PHP正则表达式总结

一.关于正则表达式的流派

正则表达式从诞生之日起到现在，不同的语言和工具支持了正则表达式，也因此产生了不同的流派：

1.greg:早期实现正则的工具，支持的元字符比较有限（例如重复匹配符“+”，“？”不被支持）
2.egrep：在grep的基础上，扩展了所支持的元字符（例如支持了“+”，“？”）
3.PCRE（兼容Perl）：由于Perl语言对正则表达式标准进行了比较好的整合，很多语言都借鉴了perl的正则语法，实现“兼容Perl”，例如java（java有多个正则表达式包），php，python等；
4.其他正则流派：awk，led，sed等；

（由于本人知识有限，下面的都是以PHP中的正则语法作为标准）

二.正则表达式的匹配原理（PHP）

正则表达式在匹配字符串时，遵循以下2个基本原则：

1.最左原则：正则表达式总是从目标字符串的最左侧开始，依次匹配，直到匹配到符合表达式要求的部分，或直到匹配目标字符串的结束。

2.最长原则：对于匹配到的目标字符串，正则表达式总是会匹配到符合正则表达式要求的最长的部分；

举个例子：

this is a gooooooooood news！

使用如下正则表达式匹配

/[h]?is/

观察目标字符串可以看出，“this”中his 和 之后“is”都是符合要求的，但是由于“最左最长”原则，最终匹配到的是“his”

匹配过程：

根据“最左最长”原则，正则表达式会从目标字符串最左侧的“t”开始匹配，发现不符合要求，于是跳过“t”，匹配第二个字符“h”，发现“h”可以符合正则表达式的第一个元字符，于是开始比对“h”之后的“i”和正则表达式中的第二个元字符是否匹配，以此类推；最后发现“this”中的“his”能够符合正则表达式的要求，于是停止匹配，并且返回匹配结果“his”。

注：有些正则流派（比如awk），在匹配到符合要求的字符串后并不会停止向后匹配，而是会对比所有符合要求的字符串，选择最长的结果

三.正则表达式常用元字符简介

1.字符匹配符

符号	描述	实例
\s	匹配任何空白字符，包括空格、制表符、换页符等等。
\S	匹配任何非空白字符
\d	匹配一个数字字符。等价于 [0-9]
\d	匹配一个数字字符。等价于 [0-9]。
\D	匹配一个非数字字符。等价于 [^0-9]。
\f	匹配一个换页符。等价于 \x0c 和 \cL。
\n	匹配一个换行符。等价于 \x0a 和 \cJ。
\r	匹配一个回车符。等价于 \x0d 和 \cM。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S	匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于 \x09 和 \cI。
\v	匹配一个垂直制表符。等价于 \x0b 和 \cK。
\w	匹配包括下划线的任何单词字符。等价于’[A-Za-z0-9_]’。
\W	匹配任何非单词字符。等价于 ‘[^A-Za-z0-9_]’。
.	匹配除 “\n” 之外的任何单个字符
\xn	匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，’\x41’ 匹配 “A”。’\x041’ 则等价于 ‘\x04’ & “1”。正则表达式中可以使用 ASCII 编码。
\nm	标识一个八进制转义值或一个向后引用。如果 \nm 之前至少有 nm 个获得子表达式，则 nm 为向后引用。如果 \nm 之前至少有 n 个获取，则 n 为一个后跟文字 m 的向后引用。如果前面的条件都不满足，若 n 和 m 均为八进制数字 (0-7)，则 \nm 将匹配八进制转义值 nm。
\nml	如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。
\un	匹配 n，其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如， \u00A9 匹配版权符号(?)。

2.定位符

符号	描述	实例
^	匹配输入字符串的开始位置。
$	匹配输入字符串的结束位置。

3.限定符

符号	描述	实例
*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 “z” 以及 “zoo”。* 等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，’zo+’ 能匹配 “zo” 以及 “zoo”，但不能匹配 “z”。+ 等价于 {1,}。
?	匹配前面的子表达式零次或一次。例如，”do(es)?” 可以匹配 “do” 或 “does” 中的”do” 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 n 次。例如，’o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的两个 o。
{n,}	n 是一个非负整数。至少匹配n 次。例如，’o{2,}’ 不能匹配 “Bob” 中的 ‘o’，但能匹配 “foooood” 中的所有 o。’o{1,}’ 等价于 ‘o+’。’o{0,}’ 则等价于 ‘o*’。
{n,m}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，”o{1,3}” 将匹配 “fooooood” 中的前三个 o。’o{0,1}’ 等价于 ‘o?’。请注意在逗号和两个数之间不能有空格。
|	用于分隔两个需要匹配的正则块，表示‘或’的关系，例如x|y,匹配输入字符串中的x或y，相当于[xy]

3.括号

符号	描述	实例
（）	捕获性括号，用于正则的反向引用，见“反向引用说明”	/aaaa(bb)/
（?:）	非捕获性括号，用于正则表达式的反向引用，见“反向引用说明”	/aaaa(?:ccc)/
[]	表示匹配[]中任意一个单个字符，一些正则符号在[]中，相当于被转移了，但是有些符号依然需要通过\符号转义;需要特殊说明的是，^符号如果在[]中的第一个，表示匹配不在[]中的字符，例如[^a]可以匹配到字符串“abcde”中的”bcde”

4.通用字符簇

符号	描述	实例
[[:alpha:]]	任何字母
[[:digit:]]	任何数字
[[:alnum:]]	任何字母和数字
[[:space:]]	任何空白字符
[[:upper:]]	任何大写字母
[[:lower:]]	任何小写字母
[[:punct:]]	任何标点符号
[[:xdigit:]]	任何16进制的数字，相当于[0-9a-fA-F]

**

四.反向引用

**

对一个正则表达式模式或部分模式两边添加圆括号将导致相关匹配存储到一个临时缓冲区中，所捕获的每个子匹配都按照在正则表达式模式中从左到右出现的顺序存储。缓冲区编号从 1 开始，最多可存储 99 个捕获的子表达式。每个缓冲区都可以使用 ‘\n’ 访问，其中 n 为一个标识特定缓冲区的一位或两位十进制数。

例如，下面的字符串：

Is is the cost of of gasoline going up up?

如果我想匹配到字符串中的“up up”，我可以这样写正则：

/up\sup/

但是显然这么写，显得有些笨拙，于是这里，我们就可以使用反向引来达到目的：

/(up)\s\1/

在这条表达式当中，“\1”代表了()括号中匹配到的字符串，其中数字”1“代表了捕获型括号的编号

捕获型括号的编号，遵循”从外到内，从左到右“进行编号，例如匹配下面的url地址：

http://www.w3cschool.cc:80/html/html-tutorial.html

使用的正则表达式如下：

/((\w+):\/\/([^/:]+)(:\d*)?)([^# ]*)/

其括号的编号如下：

第一个括号为((\w+):\/\/([^/:]+)(:\d*)?)，子表达式包含”http://www.w3cschool.cc:80“，

第二个括号为(\w+)，子表达式包含”http”

第三个括号为([^/:]+)，子表达式包含”www.w3cschool.cc”

第四个括号为(:\d*)，子表达式包含”:80”

第五个括号为([^# ]*)，子表达式包含”/html/html-tutorial.html”

这时，\2代表“http”

假如，我并不想捕获域名中的协议（http），也就是说，在反向引用中，第一个括号中的内容，不想要匹配到，怎么办呢？

这是，我们可以使用另一种括号，非捕获型括号——”(?:)”,

依然是上例中的域名，这时的正则表达式可变为：

/((?:\w+):\/\/([^/:]+)(:\d*)?)([^# ]*)/

这时反向引用，\2 则变为“www.w3cschool.cc”

\0代表被匹配到的最长的字符串。

五.懒惰模式和贪婪模式

懒惰模式和贪婪模式是相对的，

顾名思义，在匹配当中，想要匹配到的字符串尽量长，就是贪婪模式；如果只要字符串的长度达到基本要求就好，就是懒惰模式；

在正则表达式的组成上，如果字符匹配符在使用“*”,“+”等限定符时，在之加了”?”,就是懒惰模式；如果没有加“？”，就是贪婪模式；

在“元字符简介”当中提到，“+”（至少有1个匹配，或者匹配无限多个）可以匹配无限多个指定要求的单个字符，这就是贪婪模式；如果在之后加上“？”，表达式的要求就变为”指定的字符串只匹配1个就行”，这就是懒惰模式；

举个例子：

目标字符串如下：

isisisisisisisis

使用贪婪模式的正则表达式：

/(is)+/

匹配结果如下：

isisisisisisisis

使用懒惰模式的正则表达式：

/(is)+?/

匹配结果如下：

is

六.关于正则表达式的一些使用心得。

1.由于正则表达式在匹配时，会逐个字符进行匹配，所以相对来说，比较耗时，所以在匹配一些简单的字符串匹配的时候，尽量使用语言本身的字符串处理方法（例如在PHP当中，如果想要判断字符串中是否包含“is”,使用函数strstr()）

2.在使用正则表达式匹配字符串时，需要尽可能了解到目标字符串的格式，这样写出的正则才更有效率。

例如，我们想要判断一个字符串是否是手机号，可以这样写如下：

/^[0-9]{11}$/

但是我们知道手机号都是以1开头的，所以如果这样写，可以加速正则的执行效率：

/^1[0-9]{10}$/

文章参考资料：http://www.runoob.com/regexp/regexp-syntax.html