php 正则表达式 环视,深入理解正则表达式高级教程

前面已经写过一篇文章《我眼里的正则表达式(入门)》介绍过正则表达式的基础和基本套路正则三段论：定锚点，去噪点，取数据了，接下来这篇文章，补充一点相对高级的概念：1. 概念一：按单字符匹配

2. 概念二：匹配优先和不匹配优先

3. 概念三：贪婪模式与非贪婪模式

4. 概念四：环视(断言)

5. 概念五：平衡组

6. 概念六：模式修饰符

7. 附：正则三段论应用

概念一：按单字符匹配

正则里面的数据都是按照单个字符来进行匹配的，这个通过数值区间的例子最容易体现出来，比如，示例一：

我要匹配0-15的数值区间，用正则来写的话，便是[0-9]|1[0-5]，这里，便是把0-9这种单字符的情况，和10-15这种多字符的情况拆分开了，使用分支|来区分开，表示要么是0-9，要么是10-15。

上面是两位数值的情况，现在延伸至1-65535，我个人的处理思想是从大到小，一块块分解：

1.65530-65535==>6553[0-5]末位区间0-5

2.65500-65529==>655[0-2][0-9]第四位区间0-2，末位区间0-9

3.65000-65499==>65[0-4][0-9]{2}第三位区间0-4，后两位0-9

4.60000-64999==>6[0-4][0-9]{3}第二位区间0-4，后三位0-9

5.10000-59999==>[1-5][0-9]{4}第一位区间1-5，后四位0-9

6.1-9999==>[1-9][0-9]{0,3}第一位只能是1-9，后三位可有可无

最后组合起来：

(6553[0-5]|655[0-2][0-9]|65[0-4][0-9]{2}|6[0-4][0-9]{3}|[1-5][0-9]{4}|[1-9][0-9]{0,3})

便得到1-65535匹配正则。

根据数据处理需求，可以在正则前后加上^和$，以匹配整个数据串，或者前后加入\b，把它当做单词边界处理。没有限定字符的边界往往是js正则判断中常见的错误之一。

概念二：匹配优先和不匹配优先

匹配优先和不匹配优先从字面理解也是比较容易的，所谓匹配优先，就是，能匹配我就先匹配；不匹配优先就是，能不匹配我就先不匹配，这段匹配先跳过，先看看后面的匹配能不能通过。

概念三：贪婪模式与非贪婪模式

正则的贪婪模式和非贪婪模式是一个比较容易混淆的概念，不过，我们可以这么理解，一个人很贪婪，所以他会能拿多少拿多少，换过来，那就是贪婪模式下的正则表达式，能匹配多少就匹配多少，尽可能最多。而非贪婪模式，则是能不匹配就不匹配，尽可能最少。

下面举个例子，示例二：需求：匹配1后面跟任意个0

源串：10001

使用贪婪模式：10* 结果：1000 和 1

使用非贪婪模式：10*? 结果：1 和 1

首先，*是匹配0个或多个的意思。

贪婪模式下，它表示，首先匹配一个1，然后匹配1后面的0，最多可以匹配3个0，因此得到1000，然后第二次又匹配到一个1，但是后面没有0，因此得到1；

非贪婪模式下，它表示，首先匹配一个1，然后1后面的0，能不匹配就不匹配了，所以，它每次都只是匹配了一个1。

看到这里，也许，有些人觉得，哎呀，我懂了！

那么，下来我们改改，看看你是不是真懂了。

示例三：需求：匹配1后面跟任意个0，再跟一个1

源串：10001

使用贪婪模式：10*1 结果：10001

使用非贪婪模式：10*?1 结果：10001

为什么这两次的结果一样了？

因为，正则表达式要判断完这整个正则才算成功，这种情况下，

贪婪模式，首先匹配一个1，然后匹配1后面尽可能多的0，发现3个，再匹配0后面的一个1，正则表达式匹配完，完成匹配，得到10001；

非贪婪模式，首先匹配一个1，然后，0*?是非贪婪模式，它不想匹配了(非贪婪模式不匹配优先)，看看后面是不是1了？然后发现哎妈呀，后面是个0啊，然后它回头，不能再偷懒了，用0*?匹配一个0吧，然后匹配到10，又不想匹配了，看看后面有没有1了，还是没有，又回去用0*?匹配掉一个0，得到100，继续偷懒，但是发现后面还不是1，然后又用0*?匹配得到1000，最后，发现真不容易啊，终于看到1了，匹配得到10001，正则表达式匹配完，完成匹配。

看到这里，是不是懂了？

那究竟哪个模式好呢？

什么时候使用贪婪模式，什么时候使用非贪婪模式，哪个性能好，哪个性能不好，不能一概而论，要根据情况分析。

下面我举个例子：

源码：

我眼里的正则表达式(入门)

我眼里的正则表达式(入门)

正则1：]*?href="([^"]*?)"[^>]*?>([^(238次)

正则2：]*?href="([^"]*)"[^>]*>([^(65次)

正则3：]*href="([^"]*)"[^>]*>([^(136次)

附：执行次数的获取请下载正则表达式测试工具：RegexBuddy 4.1.0-正则测试工具.rar，使用里面的Debug功能。

正则1是通用写法，正则2是在确定字符不会溢出的情况下消除非贪婪模式，正则3是证明并不是全部消除非贪婪模式就是最优。

因此，关于贪婪模式好还是非贪婪模式好的讨论，只能说根据需求而定，不过，在平时的时候用，一般使用非贪婪模式较多，因为贪婪模式经常会由于元字符范围限制不严谨而导致匹配越界，得到非预期结果。

在确定的数据结构里，可以尝试使用[^>]*>这样的排除字符贪婪模式替换非贪婪模式，提升匹配的效率。注意，贪婪部分([^>]*)的匹配，最好不要越过其后面的字符(>)，否则会导致贪婪模式下的回溯，如正则3，[^>]*的匹配越过了href，一直匹配到>为止，而这时候再匹配href，会匹配不到而导致多次回溯处理，直到回溯到href前的位置，后面才继续了下去。

另外，需要注意一点，无论使用贪婪模式还是非贪婪模式，在不同语言需要注意回溯次数和嵌套次数的限制，比如在PHP中，pcre.backtrack_limit=100000，pcre.recursion_limit=100000。

概念四：环视(断言/零宽断言)

环视，在不同的地方又称之为零宽断言，简称断言。

用一句通俗的话解释：

环视，就是先从全局环顾一遍正则，(然后断定结果，)再做进一步匹配处理。

断言，就是先从全局环顾一遍正则，然后断定结果，再做进一步匹配处理。

两个虽然字面不一样，意思却是同一个，都是做全局观望，再做进一步处理。

环视的作用相当于对其所在位置加了一个附加条件，只有满足这个条件，环视子表达式才能匹配成功。

环视主要有以下4个用法：

(?<=exp) 匹配前面是exp的数据

(?

(?=exp) 匹配后面是exp的数据

(?!exp) 匹配后面不是exp的数据

示例四：

(?<=B)AAA 匹配前面是B的数据，即BAAA匹配，而CAAA不匹配

(?

AAA(?=B) 匹配后面是B的数据，即AAAB匹配，而AAAC不匹配

AAA(?!B) 匹配后面不是B的数据，即AAAC能匹配，而AAAB不能匹配

另外，还会看到(?!B)[A-Z]这种写法，其实它是[A-Z]范围里，排除B的意思，前置的(?!B)只是对后面数据的一个限定，从而达到过滤匹配的效果。

因此，环视做排除处理是比较实用的，比如，示例五：需求：字母、数字组合，不区分大小写，不能纯数字或者纯字母，6-16个字符。

通用正则：^[a-z0-9]{6,16}$ 字母数字组合，6-16个字符

排除纯字母：(?!^[a-z]+$)

排除纯数字：(?!^[0-9]+$)

组合起来：(?!^[a-z]+$)(?!^[0-9]+$)^[a-z0-9]{6,16}$

注意，环视部分是不占宽度的，所以有零宽断言的叫法。

所谓不占宽度，可以分成两部分理解：

1、环视的匹配结果不纳入数据结果

2、环视它匹配过的地方，下次还能用它继续匹配。

如果不是环视，则匹配过的地方，不能再匹配第二次了。

上面示例四体现了：环视的匹配结果不纳入数据结果，它的结果：

(?<=B)AAA源串：BAAA结果：AAA

(?

AAA(?=B)源串：AAAB结果：AAA

AAA(?!B)源串：AAAC结果：AAA

而示例五体现了：环视它匹配过的地方，下次还能用它继续匹配

因为，整个匹配过程中，正则表达式一共走了3次字符串匹配，第一次匹配不全部是字母，第二次匹配不全部是数字，第三次匹配全部是字母数字组合，6-16个字符。

扩展部分：

`[A-Z](?<=B)`[A-Z]范围等于B

`[A-Z](?

`(?!B)[A-Z]`[A-Z]范围排除B

附： js不支持(?<=exp) 和 (?

概念五：平衡组

平衡组并不是所有程序语言都支持，而我本人使用的PHP语言就不支持，所以平时接触也是比较少的。

平衡组主要用到下面四个语法：

(?'group')把捕获的内容命名为group,并压入堆栈(Stack)

(?'-group')从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败

(?(group)yes|no)如果堆栈上存在以名为group的捕获内容的话，继续匹配yes部分的表达式，否则继续匹配no部分

(?!)零宽负向先行断言，由于没有后缀表达式，如没有(?!B)的B，试图匹配总是失败

在PHP中是支持(?(group)yes|no)语法的，这里的group是分组编号，即子模式编号，如(A)?(?(1)yes|no) ，匹配Ayes 和 no

下面这里引用《正则表达式30分钟入门教程#平衡组》关于<>配对匹配的例子，展示平衡组用法，

< #最外层的左括号

[^<>]* #最外层的左括号后面的不是括号的内容

(

(

(?'Open'

[^<>]* #匹配左括号后面的不是括号的内容

)+

(

(?'-Open'>) #碰到了右括号，擦掉一个"Open"

[^<>]* #匹配右括号后面不是括号的内容

)+

)*

(?(Open)(?!)) #在遇到最外层的右括号时，判断黑板上还有没有没擦掉的"Open"；如果还有，则匹配失败

> #最外层的右括号

平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配嵌套的

标签：

]*>[^<>]*(((?'Open'

]*>)[^<>]*)+((?'-Open'

)[^<>]*)+)*(?(Open)(?!))

概念六：模式修饰符

模式修饰符在许多程序语言中都支持的，比如最常见的是i，不区分大小写，如javascript里的/[a-z0-9]/i，表示匹配字母数字，不区分大小写。

本人在写php正则时常用的模式修饰符主要有i和s，如：

$pattern = '#[a-z0-9]+#is';

模式修饰符s的作用主要是的.能够匹配换行，在处理换行数据时，通常会用到。

在PHP中，模式修饰符有两种用法，一种是上面的，在分隔符后面的模式修饰符，它的作用范围是全局；另一种是在正则表达式中间的。

例如：

正则：/((?i)[A-Z]+)c/

测试字符：abcABC

匹配：abc

说明：局部(ab)的大小写被忽略了，(?i)的作用范围在分组1内

如果把正则改成：/([A-Z]+)c/i，则匹配结果将是：abcABC

示例地址：PHP正则表达式中间的模式修饰符

关于PHP模式修饰符的讲解，请查看PHP手册中的《PHP模式修饰符》。

七：正则三段论应用

《我眼里的正则表达式(入门)》 和 本文《深入正则表达式应用》几乎倾尽本人正则学习全部思想，但是很多读者反馈，看晕了！看到如此点评，实属无奈，因此，有必要追加本节，来个整体统筹运用，希望能让大家犹如拨云见月，洞悉其中的精义。

正则三段论：定锚点，去噪点，取数据

两篇文章中，最重要的部分当属正则三段论：定锚点，去噪点，取数据，它是整个正则处理过程中的灵魂，它贯穿整个正则撰写过程。

下面举例说明它的思想，示例六：

源数据：标题：深入正则表达式应用，作者：Zjmainstay

需求：匹配作者名字

我要从源数据取到Zjmainstay这个作者名，那么，在这里，作者：就是我们所说的锚点，因为在上面这段数据中它能够唯一定位到我们的数据Zjmainstay(就在它后面)，因此，我们得到

(1) 定锚点：作者：

而在这里，我们不需要关心标题什么的，因此，标题：深入正则表达式应用，就是我们的噪点，因此，我们得到

(2) 去噪点

最后，我们确定作者：后面就是我们的数据，这个数据可以是任意字符，因此，我们得到正则：

作者：(.*)

而噪点部分，因为不会对数据取值造成干扰，直接去掉，不需要引入正则中。

下面再举一个噪点干扰的例子，示例七：

源数据：正则表达式入门教程

需求：提取链接和标题，还有a标签的文字

看到这个源数据和需求，我们必须定位好锚点，主要有：

1.

2. href=" 和 " //href=""的内容得到链接

3. title=" 和 " //title=""的内容得到标题

4. > 和

//>和的内容得到标签文字

然后，其他的都是噪点，使用.*?替代，需要提取的数据部分使用括号获取子模式，得到分组数据，因此得到正则：

(.*?)

看到这里，也许有朋友觉得，我还是不会写，那么，再来一个更简单的构建方法，细化步骤，从源串逐步得到正则，示例八：

1.直接拷贝源串，特殊字符处理转义(本例没特殊字符)

正则表达式入门教程

2.从左到右，一段段转化

2.1正则表达式入门教程

2.2正则表达式入门教程

2.3正则表达式入门教程

2.4(.*?)

3.得到最终的正则

(.*?)

至此，正则三段论的基本思想已经展示完毕，大家还有什么不解请评论留言，本人看到会第一时间给予回复。

熟悉正则三段论处理思想，剩下的便是基本语义的熟练程度了，这个通过多用多练可以达到熟能生巧的境界。

最后留下一句至尊提醒：.是万能字符，大家看着用，遇到换行使用[\s\S]替换.即可。

(完)

如果读者有不同见解，请加Q群联系交流，谢谢！

欢迎加群(434252251)讨论正则问题：

未经同意禁止转载！