正则表达式学习笔记

起源

首先美国两位神经生理方面的科学家，研究出一种用数学方式来描述神经网络的新方法，他们创新的将神经系统中的神经元描述为小而简单的自动控制元，从而做出一种伟大的工作革新。后来，数学科学家在他们工作的基础上发表了一篇论文，题目是《神经网事件的表示法》，书中利用正则集合的数学符号描述此类模型，引入了正则表达式的概念。

PHP中的正则函数

首先要澄清一些概念：虽然不同语言间正则语法大同小异，但实际上正则表达式的实现有多种引擎，其表现又有多种风格（如JavaScript中有自己的朴素正则，Perl有一套高级而华丽的正则，.NET也有自己的正则风格）。另外，还有人可能容易混淆PHP中的preg和ereg。

简单的说，PHP中有两套正则函数，两者功能差不多：

1.由PCRE库提供的函数，以“preg_”为前缀命名

PCRE（Prel Compatible Regular Expression，兼容Perl的正则表达式）

2.有POSIX扩展提供的函数，以“ereg_”为前缀命名

POSIX是UNIX中的一系列规范构成，其中包含BRE基本型正则表达式和ERE扩展型正则表达式两大流派。

注意：

自PHP5.3以后，就不在推荐使用POSIX这则函数库了，若程序中使用了就会报Deprecated级别的错误。

正则表达式的组成

在PHP里，一个正则表达式分为三个部分：分隔符、表达式和修饰符。

分隔符：可以是除了字母、数字、反斜杠（\）及空白字符以外的任何字符。为了避免混淆，一般不使用正斜线作为分隔符。

表达式：由一些特殊字符和非字符的字符串组成。

修饰符：用于开启或者关闭某种功能/模式。

测试工具

Regex Tester

Fierfox扩展：Regular Expression Tester

元字符

定义

元字符是正则表达式中具有特殊意义的专用字符，用来规定其前导字符（即位于元字符前面的字符）在目标对象中的出现模式。

常见元字符

常见元字符有很多种，如：。。。

.

匹配除换行符以外的任意字符

\w

匹配字符或数字或下划线或汉字

\s

匹配任意空白字符

\d

匹配数字

\b

匹配单词的开始或结束，

也就是单词的分解处，虽然通常英文单词是由空格、标点符号或者换行符来分割，但是“\b”并不是匹配这些单词分割字符中的任何一个，它只是一个位置

^

匹配字符串的开始

$

匹配字符串的结束

-

表示范围，可以与下一个元字符组合使用，如[0-9] 与\d同义、[a-z0-9A-Z_] 与\w同义

[ ]

匹配括号中的任意一个字符，注意是匹配其中的单个字符，比如 b[abc] 可以匹配ba、bb、bc，而babc则不匹配。

*、+、?

量词

* 重复0次或者更多次

+ 重复1次或者更多次

? 重复0次或者1次

{n} 重复n次

{n,} 重复n次或者更多次

{n,m} 重复n到m次

匹配规则

如果想要匹配没有预定义元字符的字符集合，或者表达式与已知定义相反，或者存在多种匹配情况，就需要使用匹配规则了。

字符组

如 [0-9a-zA-Z_] 一个字符组

字符组很简单，但是一定要弄清楚字符组中什么时候需要转义。

转义

如果想查找或匹配元字符本身，比如查找*、？等就会出现问题：没办法指定，因为它们会被解释成别的意思。这时就使用 \ 来取消这些字符的特殊意义。因此，应该使用 \. 和 \* 。当然查找 \ 本身用 \\ 。这就叫做转义。

在PHP里使用反斜杠 \ 表示转义， \Q 和 \E 也可以再模式中忽略正则表达式元字符，比如：\d+\Q.&.\E& ，这个表达式先匹配一个或多个数字，紧接着一个点号，然后一个$，在然后一个点号，最后是字符串结尾。也就是说，\Q 和 \E 之间的元字符都会被作为普通字符用来匹配。 【注意：\Q\E是在PHP中生效】

由于字符组 [ ] 匹配的里面的单个字符，所以他里面的内容不需要转义。例如：c[aou?*]t  是合法的，当然如果转义了也是无效的，不过 \ 就不能再匹配了，例如：[abc\}] 中的 \ 就不能再匹配了。

反义

有些时候，查找的字符不是某个字符类，或者表达式和已知定义相反（比如除了数字以外的任意字符），这时就需要用到反义。反义有一个比较明显的特征：和已知的元字符相反，并且都为大写。在日常工作中反义用的不多，因为反义扩大了范围，而可能造成自己没有考虑到的情况。常用的反义有：

\W

匹配任意不是字母、数字、下划线、汉字的字符

\S

匹配任意不是空白符的字符

\D

匹配任意非数字的字符

\B

匹配不是单词开头或者结束的位置

[^x]

匹配除了x以外的任意字符。【注意：这里的^是“非”的意思，和前面的^不一样】

[^aeiou]

匹配除了aeiou这几个字母以外的字符

分支

分支就是存在多种可能的匹配情况。例如要匹配“cat”、“hat”、“toat”，用字符组[chto]at就不能匹配，这时候就要用到分支了。

对于上面的例子，使用分支的匹配可以这么做：(c|h|to)at，其中括号里的表达式将视作一个整体（括号以上一种元字符，在分组的概念里面会讲到）， | 表示分支，即可能存在的多种情况，可以匹配多个字符。相对字符组而言，分支的功能更强大，字符组只能对单个字符“分支”，而分支可以是多个字符以及更复杂的表达式。但对于单个字符，字符组的方式更加高效，所以说能用字符组的时候不要使用分支。

正则表达式分支条件指有几种规则，无论满足哪一种规则都能匹配。例如：0\d{2}-\d{8}$|\0\d{3}-\d{4}$   或者\(0\d{2}\)[-]?\d{8}|0\d{2}[-]?\d{8} 可以匹配类似于022-88889999等

分组

重复单个字符只需要直接在字符后面加上限定符，但如果想重复多个字符又该怎么办呢？可以用小括号指定子表达式，然后规定这个子表达式的重复次数，以可以对子表达式进行其他一些操作。这就是分组。

例如IP地址匹配表达式如下：(\d{1,3}\.){3}\d{1,3}，当然了，这个并不能严格匹配IP地址，

要想完整匹配，可以用这样的表达式：(( 2[0-4]\d|25[0-5]| [01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)

常用的分组语法有：

捕获

(exp) 匹配exp，并捕获文本到自动命名的组里

(?<name>exp) 匹配exp，并捕获文本到名称为name的组里，也可以写成(?'name'exp)

(?:exp) 匹配exp，不捕获匹配的文本，也不给此分组分配组号

零宽断言

零宽断言用于查找表达式exp之前或者之后的一个位置，也就是说可以匹配某些之后或者之前是exp的字符串。

(?=exp) 匹配exp前面的位置

(?<=exp) 匹配exp后面的位置

(?!exp) 匹配后面跟的不是exp的位置

(?<!exp) 匹配前面不是exp的位置

注释

(?#comment) 提供注释辅助阅读，不对正则表达式的处理产生任何影响

一些例子

1，匹配以字母a开头的单词： \ba\w*\b

2，匹配1个或者多个连续的数字： \d+

3，匹配刚好6个字符的单词： \b\w{6}\b

4，匹配填写的QQ号必须为5~11位数字： ^\d{5,11}$

5，匹配中国部分地区的电话号码： \d*-\d* 【注意：这里的“-”不是上面的元字符，只匹配它本身（连字符），或者叫减号、中横线等等....】

6，匹配不包含空白符的字符串：\S+

7，用尖括号括起来，以a开头的字符串：<a[^>]+>

惯例与需要注意的地方

*：正则表达式中并没有提供关于数学的任何功能，所以只能使用冗长的分组、选择、字符类来描述！

1，单词：正则表达式里“单词”指不少于1个的连续字母和数字。

2，在学习量词的过程中，要注意*和?这两个量词，在通配符中也有这两个符号，要注意他们之间的区别

注：

本笔记是在阅读《PHP核心技术与最佳实践》中产生的，感谢下原作者哈~很好的一本书。