PHP 正则表达式笔记，php正则表达式笔记_PHP教程
- WBOY原创
- 2016-07-12 09:00:55860浏览
PHP 正则表达式笔记，php正则表达式笔记
什么是正则表达式
在电脑上我们经常会使用（通配符）找出我们需要的文件，例如：*.doc ，这里的 * 代表匹配零个或多个字符。正则表达式也是用来进行文本匹配的工具，只不过它更加强悍。引用 PHP 手册里的一句话：正则表达式是一个从左到右匹配目标字符串的模式，大多数字符自身就代表一个匹配 它们自身的模式。
下面给出几个简单例子，使对正则表达式有个初步的理解。
hi //匹配英文字符(忽略大小写) hi , HI , Hi , hI
\bhi\b //匹配英文单词 hi '\b'是正则里的一特殊字符（一种断言），表示单词边界
\bhi\b.*\bLucy\b //匹配如：'hi my name is Lucy' '.' 表示匹配除换行符以外的任意字符 '*' 是量词，表示重复零次或更多次
0\d{2}-\d{8} //匹配如: 020-12345678 '\d' 匹配一个数字(0-9) '{n}' 重复n次，如{2} {8}
上面例子中的 \b , . , * , \d , {2} 都有特殊含义，在下文会有说明。
PHP 中正则语法
1.简介
在 PHP 里支持两种正则分别是 POSIX 和 PCRE 。自 PHP 5.3.0起，POSIX 正则表达式扩展被废弃。所以下文讨论的都是基于 PCRE 模式。可点击查看有关与 POSIX 正则表达式的不同和与 perl 的不同之处。
2.分隔符
当使用 PCRE 函数 的时候，模式需要由分隔符闭合包裹。分隔符可以使任意非字母数字、非反斜线、非空白字符。经常使用的分隔符是正斜线 / 、hash符号 # 以及取反符号 ~ 。下面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内进行匹配，它必须使用反斜线进行转义。如果分隔符经常在模式内出现，一个更好的选择就是是用其他分隔符来提高可读性。例：
/http:\/\// #http://#
3.元字符
正则表达式的威力源于它可以在模式中拥有选择和重复的能力。一些字符被赋予特殊的含义，使其不再单纯的代表自己，模式中的这种有特殊涵义的编码字符 称为元字符。
共有两种不同的元字符：一种是可以在模式中方括号外任何地方使用的，另外一种是需要在方括号内使用的。
在方括号外使用的元字符如下：
| 代码 | 说明 |
|---|---|
| / | 一般用于转义字符 |
| ^ | 断言目标的开始位置(或在多行模式下是行首) |
| $ | 断言目标的结束位置(或在多行模式下是行尾) |
| . | 匹配除换行符外的任何字符(默认) |
| [ | 开始字符类定义 |
| ] | 结束字符类定义 |
| | | 开始一个可选分支 |
| ( | 子组的开始标记 |
| ) | 子组的结束标记 |
| ? | a：作为量词，表示 0 次或 1 次匹配。b：位于量词后面用于改变量词的贪婪特性。 |
| * | 量词，0 次或多次匹配 |
| + | 量词，1 次或多次匹配 |
| { | 自定义量词开始标记 |
| } | 自定义量词结束标记 |
模式中方括号内的部分称为“字符类”。 在一个字符类中仅有以下可用元字符：
| 代码 | 说明 |
|---|---|
| \ | 转义字符 |
| ^ | 仅在作为第一个字符(方括号内)时，表明字符类取反 |
| - | 标记字符范围 |
示例：
-
\ba\w*\b匹配以字母 a 开头的单词，先是某个单词开始处 \b ，然后是字母 a ，然后是任意数量的任意单词字符（单词字符指的是任意字母、数字、下划线） \w* ，最后是单词结束处 \b 。 -
\d+匹配1个或更多连续的数字。 -
^\d{5,12}$匹配为5位到12位数字，因为使用了 ^ 和 $ ，所以输入的整个字符串都要用来和 \d{5,12} 来匹配，也就是说整个输入必须是5到12个数字。
4.转义序列(反斜线)
反斜线 \ 有四种用法，详细可点击 转义序列(反斜线)
【1】作为转义字符，比如，如果你希望匹配一个 * 字符，就需要在模式中写为 \* 。这适用于一个字符在不进行转义会有特殊含义的情况下。 但是，对于非数字字母的字符，总是在需要其进行原文匹配的时候在它前面增加一个反斜线，来声明它代表自己，这是安全的。如果要匹配一个反斜线，那么在模式中使用 \\ 。
反斜线在单引号字符串和双引号字符串中都有特殊含义，因此要匹配一个反斜线， 模式中必须写为 \\\\ 。其中的原因：首先它作为字符串，反斜线会进行转义。最后正则表达式引擎也认为反斜线是转义。因此，需要 4 个反斜线才可以匹配一个反斜线。
【2】提供了一种对非打印字符进行可见编码的控制手段
【3】用来描述特定的字符类
| 代码 | 说明 |
|---|---|
| \d | 任意十进制数字 |
| \D | 任意非十进制数字 |
| \h | 任意水平空白字符(since PHP 5.2.4) |
| \H | 任意非水平空白字符(since PHP 5.2.4) |
| \s | 任意空白字符 |
| \S | 任意非空白字符 |
| \v | 任意垂直空白字符(since PHP 5.2.4) |
| \V | 任意非垂直空白字符(since PHP 5.2.4) |
| \w | 任意单词字符，单词字符指的是任意字母、数字、下划线。 |
| \W | 任意非单词字符 |
【4】一些简单的断言。一个断言指定一个必须在特定位置匹配的条件，它们不会从目标字符串中消耗任何字符。反斜线断言包括：
-
\b单词边界 -
\B非单词边界 -
\A目标的开始位置(独立于多行模式) -
\Z目标的结束位置或结束处的换行符(独立于多行模式) -
\z目标的结束位置(独立于多行模式) -
\G在目标中首次匹配位置
5.重复/量词
| 代码 | 说明 |
|---|---|
| * | 重复零次或更多次，等价于 |
| + | 重复一次或更多次，等价于 |
| ? | 重复零次或一次，等价于 |
| {n} | 重复n次 |
| {n,} | 重复n次或更多次 |
| {n,m} | 重复n到m次 |
默认情况下，量词都是”贪婪”的，也就是说，它们会在不导致模式匹配失败的前提下，尽可能多的匹配字符(直到最大允许的匹配次数)。然而，如果一个量词紧跟着一个 ? 标记，它就会成为懒惰(非贪婪)模式， 它不再尽可能多的匹配，而是尽可能少的匹配。
下面直接看示例，理解“贪婪”和“非贪婪”模式是怎么回事。
对于字符串 "aa<span class="nt"><div></span>test1<span class="nt"></div></span>bb<span class="nt"><div></span>test2<span class="nt"></div></span>cc" 正则表达式 "<span class="nt"><div></span>.*<span class="nt"></div></span>" 匹配结果 "<span class="nt"><div></span>test1<span class="nt"></div></span>bb<span class="nt"><div></span>test2<span class="nt"></div></span>" 正则表达式 "<span class="nt"><div></span>.*?<span class="nt"></div></span>" 匹配结果 "<span class="nt"><div></span>test1<span class="nt"></div></span>"
关于更多“贪婪”和“非贪婪”模式的介绍可查阅 http://php.net/manual/zh/regexp.reference.repetition.php
6.字符类(方括号)
PHP手册中的描述：
-
左方括号开始一个字符类的描述，并以方中括号结束。单独的一个右方括号没有特殊含义。如果一个右方括号需要作为一个字符类中的成员，那么可以将它写在字符类的首字符处(如果使用了 ^ 取反，那么是第二个)或者使用转义符。
-
一个字符类在目标字符串中匹配一个单独的字符；该字符必须是字符类中定义的字符集合的其中一个, 除非使用了 ^ 对字符类取反。如果^需要作为一个字符类的成员，确保它不是该字符类的首字符，或者对其进行转义即可。
示例：
[aeiou] //匹配所有的小写元音字母 [^aeiou] //匹配所有非元音字母的字符 [.?!] //匹配标点符号(.或?或!)
注意：^ 只是一个通过枚举指定那些不存在字符类之中的字符的便利符号。而不是断言， 它仍然会从目标字符串中消耗一个字符，并且如果当前匹配点在目标字符串末尾， 匹配将会失败。
轻松地指定一个字符范围，范围操作以 ASCII 整理排序。它们可以用于为字符指定数值，比如 [\000-\037]
[0-9] //代表的含意与 '\d' 就是完全一致的 [a-z0-9A-Z_] //完全等同于 '\w' 如果只考虑英文的话
下面是一个更复杂的表达式 \(?0\d{2}[) -]?\d{8}
这个表达式可以匹配几种格式的电话号码，像 (010)88886666，或 022-22334455 ，或 02912345678 等。
简单分析：首先是一个转义字符 \( ，它能出现 0 次或 1 次 ? ，然后是一个数字 0 ，后面跟着 2 个数字 \d{2} ，然后是 ) 或 - 或 “空格” 中的一个，它出现 0 次或 1 次，最后是 8 个数字 \d{8} 。
7.分支 ( | )
竖线字符用于分离模式中的可选路径。比如模式 gilbert|Sullivan 匹配 ”gilbert” 或者 ”sullivan”。竖线可以在模式中出现任意多个，并且允许有空的可选路径(匹配空字符串)。匹配的处理从左到右尝试每一个可选路径，并且使用第一个成功匹配的。如果可选路径在子组(下面定义)中，则”成功匹配”表示同时匹配了子模式中的分支以及主模式中的其他部分。
回看上文里的一个例子 \(?0\d{2}[) -]?\d{8} 这个正则也能匹配 010)12345678 或 (022-87654321 这样的 “不正确” 的格式。其实我们可以利用分支就能解决这个问题，如下：
\({1}0\d{2}\){1}[- ]?\d{8}|0\d{2}[- ]?\d{8} 这个表达式匹配 3 位区号的电话号码，其中区号可以用小括号括起来，也可以不用，区号与本地号间可以用连字号或空格间隔，也可以没有间隔。
使用分枝条件时，要注意各个条件的顺序
8.内部选项设置
正则表达式在不同的模式修饰符下匹配出的结果有可能不相同。它的语法是 :(?修饰符)
比如，(?im) 设置表明多行大小写不敏感匹配。同样可以用它来取消这些设置，比如 (?im-sx) 设置了 “PCRE_CASELESS”，”PCRE_MULTILINE”，但是同时取消了 “PCRE_DOTALL” 和 “PCRE_EXTENDED”。如果一个字母即出现在 - 之前, 也出现在 - 之后，这个选项被取消设置。
下面紧例举简单的示例，想要了解更多可点击 内部选项设置 和 模式修饰符
示例：/ab(?i)c/ 仅仅匹配 ”abc” 和 ”abC”
9.子组(子模式)
子组通过圆括号分隔界定，并且它们可以嵌套。
示例：
字符串："the red king"
正则表达式：((red|white) (king|queen))
匹配结果：array("red king", "red king", "red", "king")
描述：其中第 0 个元素是整个模式匹配的结果，后面的三个元素依次为三个子组匹配的结果。 它们的下标分别为 1， 2， 3。
经常我们会有一种需求需要使用子组进行分组，但又不需要(单独的)捕获它们。在子组定义的左括号后面紧跟字符串 ?: 会使得该子组不被单独捕获，并且不会对其后子组序号的计算产生影响。例如：
字符串："the red king"
正则表达式：((?:red|white) (king|queen))
匹配结果：array("red king", "red king", "king")
为了方便简写，如果需要在非捕获子组开始位置设置选项， 选项字母可以位于 ? 和 : 之间，比如：
(?i:saturday|sunday) (?:(?i)saturday|sunday)
上面两种写法实际上是相同的模式。因为可选分支会从左到右尝试每个分支，并且选项没有在子模式结束前被重置，并且由于选项的设置会穿透对后面的其他分支产生影响，因此， 上面的模式都会匹配 ”SUNDAY” 以及 ”Saturday”。
再看一个匹配 IP 地址的正则 ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)
相关文章 IP地址的正则表达式
结语
上文中涉及 PHP 正则表达式中常用的语法，有的语法没细说和涉及到的，如：模式修饰符、后向引用、断言、递归模式，等。你可以通过 PHP 手册查看这些内容。
提示：一般而言，对于同样的功能，正则表达式函数运行效率要低于字符串函数。如果应用程序较简单，那么就用字符串表达式。但是，对于可以通过单个正则表达式执行的任务来说，如果使用多个字符串函数，则是不对的。 ---- 摘自《PHP 和 MySQL Web 开放》一书。
参考资料
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