Regular Expression

regexper

元字符[已省略了部分不常用的]

字符说明

\

将下一字符标记为特殊字符、文本、反向引用或八进制转义符。例如,“n”匹配字符“n”。“\n”匹配换行符。序列“\\”匹配“\”,“\(”匹配“(”。

^

匹配输入字符串开始的位置,在中表示排除。如果设置了 RegExp 对象的 Multiline(多行) 属性,^ 还会与“\n”或“\r”之后的位置匹配。

$

匹配输入字符串结尾的位置。如果设置了 RegExp 对象的 Multiline(多行)属性,$ 还会与“\n”或“\r”之前的位置匹配。

+

量词[1~n次]一次或多次匹配前面的字符或子表达式。例如,^go+gle$能匹配的有gogle,google和gooooooogle ^f[ackmru]+er$ 匹配fucker,farmer

*

量词[0~n次]零次或多次匹配前面的字符或子表达式。

?

量词[0/1次]零次或一次匹配前面的字符或子表达式。例如,“do(es)?”匹配“do”或“does”中。 等效于 {0,1}。

{n}

量词匹配正好 n 次。

{n,}

量词匹配至少 n 次。

{n,m}

量词匹配至少 n 次,至多 m 次。例如,“o{1,3}”匹配“fooooood”中的头三个 o。注意:您不能将空格插入逗号和数字之间(如o{1 , 3})。

(pattern)

(Capturing group) 匹配 pattern 并捕获该匹配

(?:pattern)

(Non-capturing group) 匹配 pattern 但不捕获该匹配

xxx(?=pattern)

(Lookaround)执行正向预测先行搜索的子表达式,它是一个非捕获匹配,零宽度匹配。例如,'Windows (?=95|98|NT|2000)' 匹配“Windows 2000”中的“Windows”,但不匹配“Windows 3.1”中的“Windows”。
^(?=[a-z])[a-z0-9]+$能匹配a12,而^(?=[a-z])[0-9]+$不能匹配a12, 因为“(?=[a-z])”只匹配,并不将匹配到的内容保存到最后结果,“(?=[a-z])”匹配成功的位置是位置0,所以“[a-z0-9]+”也是从位置0开始尝试匹配,“[a-z0-9]+”首先尝试匹配“a”

(?<=pattern)xxx

(Lookaround)前置

xxx(?!pattern)

(Lookaround)执行反向预测先行搜索的子表达式,它是一个非捕获匹配,零宽度匹配。例如,'Windows (?!95|98|NT|2000)' 匹配“Windows 3.1”中的 “Windows”,但不匹配“Windows 2000”中的“Windows”。

(?<!pattern)xxx

(Lookaround)前置

net|com

[或] 例如^markli\.(com|net)$ 匹配“markli.com”或“markli.net”。要匹配 |,请使用 \|

[xyz]

[字符集]匹配包含的任一字符。

[^xyz]

反向字符集。匹配未包含的任何字符。

[a-z]

[字符范围]匹配指定范围内的任何字符。(-字符如果在字符范围前,则表示 他本身,无需转义,如果在两个字符中间,则表示两个字符的区间)例如,“[a-z]”匹配a到z范围内的任何小写字母。还有[a-zA-Z0-9]

[^a-z]

反向范围字符。匹配不在指定的范围内的任何字符

\b

匹配一个字边界(border),即字与空格间的位置。例如,“er\b”匹配“never”中的“er”,但不匹配“verb”中的“er”。再如“\byo”匹配“I love you”第三个字you的yo

\B

非字边界匹配。“er\B”匹配“verb”中的“er”,但不匹配“never”中的“er”。

\d

[数字]数字字符匹配。等效于 [0-9]。

\D

[非数字]非数字字符匹配。等效于 [^0-9]。

.

匹配除换行“\n”之外的任何单个字符。

\n

换行符(newline)匹配。

\r

匹配一个回车符(return)。

\s

匹配任何空白字符,包括空格(space)、制表符、换页符等.与[ \f\n\r\t\v]等效。

\S

匹配任何非空白字符。与 [^ \f\n\r\t\v] 等效。

\w

[字母数字下划线]匹配any word character,包括下划线。与“[A-Za-z0-9_]”等效。

\W

与任何非word character匹配。与“[^A-Za-z0-9_]”等效

\xn

此处的 n 是一个十六进制转义码。例如,“\x41”匹配“A”。“\x041”与“\x04”&“1”等效。允许在正则表达式中使用 ASCII 代码。

正则表达式的引擎

当发现复制来的正则在JavaScript里正常,而在PHP却无法使用的时候,为什么会这样,慢慢的你就知道正则流派与引擎了
引擎类型程序
DFAAwk(多数版本)、egrep(多数版本)、flex、lex、Mysql
POSIX NFA
传统NFAGUN Emacs、JAVA、GREP(多数版本)、less、more、PREL、PHP(3套)、Python、ruby、sed(多数版本)、vi
DFA/NFA混合Gun awk、gun grep/egrep
DFA引擎不需要回溯(Backtracking),所以匹配快速,也不支持捕获组(所以也就不支持后向引用和$number这种引用方式)

POSIX NFA主要指符合POSIX标准的NFA引擎,它的特点主要是提供longest-leftmost匹配,也就是在找到最左侧最长匹配之前,它将继续回溯。
非贪婪模式(或者说忽略优先量词,匹配优先量词和忽略优先量词实际上也就是我们说的正则表达式中的贪婪模式和非贪婪模式)对于POSIX NFA同DFA一样,是没有意义的。
传统NFA引擎 - 大多数语言和工具使用的,它有一些DFA不支持的特性:
1.捕获组、后向引用和$number引用方式
2.Lookaround: (?=…)、(?!…)、(?<=…)、(?<!…)
3.忽略优先量词: ??、*?、+?、{m,n}?、{m,}? 默认的是匹配优先量词,与匹配优先量词相反,忽略优先量词的意思是尽可能少的匹配
4.占有优先量词: ?+、*+、++、{m,n}+、{m,}+,匹配优先最终不成功还可回溯为忽略,但占有优先一旦匹配就封住退路,不准回溯,目前仅Java和PCRE支持(php有pcre)
5.固化分组 Atomic Grouping(?>…)

NFA引擎“猴急”的,它会很急切的进行表功,报告它找到的第一个匹配
你可以作如下测试:将正则表达式"(regex|regex not)"应用到字符串"regex not"。如果匹配的结果是regex,则引擎是NFA。如果结果是regex not,则是DFA。NFA找到后锁定,返回。DFA继续下一个,找最长结果
preg_match('/date:(\d{4}|\d{4}-\d{2}-\d{2})/','date:2016-05-19',$match);
echo $match[1]; // 输出的结果是2016,所以PHP用的是NFA引擎

preg_match('/(<div>.+</div>)/','<div>testtest</div> <div>test</div>',$match);
echo htmlspecialchars($match[1]); // +是默认的匹配优先量词 结果是 <div>testtest</div> <div>test</div>

preg_match('/(<div>.+?</div>)/','<div>testtest</div> <div>test</div>',$match);
echo htmlspecialchars($match[1]); //+?是忽略优先量词 结果是<div>testtest</div>

preg_match('/(ab??)/','ab',$match);
echo $match[1]; // 忽略优先,结果是a, 如果是(ab?) 结果是ab

preg_match('/(ab??c)/','abc',$match);
echo $match[1]; // 结果是abc,why?先忽略优先最终匹配不了字符,然后回溯匹配b,最后成功匹配
固化分组和占有量词
假设我们有这样的需要,把类似 3.690000023 的小数保留两位小数,类似 2.3563895 的小数保留三位小数,也就是说如果小数的第三位是 0, 则保留两位小数,如果是非 0, 就保留三位小数
echo preg_replace('/(\.\d\d[1-9]?)\d*/','$1',$number)
//这个是可以完成任务,但美中不足的是当 $number 类似 1.234 的数字,白白处理了一遍。为了提升效率,我们把表达式稍稍修改一下。

echo preg_replace('/(\.\d\d[1-9]?)\d+/','$1',$number)
//为了使其不匹配正好三位的1.234,将d*改成d+,却发现.234被替换成了.23,因为引擎回溯,[1-9]? 把匹配的数字吐出去,4被\d+匹配了。有两种办法可以强迫引擎放弃回溯:固化分组和占有量词

echo preg_replace('/(\.\d\d(?>[1-9]?))\d+/','$1',$number); 
//固化分组,匹配进行到此结构之后(闭括号之后),那么此结构体中的所有回溯的备选状态都会被放弃(迷宫退路关闭)

echo preg_replace('/(\.\d\d[1-9]?+)\d+/','$1',$number);
//占有量词,能匹配先匹配,匹配了不准回溯(迷宫退路关闭)
太多的回溯会使得你的程序阻塞
字符串:<div>xxxxx…xxxx</div><div>test</div>(...处是10W个字符)
表达式:<div>.+?</div>
当遇到忽略优先量词+?,中间每个字符处都记录一个备选状态,对于10W个字符,会占用相当大的内存
回溯次数多,PHP的堆栈溢出,好在有回溯次数限制(pcre.backtrack_limit),不然或许又成为一个溢出漏洞了

正则表达式性能设计

1.先大后细
举手机号的例子,先界定\d{11};再细化为1[358]\d{9},逐步细化,一点一点地消除误匹配(做减法)
2.环保不浪费
只要能确定范围的,例如\w,就不要用点号;只要能够预测重复次数的,就不要用任意量词。
每使用一个普通括号()而不是非捕获型括号(?:…),就会保留一部分内存等着你再次访问。
3.少用多选分支
c[a-f]t 与c(a|b|c|d|e|f)t (有6次回溯)
4.适当使用边界字符
^,$,\b
5.分支顺序
最可能出现的放到分支最前面

常用例子

正则表达式匹配内容regexper

/^(?:25[0-5]|2[0-4]\d|1\d\d|[1-9]\d|\d)(?:\.(?:25[0-5]|2[0-4]\d|1\d\d|[1-9]\d|\d)){3}$/

Validate IP address

/^[a-zA-Z0-9.!#$%&'*+/=?^_`{|}~-]+@[a-zA-Z0-9](?:[a-zA-Z0-9-]{0,61}[a-zA-Z0-9])?(?:\.[a-zA-Z0-9](?:[a-zA-Z0-9-]{0,61}[a-zA-Z0-9])?)*$/

Validate Email address(W3C HTML5 spec)Alexa email regex issue

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

Validate URL
反向匹配URL,/(\w+)可匹配HTTP 然后:\/\/匹配:// 然后是[^/:]+,即非/:的字符匹配中间域名然后是(:\d*)?非贪心匹配端口号,然后匹配不包括 # 或空格字符的任何字符序列

/^\d{6,8}$/

只能输入6~8位的数字

/^[0-9-]+$/

只能输入数字和-

SINCE 2015