PHP 正则表达式

正则表达式简介

• 正则表达式是用于描述字符排列和匹配模式的一种语法规则。它主要用于字符串的模式分割、匹配、查找及替换操作。PHP函数查找也是一种正则表达式。
  • PHP正则就是用来模糊匹配或者精确匹配的一种手段。在现实中会经常遇到这种手段，比如去注册一个网站，你输入的用户名，网站会告诉你不合法，或者长度不够等等。这些都可以用正则表达式做到
  • 正则表达式也是网站中常用的一种技术手段，就是为了检测一些非法的，不合规的字符串所使用的。
• 在PHP中，正则表达式一般是由正规字符和一些特殊字符（类似于通配符）联合构成的一个文本模式的程序性描述。
• PHP中，正则表达式有三个作用：
  • 匹配，也常常用于从字符串中析取信息。
  • 用新文本代替匹配文本。
  • 将一个字符串拆分为一组更小的信息块。
• 一个正则表达式中至少包含一个原子（一个内容，也就是一个匹配的东西、一个A、一个通配符、等等）。

• 在PHP中有两套正则表达式函数库，两者功能相似，只是执行效率略有差异：

  • 一套是由PCRE（Perl Compatible Regular Expression）库提供的。使用 preg_ 为前缀命名的函数，它的效率比较高，推荐。
  • 一套由POSIX（Portable Operating System Interface of Unix ）扩展提供的。使用以 ereg_ 为前缀命名的函数；
  • PCRE 来源于 Perl 语言，而 Perl 是对字符串操作功能最强大的语言之一，PHP 的最初版本就是由Perl开发的产品，后来用 C 语言重写（你需要了解下）
  • PCRE 语法支持更多特性，比 POSIX 语法更强大。

* 正则表达式的语法规则

1. 定界符

• 在程序语言中，使用与 Perl 兼容的正则表达式，通常都需要将模式表达式放入定界符之间，如“/”。
  • 定界符可以理解为一个边界，这个边界有开始有结束。
  • 当放入这个边界之后，程序就知道了在这个边界内部，是你写的正则表达式。这就是定界符的作用。
• 作为定界符常使用斜线 “/”，如 “/apple/” 。用户只要把需要匹配的模式内容放入定界符之间即可。作为定界的字符也不仅仅局限于 “/”。除了字母、数字和斜线 “\” 以外的任何字符都可以作为定界符，像 “#”、“|”、“!” 等都可以的。（但是都不推荐使用，只推荐“/”）

2. 原子

• 原子是正则表达式的最基本的组成单元，而且在每个模式中最少要少包含一个原子。
  • 就像我们写英文单词一样，我们26个英文字母就是一个最基本的单元，通过这些字母可以组合成所有的单词。
  • 正则表达式也一样。原子就是正则表达式最基本单元的组成单元。
  • 并且在每一个模式中，至少要包含一个原子。就像英文单词一样，最少需要一个英文字母。
• 原子是由所有那些未显示指定为元字符的打印字符（能输出，能打印的）和非打印字符（看不见的，比如换行符等）组成，具体分为5类。

1. 普通字符作为原子： 如 a ~ z、A ~ Z、0~9 等
2. 一些特殊字符和转义后元字符作为原子：所有标点符号，但语句特殊意义的符号需要转义后才可作为原子，如：\” \’ * + ? . （都是通配符，需要转义后，可以输出、直接打印）等
3. 一些非打印字符作为原子： 如：\f \n （常用） \r（常用） \t \v \cx
4. 使用“通用字符类型”（一个表示多个）作为原子：如：\d \D \w \W \s \S。
5. 自定义原子表([])作为原子：如：’/[apj]sp/’ ’/ [ ^apj ] sp/’

常用的非打印字符

原子字符	含义描述
\cx	匹配由 x 指明的控制字符。如 \cM 匹配一个 Control-M 或者回车符。x 的值必须为 A~Z 或者 a~z 之一。
\f	匹配一个换页符，等价于 \x0c 或 \cL
\n	匹配一个换行符，等价于 \x0a 或 \cJ
\r	匹配一个回车符，等价于 \x0d 或 \cM
\t	匹配一个制表符，等价于 \x09 或 \cI
\v	匹配一个垂直制表符，等价于 \x0b 或 \cK

常用的通用打印字符

原子字符	含义描述
\d	匹配任意一个十进制数字，等价于 [0-9]
\D	匹配任意一个除十进制以外的字符，等价于 [^0-9]
\s	匹配任意一个空白符，等价于 [\f\n\r\t\v]
\S	匹配除空白符以外任何字符，等价于 [^\f\n\r\t\v]
\w	匹配任意一个数字，字母或下s画线，等价于 [0-9a-zA-Z]
\W	匹配一个数字、字母或下划线以外的任意一个字符，等价于 [^0-9a-zA-Z]

3. 元字符

元字符	含义描述
*	匹配0次、1次或多次其前的原子（\d\d => \d*）
+	匹配1次或多次其前的原子 （和 * 基本一样，至少会有一次）
?	匹配0次或1次其前的原子（要么没有，要么只有一位）
.	匹配除了换行符外的任意一个字符
|	匹配两个或多个分支选择（或的意思，前面写个原子，后面写个原子，两者选一）
{n}	表示其前面的原子正好出现n次（举例、匹配3位的整数：\d{3}）
{n,}	表示其前面的原子出现不小于n次
{n,m}	表示其前面的原子至少出现n次，最多出现m次（举例、3到5位字符串：\w{3,5}）
^ 或 \A	匹配输入字符串的开始位置（或是多行模式下行的开头，即紧随一个换行符之后：^http）
$ 或 \Z	匹配输入字符串的结束位置（或是多行模式下行的结尾，即紧随一个换行符之前：com$）
\b	匹配单词的边界
\B	匹配除单词边界以外的部分
[]	匹配方括号中指定的任意一个原子 （[abc]）
[^]	匹配除方括号中的原子以外的任意一个字符（[^abc]）
()	匹配其整体为一个原子，即模式单元。可以理解为由多个单子原子组成的大原子（(http)）

4. 字符串边界限制

• 在某些情况下，需要对匹配范围进行限定，以获得更准确的匹配结果。^ 和 $ 分别指定字符串的开始和结束。
• 例如，在字符串“Tom and Jerry chased each other in the house until Tom’s uncle come in”中
  • 元字符 ^ 或 \A 置于字符串的开始确保模式匹配出现在字符串首端： /^Tom/
  • 元字符 $ 或 \Z 置于字符串的结束，确保模式匹配出现字符串尾端：/in$/
  • 如果不加边界限制元字符，将获得更多的匹配结果。
  • /^Tom$/ 精确匹配、/Tom/ 模糊匹配

5. 单词串边界限制

• 在使用各种编辑软件的查找功能时，可以通过选择“按单词查找”获得更准确的结果。正则表达式中也提供类似的功能。
• 例如：在字符串“This island is a beautiful land”中
  • 元字符 \b 对单词的边界进行匹配；
  • /\bis\b/ 匹配单词 “is”，不匹配 “This” 和 “island”。
  • /\bis/ 匹配单词“is”和“island”中的 “is”，不匹配 “This”。
  • 元字符 \B 对除单词边界以外的部分进行匹配。
  • /\Bis\B/ 将明确的指示不与单词的左、右边界匹配，只匹配单词的内部。所以在这个例子中没有结果。
  • /\Bis/ 匹配单词 “This” 中的 “is”。

6. 重复匹配（?、*、+）

• 正则表达式中有一些用于重复匹配某些原子的元字符：?、*、+。他们主要的区别是重复匹配的次数不同。
• 元字符 ?：表示0次或1次匹配紧接在其前的原子。例如：/colou?r/ 匹配 “colour” 或 “color”。
• 元字符 *：表示0次、1次或多次匹配紧接在其前的原子。例如：/zo*/ 可以匹配z、zoo。
• 元字符+：表示1次或多次匹配紧接在其前的原子。例如：/go+gle/ 匹配“gogle”、“google”或“gooogle”等中间含有多个o的字符串。

7. 任何一个字符( . )

• 元字符 . 匹配除换行符外任何一个字符。
  • 相当于：[^\n] （Unix系统）或[^\r\n]（windows系统）。
  • 例如：/pr.y/ 可以匹配的字符串“prey”、“pray”或“pr%y”等。
• 通常可以使用 .* 组合来匹配除换行符外的任何字符。在一些书籍中也称其为“全匹配符” 或 “单含匹配符”。
  • 例如：/^a.*z$/ 表示可以匹配字母“a”开头，字母“z”结束的任意不包括换行符的字符串。
  • /.+/ 也可以完成类似的匹配功能所不同的是其至少匹配一个字符。
  • /^a.+z$/ 匹配“a％z”不匹配字符串“az”。

8. 重复匹配（{}）

• 元字符 { } 准确地指定原子重复的次数，指定所匹配的原子出现的次数。
  • {m} 表示其前原子恰好出现m次。
  • {m,n} 表示其前原子至少出现m次，至多出现n次。
  • {m,} 表示其前原子出现不少于m次。
• 举例说明：
  • /zo{1,3}m/ 只能匹配字符串“zom”、“zoom”、或“zooom”。
  • /zo{3}m/ 只能匹配字符串“zooom”。
  • /zo{3,}m/ 可以匹配以 “z” 开头，“m”结束，中间至少3个“o”的字符串
  • /bo{0,1}u/ 可以匹配字符串“bought a butter” 中的“bou”和“bu”,等价于bo?u。

9. 原子表（[-]）

• 原子表 [-] 用于连接一组按ASCII码顺序排列的原子，简化书写。
• 举例说明：
  • /x[0123456789]/ 可以写成 x[0-9]，用来匹配一个由 “x” 字母与一个数字组成的字符串。
  • /[a-zA-Z]/ 匹配所有大小写字母
  • /^[a-z][0-9]$/ 匹配比如“z2”、 “t6” 、“g7”
  • /0[xX][0-9a-fA-F]/ 匹配一个简单的十六进制数字，如“0x9”。
  • /[^0-9a-zA-Z_]/ 匹配除英文字母、数字和下划线以外任何一个字符，其等价于 \W。
  • /0?[ xX][0-9a-fA-F]+/ 匹配十六进制数字，可以匹配“0x9B3C”或者“X800”等。
  • /<[A-Za-z][A-Za-z0-9]*>/ 可以匹配<p>，<h1> 或 <body> 等。

10. 模式选择符（|）

• 元字符 | 又称模式选择符。在正则表达式中匹配两个或更多的选择之一。
• 在字符串“There are many apples and pears.”中，/apple|pear/ 在第一次运行时匹配“apple”；
• 再次运行时匹配“ pear”。也可以继续增加选项，如：/apple|pear|banana|lemon/

11. 模式单元（()）

• 待更新

与 Perl 兼容的正则表达式函数

• 待更新