
| [:ASCⅡ] | ASCⅡ字符 | [\x00-\x7F] | |
| [:blank:] | 空格字符和制表字符 | [ \t] | |
| [:cntrl:] | 控制字符 | [\x00-\x1F\x7F] | |
| [:digit:] | 数字字符 | [0-9] | \d |
| [:graph:] | 空白字符之外的字符 | [\x21-\x7E] | |
| [:lower:] | 小写字母字符 | [a-z] | |
| [:print:] | 类似[:graph:]，但包括空白字符 | [\x20-\x7E] | |
| [:punct:] | 标点符号 | [][!"#$%&'()*+,./:;?@\^_`{\ | }~-] |
| [:space:] | 空白字符 | [ \t\r\n\v\f] | \s |
| [:upper:] | 大写字母 | [A-Z] | |
| [:word:] | 字母字符 | [A-Za-z0-9_] | \w |
| [:xdigit:] | 十六进制字符 | [A-Fa-f0-9] |
php中有专门处理POSIX正则的函数，但从5.3.0开始已经废弃了。这里只是了解一下相关知识。
2. 量词
这里首先介绍一下^和$两个特殊字符，在上一章的元字符与转义一节提到过这两个特殊字符。
^放在正则表达式的开头，表示“定位到字符串的起始位置”；$用在正则表达式的末尾，表示“定位到字符串的结束位置”。
preg_match('/\w\d/', '1a2b'); // => 1preg_match('/^\w\d/', '1a2b'); // => 0 必须以字母开头preg_match('/\w\d$/', '1a2b'); // => 0 必须以数字结尾preg_match('/^\w\d/', 'a2b'); // => 1preg_match('/\w\d$/', '1a2'); // => 1preg_match('/^\w\d$/', '1a2'); // => 0 开头必须是字母，结尾必须是数字preg_match('/^\w\d$/', 'a2'); // => 1 量词的一般形式
如果要匹配一个邮政编码（6位数字），目前能写出来的正则表达式是^\d\d\d\d\d\d$：
preg_match('/^\d\d\d\d\d\d$/', '100010'); // => 1preg_match('/^\d\d\d\d\d\d$/', '10001035'); // => 0preg_match('/^\d\d\d\d\d\d$/', '10a010'); // => 0 \d重复6次的写法很不科学，正则表达式肯定会有更方便的写法，也就是量词（quantifier）。量词的通用形式是{m,n}（注意，,后面不能有空格），它限定之前的元素能够出现的次数，m是下限，n是上限。其他常见的量词形式有：
| 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 |
preg_match('/^\d{6}$/', '100010'); // => 1preg_match('/^\d{4,6}$/', '123'); // => 0preg_match('/^\d{4,6}$/', '1234'); // => 1preg_match('/^\d{4,6}$/', '123456'); // => 1preg_match('/^\d{4,6}$/', '1234567'); // => 0 常用量词
正则表达式还有三个常用的量词，分别是+、?、*：
| 常用量词 | {m,n}等价形式 | 说明 |
|---|---|---|
| * | {0,} | 可能出现，也可能不出现，出现次数没有上限 |
| + | {1，} | 至少出现1次，出现次数没有上限 |
| ? | {0,1} | 出现0次或1次 |
这三种量词在实际中使用的非常多。
例如，匹配url的时候，有可能是http，也有可能是https，这个时候用?就很方便：
preg_match('/^https?:\/\/www\.baidu\.com/', 'http://www.baidu.com'); // => 1preg_match('/^https?:\/\/www\.baidu\.com/', 'https://www.baidu.com'); // => 1 在匹配html的tag（如
、preg_match('/^<[^>]+>$/', '<html>'); // => 1preg_match('/^<[^>]+>$/', '<a>'); // => 1preg_match('/^<[^>]+>$/', '<>'); // => 0 如果说匹配一个双引号字符串，在双引号内，既可以出现字符也可以不出现字符。这种情况下就应该使用量词*。
preg_match('/^\"[^\"]*\"$/', '""'); // => 1preg_match('/^\"[^\"]*\"$/', '"abcd"'); // => 1 点号
点号.是与量词搭配比较多得一个字符。一般情况下，点号.可以匹配除了换行符\n以外的任意字符。
preg_match('/^.$/', 'z'); // => 1preg_match('/^.$/', '8'); // => 1preg_match('/^.$/', "\n"); // => 0 如果要使.能匹配的字符包含换行符\n，可以使用自制通配符\s\S或\w\W、\d\D。
preg_match('/^[\s\S]$/', "\n"); // => 1 使.能匹配的字符包含换行符\n的另外一种方法是指定正则匹配时使用单行模式。在php中，可以使用模式修饰符和预定义常量两种方法来指定单行模式。关于正则匹配的模式，后面会详细介绍。
preg_match('/(?s)^.$/', "\n"); // => 1 模式修饰符preg_match('/^.$/s', "\n"); // => 1 预定义常量 匹配优先量词、忽略优先量词
很多语言中，都可以使用/*...*/来注释代码，如果是一个支持语法高亮的文本编辑器就要能够提取/*...*/注释块。很easy的，我们可以写出如下正则表达式：
$str = '/*this is a comment*/ /*this is another comment*/';preg_match('/\/\*.*\*\//', $str, $arr);echo $arr[0];/*this is a comment*/ /*this is another comment*/ 可以看到，这个正则表达式出了点小问题，它把两个注释块匹配出来了，如果两个注释块中间有代码，那么代码也会匹配出来。
这是因为，我们介绍的*、+、?都是匹配优先量词（greedy quantifier，也称贪婪量词）。匹配优先量词是指在拿不准是否要匹配的时候，优先尝试匹配。因此，$str中间的*/ /*都被.*匹配了。
正则表达式中利用忽略优先量词来解决上述问题。与*、+、?对应的忽略优先量词的形式是*?、+?、??。忽略优先量词在不确定是否要匹配时选择“不匹配”的状态。还是以提取注释块的代码为例：
preg_match('/\/\*.*?\*\//', $str, $arr);echo $arr[0];/*this is a comment*/ 这样就达到了提取注释块的效果。
| 匹配优先量词 | 忽略优先量词 | 限定次数 |
|---|---|---|
| * | *？ | 可能出现，可能不出现，出现次数没有上限 |
| + | +？ | 至少出现1次，没有上限 |
| ? | ?? | 出现0次或1次 |
| {m,n} | {m,n}? | 出现次数大于等于m，小于等于n |
| {m,} | {m,}? | 至少出现m次，没有上限 |
| {0,n} | {0,n}? | 出现0次-n次 |
php中有指定非贪婪匹配模式的模式修饰符和预定义常量，与忽略优先量词是一样的效果：
// 默认贪婪匹配preg_match('/\/\*.*\*\//', $str, $arr); // => /*this is a comment*/ /*this is another comment*/ // 预定义常量 指定非贪婪匹配preg_match('/\/\*.*\*\//U', $str, $arr); // => /*this is a comment*/ // 模式修饰符 指定非贪婪匹配preg_match('/(?U)\/\*.*\*\//', $str, $arr); // => /*this is a comment*/ // 同时使用 忽略优先量词 和 预定义常量preg_match('/\/\*.*?\*\//U', $str, $arr); // => /*this is a comment*/ /*this is another comment*/// 同时使用 忽略优先量词 和 模式修饰符preg_match('/(?U)\/\*.*?\*\//', $str, $arr); // => /*this is a comment*/ /*this is another comment*/ 量词的转义
*、+、?的转义比较简单，就是\*、\+、\?。主要是{m,n}形式的转义需要注意。
| 量词 | 转义 | 量词 | 转义 | 量词 | 转义 |
|---|---|---|---|---|---|
| {n} | \\{n} | * | \* | *? | \*\? |
| {m,n} | \\{m,n} | + | \\+ | +? | \\+\? |
| {m,} | \\{m,} | ? | \? | ?? | \?\? |
| {0,n} | \\{0,n} |
3.括号
分组
上一章介绍了量词，上一章的例子中量词都只能控制它前面的字符或字符组。那么量词能否控制连续的字符或字符组呢，如控制一个单词hello出现或者不出现。这就要用到正则表达式的分组功能（子表达式），使用圆括号(...)实现分组（子表达式）。
// 量词限定前面一个字符preg_match('/^hello?, world$/', 'hello, world'); // => 1preg_match('/^hello?, world$/', 'hell, world'); // => 1preg_match('/^hello?, world$/', ', world'); // => 0// 量词限定一个单词preg_match('/^(hello)?, world$/', 'hello, world'); // => 1preg_match('/^(hello)?, world$/', 'hell, world'); // => 0preg_match('/^(hello)?, world$/', ', world'); // => 1 多选结构
多选结构（alternative）的形式是(...|...)，在括号内以竖线|分开多个子表达式，这些子表达式也叫多选分支（option）。
例如，匹配常见的11位手机号
// 匹配常见11位手机号preg_match('/(13[0-9]|15[0-356]|18[025-9])\d{8}/', '18521510001', $arr); // => 1 引用分组
正则表达式会保存每个(...)分组匹配的文本，这种功能叫捕获分组（capturing group）。在需要直接使用子表达式的时候非常有用
例如，提取标签中的地址和描述文本
// 提取<a>标签中的地址和描述文本preg_match('/<a\s+href="([^\'"\s]*)">(.*?)<\/a>/', '<a href="github.com">visit github</a>', $arr);print_r($arr);/*Array( [0] => <a href="github.com">github</a> [1] => github.com [2] => visit github)*/ 正则表达式替换时也支持捕获分组。php中支持\num和$num的形式替换，但是num不能大于10；另一种形式${num}可以大于10。
例如，日期的替换
// 正则表达式替换preg_replace('/(\d{4})-(\d{2})-(\d{2})/', '$1年$2月$3日', '2015-08-25'); // => 2015年08月25日preg_replace('/(\d{4})-(\d{2})-(\d{2})/', '\1年\2月\3日', '2015-08-25'); // => 2015年08月25日 反向引用
在正则表达式内部引用之前的捕获分组匹配的文本叫反向引用（back-reference）。实测php支持\num形式的反向引用，不支持$num形式的反向引用
例如，利用反向引用匹配id相同的不同标签
// 匹配id为main的标签preg_match('/<([\w]+)\s+id="main">.*?<\/\1>/', '<div id="main"><span>hello, world</span></div>', $arr); // => 1print_r($arr);/*Array( [0] => <div id="main"><span>hello, world</span></div> [1] => div)*/// 匹配id为main的标签preg_match('/<([\w]+)\s+id="main">.*?<\/\1>/', '<p id="main">Hello, World</p>', $arr); // => 1print_r($arr); /*Array( [0] => <p id="main">Hello, World</p> [1] => p)*/ 命名分组
数字编号的分组有时候不够直观，因此有些语言和工具的正则表达式提供了命名分组（named grouping）。
正则字符中(?P
// 捕获命名分组preg_match('/<a\s+href="(?P<link>[^\'"\s]*)">(?P<description>.*?)<\/a>/', '<a href="github.com">visit github</a>', $arr);print_r($arr); /*Array( [0] => <a href="github.com">visit github</a> [link] => github.com [1] => github.com [description] => visit github [2] => visit github)*/// 反向引用命名分组preg_match('/<(?P<tag>[\w]+)\s+id="main">.*?<\/(?P=tag)>/', '<div id="main"><span>hello, world</span></div>', $arr);print_r($arr); /*Array( [0] => <div id="main"><span>hello, world</span></div> [tag] => div [1] => div)*/ 非捕获分组
正则表达式默认会保存每个(...)匹配的文本，前面利用这个特性可以实现一些有用的功能。但是，有时候正则表达式比较复杂，(...)会出现的比较多，而此时仅仅是想实现分组或者多选的功能，而不需要捕获分组；同时，大量不需要的捕获分组可能会影响性能。
为了解决这种问题，正则表达式提供了非捕获分组（non-capturing group），它的形式是(?:...)。
// 捕获分组preg_match('/(13[0-9]|15[0-356]|18[025-9])\d{8}/', '18521510001', $arr); // => 1print_r($arr); /*Array( [0] => 18521510001 [1] => 185)*/// 非捕获分组echo preg_match('/(?:13[0-9]|15[0-356]|18[025-9])\d{8}/', '18521510001', $arr); // => 1print_r($arr); /*Array( [0] => 18521510001)*/ 4.断言
正则表达式中的有些结构不匹配真正的文本，只负责判断在某个位置左/右侧的文本是否符合要求，这种结构称为断言（assertion）。常见的断言有三类：单词边界、行起始/结束位置、环视。
单词边界
单词边界（word boundary)，记为\b。它匹配的是单词边界（一边是单词字符，另一边不是单词字符）的位置，而不是字符。
// 单词边界preg_match('/\b\w+\b/', 'word', $arr); // => 1print_r($arr);/*Array( [0] => word)*/// 匹配所有单词边界preg_match_all('/\b\w+\b/', 'hello, world', $arr); // => 2print_r($arr);/*Array( [0] => Array ( [0] => hello [1] => world ))*/ 这类匹配位置而不匹配字符的元素叫做锚点（anchor），下一节要介绍的^、$等也是锚点。
行起始/结束位置
^：字符串的开始位置
$：字符串的结束位置
$str = 'first linesecond linelast line';// 字符串起始位置preg_match_all('/^\w+\b/', $str, $arr); // => 1print_r($arr);/*Array( [0] => Array ( [0] => first ))*/// 字符串结束位置preg_match_all('/\b\w+$/', $str, $arr); // => 1print_r($arr);/*Array( [0] => Array ( [0] => line ))*/ 如果指定了多行模式（Multiline Mode），^、$分别可以匹配行起始位置、行结束位置。关于模式，将在下一章详细介绍。指定多行模式的方式是使用模式修饰符(?m)：在正则表达式之前加上(?m)；或者是预定义常量的方式：/.../m 。
// 多行模式 行起始位置// preg_match_all('/^\w+\b/m', $str, $arr); 是一样的效果preg_match_all('/(?m)^\w+\b/', $str, $arr); // => 3print_r($arr);/*Array( [0] => Array ( [0] => first [1] => second [2] => last ))*///多行模式 行结束位置// preg_match_all('/\b\w+$/m', $str, $arr); 是一样的效果preg_match_all('/(?m)\b\w+$/', $str, $arr); // => 3print_r($arr);/*Array( [0] => Array ( [0] => line [1] => line [2] => line ))*/ \A不论是普通模式还是多行模式，都匹配字符串起始位置
\Z、\z不论是普通模式还是多行模式，都匹配字符串结束位置
\Z与\z的区别在于最后字符串的末尾是行终止符的时候，\Z匹配行终止符之前的位置，\z则不管行终止符，只匹配“整个字符串的结束位置”。
这里用行终止符，而不用换行符的原因是不同操作系统的行终止符不同（windows\r\n，linux\n，mac\n）。
// \A 始终匹配字符串起始位置preg_match_all('/\A\w+\b/', $str, $arr); // => 1print_r($arr);/*Array( [0] => Array ( [0] => first ))*/preg_match_all('/(?m)\A\w+\b/', $str, $arr); // => 1print_r($arr);/*Array( [0] => Array ( [0] => first ))*/// \Z始终匹配行结束位置preg_match_all('/\b\w+\Z/', $str, $arr); // => 1print_r($arr);/*Array( [0] => Array ( [0] => line ))*/preg_match_all('/(?m)\b\w+\Z/', $str, $arr); // => 1print_r($arr);/*Array( [0] => Array ( [0] => line ))*/// \Z \z的区别$str = 'first linesecond linelast line';preg_match_all('/(?m)\b\w+\z/', $str, $arr); // => 0print_r($arr);/*Array( [0] => Array ( ))*/preg_match_all('/(?m)\b\w+\Z/', $str, $arr); // => 1print_r($arr);/*Array( [0] => Array ( [0] => line ))*/ 环视
环视（look-around）用来“停在原地，四处张望”，它本身也不匹配任何字符，用来限定它旁边的文本满足某种条件。
| 名字 | 记法 | 含义 |
|---|---|---|
| 肯定顺序环视 | (?=...) | 向右看看，右边出现了环视中的内容才匹配 |
| 否定顺序环视 | (?!...) | 向右看看，右边不出现环视中的内容才匹配 |
| 肯定逆序环视 | (? | 向左看看，左边出现了环视中的内容才匹配 |
| 否定逆序环视 | (? | 向左看看，左边不出现环视中的内容才匹配 |
例如，要匹配html标签中的开标签（、
等），同时，也不能匹配一个空的标签。
直接使用将/字符排除是不对的，因为有些标签的属性中可能会含有/字符。例如。这里只是在开尖括号之前的第一个字符不能为/。
然而]*[^\/]>也是不行的，因为在之间会至少匹配两个字符，像这样的标签是无法匹配到的。这里就要用到环视了。
上面的正则表达式中有两个环视结构，一个在开尖括号之前，表示在闭尖括号>之前向左看看，左边挨着的字符不能为/。
上面的正则表达式已经解决了匹配html中开标签的主要问题，只是其中的.*?还需要优化一下。需要解决的问题是：
有可能会有单引号'或双引号"，它们都得成对出现
单引号对或双引号对之内可以有>字符，但是它们的外面不能有>字符
利用正则表达式的选择结构，可以写出下面的表达式，用于完善上面的问题。
])+(?
5.匹配模式
前面的内容中已经出现介过了单行模式、多行模式、非贪婪模式。匹配模式是指匹配时使用的规则。常用的匹配模式还有不区分大小写模式、注释模式。
在开始介绍具体的模式之前，先介绍php中模式的两种具体实现/.../{modifier}和...(?{modifier})...：
| 模式修饰符 | /.../{modifier} | ...(?{modifier})... |
|---|---|---|
| 示例 | / | |
| 名称（php手册） | 模式修饰符 | 模式内修饰符 |
| 名称（《正则指引》） | 预定义常量 | 模式修饰符 |
| 作用范围 | 整个正则表达式 | 不在分组（子表达式）中时，对它后面的全部正则表达式起作用；如果在分组（子表达式）中，则对它分组中的剩余部分起作用。在没有分组，且放在整个正则表达式最前面的时候相当于/.../{modifier} |
| 支持程度 | 支持所有模式修饰符 | 支持部分模式修饰符 |
| 其他编程语言 | 可能不支持 | 一般都支持 |
不区分大小写模式
在html中是不区分大小写的，例如
由于