正则表达式学习笔记

正则表达式学习笔记

（原创内容，转载请注明来源，谢谢）

首先，学习正则表达式，很推荐一篇博客，http://www.cnblogs.com/deerchao/archive/2006/08/24/zhengzhe30fengzhongjiaocheng.html，deerchao写的《正则表达式30分钟入门教程》，看完他的文章，基本上可以在实际中使用正则表达式，本文是结合此博客和一些其他书籍的内容的学习笔记。

一、基础内容

我认为的基础内容包括以下7点，掌握后可以使用正则匹配很多内容。

1、位置

正则表达式表示位置的字符有^（表示字符串开始）、$（字符串结束）、\b（字符串开始或结束）。

在明确需要匹配的位置的情况下，建议使用^、$，因为其会加快字符串的匹配速度。

2、数量

正则表达式表示数量的主要有*（匹配任意次）、？（匹配0次或1次）、+（匹配1次或多次）、[]（中括号内的内容匹配其中一个一次）、{m,n}（匹配m至n次，n省略则匹大于或等于m次，逗号也省略则匹配m次）。

3、字符组

字符组为使用一些特殊的方式表示一组同样规律的内容。\d表示0-9任意一个数字，

\s表示任意个空白字符（空格），\w表示任意大小写字母、数字、下划线、中文。.（点）表示换行符以外的任意内容。

字符组和数量常常组合起来使用，如匹配四位数字可以用\d{4}。

4、反义

^符号用在正则的第一个位置表示字符串的开始，但是用在[]内部则表示非，例如[^\d]表示匹配1个不是数字的字符。其他还有\W（表示非\w）、\D（表示非\d）、\S（表示\s）、[^abc]表示匹配abc以外的字符。

5、转义

转义使用反斜杠\，这个和很多程序语言相同。即\\匹配\，\.匹配.等。

6、分支

分支符号为|，和程序语言中的||意思相似，表示或的意思。例如要匹配my和mine，可以使用m(y|ine)进行匹配。

7、分组

分组采用()（小括号）把内容放在里面，通常分组后可以加上表示数量的词，进行批量匹配。例如要匹配的内容是三个数字加一个字母a，一共匹配10次，可以用(\d{3}a){10}。

二、进阶内容

除了上述内容，正则表达式提供了一些高级的功能，让匹配更加全面与方便。

1、捕获

1) (?<name>exp)，该含义为匹配表达式exp，并将其命名为name，后面的匹配中可以用\k<name>表示匹配到的内容。

例如，(?<myname>\d{4})\w?\k<myname>，表示把第一次匹配到的4个数字存在myname内，后面就用\k<mynname>再次匹配即可。

2) 捕获还有其他写法，如(exp)，表示不给exp取名字，该情况下会保存在系统默认名字内，从1开始编号。例如(\d)\w(\d{5})\w\1\w\2，表示第一次捕获的一个数字存在\1内，第二次捕获的五个数字存在\2内。

3) 因此，在正则表达式中，括号应当慎用，因为每个括号正则都会将其捕获，并进行存储，如果在长字符串匹配的情况下，又使用了大量的括号，将占用较多存储空间。另外，如果不需要捕获内容，可以使用(?:exp)，表示不捕获文本，也不进行编号。

2、零宽断言

零宽断言也是类似$、^等表示位置的字符，但是对该位置上的字符有一定的要求。主要有四个表达方式。

1) (?=exp)，表示该位置的内容要满足exp的要求时，匹配exp之前的内容。例如\w+(?=ing)，会匹配doing的do。

2) (?<=exp)，表示该位置的内容要满足exp的要求时，匹配exp之后的内容。例如\w+(?<=re)，会匹配reading的ading。

3) (?!exp)，表示该位置的内容不是exp时，匹配exp之前的内容。例如\b\w+(?!ing)\b，会匹配不含ing结尾的任意单词。

4) (?<!exp)，表示该位置的内容不是exp时，匹配exp之后的内容。例如\b\w+(?!re)\b会匹配任意不是以re开头的单词。

上述内容中，3)、4)又称为负向零宽断言。

3、注释

(?#comment)表示注释，不会被解析，仅仅是便于其他人员查看正则表达式。

4、懒惰匹配

1) 懒惰匹配表示匹配尽量少的内容，在匹配符后面加上一个?即可。*?表示重复任意次，但是尽可能的少重复；{10,}表示重复10次以上，但是尽可能少重复。其他数量词加上?也一样，表示满足基本条件的情况下尽可能少匹配。

例如，a.*?b在字符串abaab中会匹配到ab。

2) 与懒惰匹配相对应的，就是贪婪匹配，在不加?情况下，前面说的内容都是贪婪匹配。

3) 为了使程序匹配速度更快，在确定只需要懒惰匹配的情况下，需要加上?，可以最快匹配到需要的内容。

5、优先级问题

优先级从高到低，依次是：

1) \

2) ()、(?=)、(?=)、[]

3) *、+、?、{n}、{n,}、{n,m}

4) ^、$、任意字符

5) |

三、PHP正则表达式匹配函数

1、preg_math

官方文档int preg_match ( string $pattern , string $subject [, array &$matches [, int $flags = 0 [, int $offset = 0 ]]] )

常用到前三个参数，$pattern表示匹配的模式，$subject表示需要匹配的字符串，如果提供了参数matches，它将被填充为搜索结果。$matches[0]将包含完整模式匹配到的文本，$matches[1] 将包含第一个捕获子组匹配到的文本，以此类推。

函数返回：pattern 的匹配次数。它的值将是0次（不匹配）或1次，因为preg_match()在第一次匹配后 将会停止搜索。

2、preg_match_all

官方文档int preg_match_all ( string $pattern , string $subject [, array &$matches [, int $flags = PREG_PATTERN_ORDER [, int$offset = 0 ]]] )

前三个参数和preg_math一样，返回完整匹配次数（可能是0），或者如果发生错误返回FALSE。该函数匹配成功一次后，会从匹配成功的最后一个位置开始，继续往后匹配。

3、常用模式

preg_math和preg_math_all的$pattern，需要输入的字符串都是 ‘%exp%’，即在正则表达式的基础上，前后加上两个%。通常来说，不使用%，而用其他符号也可以，只需要保证前后一致即可。实际工程中，为了项目统一，最好定一个一致的号码。

1) 忽略大小写

$pattern = ‘%exp%i’，即在第二个%后面加一个字母i即忽略大小写匹配。

2) 点号通配模式

点号通配模式表示元字符.（点）忽略换行。使用方法是$pattern= ‘%exp%s’

3) 多行模式

多行模式表示，当$pattern是多行内容时，如果加上$、^，该模式下，会将$、^之间的内容当成一行内容，忽略字符串当中的换行\n。使用方法是$pattern = ‘%exp%m’

4) 懒惰模式

类似于正则表达式的懒惰模式，使用方法是$pattern = ‘%exp%U’

5) 结尾限制模式

该模式下，结尾不能有换行，否则匹配失败。使用方法是$pattern = ‘%exp%D’

6) 支持UTF-8转义表达方式

如果汉字等被用UTF-8编码，则需要开启此模式进行匹配。使用方法是$pattern = ‘%exp%u’

四、实际应用

1、校验

如手机号校验，要判断手机号是否为移动的号码，即要确定开头为135-139、150-151、157-159、182、183、188的手机号，表达式如下：

(?:13[4-9]|15[01789]|18[238])\d{8}

2、数据安全

当给用户提供输入框时，用户可能往里面输入js代码对网站进行破坏，这个称为XSS攻击，因此可以用正则表达式把所有的<>或者</>去掉。表达式如下：

<\/?[^>]+>

3、URL重定向

在Apache和Nginx中，经常需要配置url的rewrite，可以把php后缀的文件重定向到html后缀的文件中，这样做便于搜索引擎的检索。

假设需要把test.php?name=a&page=1重定向为test_a_1.html，在apache的.htaccess中，可以如下方式：

RewriteEngine on

RewriteRule index.html index.php

RewriteRule test_([a-z]+)(\d?)\.htmltest.php?name=$1&page=$2[NC]

NC表示忽略大小写，rewriteengineon是开启rewrite的意思。

五、PHP正则表达式的优化

当字符串很长，需要匹配的模式串也很长的时候，需要尽可能的对正则表达式进行优化，否则会降低程序运行速度。

1、满足匹配前提下少用|

|符号效率较低，需要逐个进行匹配，例如[abc]和[a|b|c]，|会把内容分别进行匹配。

2、限定量词优先

在确定需要匹配次数的情况下，尽量不要使用*、+、{n,}等不限定长度的量词，否则会进行多次的查找。

3、优先用preg_match/命中率最高的匹配项放最左侧

因为其匹配到就停止，而preg_match_all会把全部内容匹配完。同样，在多个匹配条件情况下，把最有可能命中的情况放在最左侧，则匹配到就不会继续往后匹配。

4、合理使用括号

括号会占用存储空间，大量匹配的情况下慎用。

5、使用PHP自带的一些函数

1) 当可以确定需要的字符串的位置时，尽量使用字符串匹配函数，即str开头的函数，匹配速度更快。

2) 需要匹配PHP的源码，可以安装使用PHP自带的Tokenizer分析函数，可以准确的分析PHP的变量、常量、类名、方法名等。

3) 解析URL时，可以用PHP自带的parse_url()函数，该函数可以把url的类型、host、path、query等输出。

4) 获取HTTP头，可以使用PHP自带的get_headers()函数，该函数可以捕获到HTTP头的信息，并用数组方式返回。

5) 验证邮箱信息、URL信息、数据类型等，均可以安装使用PHP的filter_var函数，该函数可以使用特定的过滤器过滤一个变量。

六、验证正则表达式的正确性

网上有很多验证工具，我个人比较喜欢的是http://tool.lu/regex/

——written by linhxx 2017.07.05