正则表达式

  转载自:http://114.xixik.com/regex/

  正则表明式(英文:Regular Expression)在处理器科学中,是指一个用来
描述依然合作一种类符合某个句法规则的字符串的单个字符串。

一、常用正则表明式

  • 正则表明式用于字符串处理、表单验证等场面,实用高效。现将部分常用的表明式收集于此,以备不时之需。
  • 用户名:/^[a-z0-9_-]{3,16}$/   
  • 密码:/^[a-z0-9_-]{6,18}$/
  • 十六进制值:/^#?([a-f0-9]{6}|[a-f0-9]{3})$/
  • 电子邮箱:/^([a-z0-9_\.-]+)@([\da-z\.-]+)\.([a-z\.]{2,6})$/
  • URL:/^(https?:\/\/)?([\da-z\.-]+)\.([a-z\.]{2,6})([\/\w
    \.-]*)*\/?$/
  • IP 地址:
    /^(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][
    0-9]|[01]?[0-9][0-9]?)$/
  • HTML
    标签:/^<([a-z]+)([^<]+)*(?:>(.*)<\/\1>|\s+\/>)$/
  • Unicode 编码中的汉字范围:/^[u4e00-u9fa5],{0,}$/
  • 合营中文字符的正则表明式: [\u4e00-\u9fa5]
    • 评注:匹配华语还真是个胸闷的事,有了那一个表明式就好办了
  • 匹配双字节字符(包蕴汉字在内):[^\x00-\xff]
    • 评注:能够用来计量字符串的尺寸(一个双字节字符长度计 2,ASCII
      字符计 1)
  • 匹配空白行的正则表明式:\n\s*\r
    • 评注:可以用来删除空白行
  • 匹配 HTML
    标记的正则表明式:<(\S*?)[^>]*>.*?</\1>|<.*?
    />

    • 评注:网上流传的版本太不好,上边那一个也唯有能合营部分,对于复杂的嵌套标记如故不可以
  • 匹配首尾空白字符的正则表达式:^\s*|\s*$

    • 评注:可以用来删除行首行尾的空白字符(包蕴空格、制表符、换页符等等),卓殊有用的表达式
  • 出色 Email 地址的正则表明式:
    \w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*

    • 评注:表单验证时很实用
  • 匹配网址 URL 的正则表明式:[a-zA-z]+://[^\s]*
    • 评注:网上流传的本子效果很有限,上边这些主题能够知足要求
  • 匹配帐号是还是不是合法(字母开始,允许 5-16 字节,允许字母数字下划线):
    ^[a-zA-Z][a-zA-Z0-9_]{4,15}$

    • 评注:表单验证时很实用
  • 匹配国内电话号码:\d{3}-\d{8}|\d{4}-\d{7}
    • 评注:匹配格局如 0511-4405222 或 021-87888822
  • 匹配腾讯 QQ 号:[1-9][0-9]{4,}
    • 评注:腾讯 QQ 号从 10000 开始
  • 非凡中国次大陆邮编:[1-9]\d{5}(?!\d)
    • 评注:中国新大陆邮编为 6 位数字
  • 匹配身份证:\d{15}|\d{18}
    • 评注:中国次大陆的身份证为 15 位或 18 位
  • 匹配 ip 地址:\d+\.\d+\.\d+\.\d+
    • 评注:提取 ip 地址时有用
  • 匹配特定数字:
    • ^[1-9]\d*$ //匹配正整数
    • ^-[1-9]\d*$ //匹配负整数
    • ^-?[1-9]\d*$  //匹配整数
    • ^[1-9]\d*|0$   //匹配非负整数 (正整数 + 0)   
    • ^-[1-9]\d*|0$  //匹配非正整数(负整数 + 0)
    • ^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$   //匹配正浮点数
    • ^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$ //匹配负浮点数
    • ^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$
      //匹配浮点数
    • ^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$
      //匹配非负浮点数(正浮点数 + 0)
    • ^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$
      //匹配非正浮点数(负浮 点数 + 0)
    • 评注:处理多量数目时有用,具体使用时只顾改进

 

  • 分外特定字符串:

    • ^[A-Za-z]+$  //匹配由 26 个英文字母组成的字符串
    • ^[A-Z]+$      //匹配由 26 个英文字母的大写组成的字符串
    • ^[a-z]+$       //匹配由 26 个英文字母的小写组成的字符串
    • ^[A-Za-z0-9]+$ //匹配由数字和 26 个英文字母组成的字符串
    • ^\w+$ //匹配由数字、26 个英文字母或者下划线组成的字符串

  二、表明式全集

  正则表达式有多种分化的品格。下表是在 PCRE
中元字符及其在正则表明式上下 文中的行为的一个完好列表:

字符 描述
\ 将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。例如,“n”匹配字符“n”。“\n”匹配一个换行符。序列“\\”匹配“\”而“\(”则匹配“(”。
^ 匹配输入字符串的开始位置。如果设置了RegExp对象的Multiline属性,^也匹配“\n”或“\r”之后的位置。
$ 匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性,$也匹配“\n”或“\r”之前的位置。
* 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。
? 当该字符紧跟在任何一个其他限制符(*,+,?,{n},{n,},{n,m})后面时,匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串,而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如,对于字符串“oooo”,“o+?”将匹配单个“o”,而“o+”将匹配所有“o”。
. 匹配除“\n”之外的任何单个字符。要匹配包括“\n”在内的任何字符,请使用像“[.\n]”的模式。
(pattern) 匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到,在VBScript中使用SubMatches集合,在JScript中则使用$0…$9属性。要匹配圆括号字符,请使用“\(”或“\)”。
(?:pattern) 匹配pattern但不获取匹配结果,也就是说这是一个非获取匹配,不进行存储供以后使用。这在使用或字符“(|)”来组合一个模式的各个部分是很有用。例如“industr(?:y|ies)”就是一个比“industry|industries”更简略的表达式。
(?=pattern) 正向预查,在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如,“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”,但不能匹配“Windows3.1”中的“Windows”。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始。
(?!pattern) 负向预查,在任何不匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”,但不能匹配“Windows2000”中的“Windows”。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始
x|y 匹配x或y。例如,“z|food”能匹配“z”或“food”。“(z|f)ood”则匹配“zood”或“food”。
[xyz] 字符集合。匹配所包含的任意一个字符。例如,“[abc]”可以匹配“plain”中的“a”。
[^xyz] 负值字符集合。匹配未包含的任意字符。例如,“[^abc]”可以匹配“plain”中的“p”。
[a-z] 字符范围。匹配指定范围内的任意字符。例如,“[a-z]”可以匹配“a”到“z”范围内的任意小写字母字符。
[^a-z] 负值字符范围。匹配任何不在指定范围内的任意字符。例如,“[^a-z]”可以匹配任何不在“a”到“z”范围内的任意字符。
\b 匹配一个单词边界,也就是指单词和空格间的位置。例如,“er\b”可以匹配“never”中的“er”,但不能匹配“verb”中的“er”。
\B 匹配非单词边界。“er\B”能匹配“verb”中的“er”,但不能匹配“never”中的“er”。
\cx 匹配由x指明的控制字符。例如,\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则,将c视为一个原义的“c”字符。
\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_]”。
\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。.
\num 匹配num,其中num是一个正整数。对所获取的匹配的引用。例如,“(.)\1”匹配两个连续的相同字符。
\n 标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式,则n为向后引用。否则,如果n为八进制数字(0-7),则n为一个八进制转义值。
\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(?)。

  以下是以 PHP 的语法所写的演示

  验证字符串是不是只含数字与英文,字符串长度并在 4~16 个字符之间

1 <?php
2 
3 $str = 'a1234';
4 if (preg_match("^[a-zA-Z0-9]{4,16}$", $str)) {
5 echo "驗證成功"; } else {
6 
7 echo "驗證失敗"; }
8 
9 ?>

简易的台湾身份证字号验证

1 <?php
2 
3 $str = 'a1234';
4 if (preg_match("/^\w[12]\d{8}$/", $str)) {
5 echo "驗證成功"; } else {
6 
7 echo "驗證失敗"; }
8 
9 ?>

 

以下示例是用 Perl 语言写的,与地点的演示功效雷同

print $str = “a1234” =~ m:^[a-zA-Z0-9]{4,16}$: ? “COMFIRM” :
“FAILED”;

print $str = “a1234″ =~ m”^\w[12]\d{8}$” ? “COMFIRM” : “INVAILD”;

三、怎么样写出高效用的正则表明式

  如若纯粹是为着挑衅自己的正则水平,用来已毕部分神效(例如使用正则表达式
总结质数、解线性方程),作用小问题;如果所写的正则表达式只是为着满 足
一一次、几十次的周转,优化与否分裂也不太大。可是,要是所写的正则表明式
会百万次、千万次地运转,功用就是很大的题目了。我那里统计了几条进步正则
表 达式运行功用的阅历(工作中学到的,看书学来的,自己的体会),贴在那里。借使你有别的的阅历而那边没有提及,欢迎赐教。

 为行文方便,先定义两个概念。

  误匹配:指正则表明式所匹配的内容范围超出了所需求限制,有些公文明明不符
合需求,可是被所写的正则式“击中了”。例如,尽管利用\d{11}来匹配 11 位
的手机号,\d{11}不单能合营正确的手机号,它还会匹配 98765432100 那样的分明不是手机号的字符串。大家把这么的匹配称之为误匹配。

  漏匹配:指正则表达式所匹配的始末所规定的限制太狭隘,有些公文确实是所须要的,可是所写的正则没有将这种景观包蕴在内。例如,使用\d{18}来匹配 18
位的身份证号码,就会坐井观天结尾是字母 X 的景况。

  写出一条正则表明式,既可能只出现误匹配(条件写得极宽松,其范围大于目标文本),也恐怕只出现漏匹配(只描述了目的文本中多种场所种的一种),还可
能既有误匹配又有漏匹配。例如,使用\w+\.com 来匹配.com 结尾的域名,既会
误匹配 abc_.com 这样的字串(合法的域名中不含下划线,\w 包括了下划线那种
情形),又会坐井窥天 ab-c.com 这样的域名(合法域名中可以含中写道,但是\w 不
匹配中写道)。

  精准的正则表达式意味着既无误匹配且无漏匹配。当然,现实中留存那样的事态:
只赏心悦目看零星数量的文书,按照这么些文件写规则,不过这个规则将会用到海 量
的公文中。那种景观下,尽可能地(倘诺不是一心地)消除误匹配以及漏匹配,
并升高运行成效,就是我们的目标。本文所提议的阅历,紧如果本着那种状态。

  领会语法细节。正则表达式在各类语言中,其语法几乎相同,细节各有千秋。明
确所接纳语言的正则的语法的细节,是写出科学、高效正则表达式的功底。例如,
perl 中与\w 等效的极度范围是[a-zA-Z0-9_];perl
正则式不协助肯定逆序环视 中利用可变的再度(variable repetition inside
lookbehind,例如 (?<=.*)abc),可是.Net
语法是永葆这一特性的;又如,JavaScript 连逆序环
视(Lookbehind,如(?<=ab)c) 都不协助,而 perl 和 python
是支撑的。《精晓 正则表明式》第 3
章《正则表明式的表征和法家概览》明确地列出了各大山头正
则的异同,这篇小说也简要 地列出了二种常用语言、工具中正则的可比。对于
具体使用者而言,至少应当详细摸底正在利用的那种工作语言知府则的语法细
节。

  先粗后精,先加后减。使用正则表明式语法对于目的文本举行描述和界定,可以像画素描一样,先大致勾勒出框架,再渐渐在局步落成细节。仍举刚才的无绳电话机号
的例证,先界定\d{11},总不会错;再细化为 1[358]\d{9}, 就向前迈了一大
步(至于第一位是否3、5、8,那里无意深究,只举那样一个例子,表明逐步细化的进程)。这样做的目标是先消除漏匹配(刚开首先尽可能多
地合营,做
加法),然后再一点一点地排除误匹配(做减法)。那样有先有后,在设想时才
不易出错,从而向“不误不漏”那个目标迈进。

  留有余地。所能看到的文书 sample
是个其余,而待匹配检验的文本是海量的,
暂时不可见的。对于那样的情事,在写正则表达 式时要跳出所能见到的文件的
圈子,开拓思路,作出“战略性前瞻”。例如,平时收到那样的排泄物短信:“发
*票”、“发#漂”。如果要写规则屏蔽那样烦人的垃 圾短信,不但要能写出可以非常当前文件的正则表明式 发[*#](?:票|漂),还要可以想到
发.(?:票|漂|
飘)之类可能出现的“变种”。那在实际的天地可能会有针对性的平整,不多言。
那样做的目的是革除漏匹配,延长正则表明式的生命周期。

  明确。具体说来,就是小心用点号那样的元字符,尽可能不用星号和加号这样的
任意量词。只要能确 定范围的,例如\w,就绝不用点号;只要可以预测重复次
数的,就不用用任意量词。例如,写析取 twitter 音信的剧本,假使一条消息的
xml 正文部分结 构是<span
class=”msg”>…</span>且正文中无尖括号,那么 <span
class=”msg”>[^<]{1,480}</span>那种写法的笔触要好于<span
class=”msg”>.*</span>,原因有二:一是行使[^<],它保障了文本的范围不
会超出下一个低于号所在的岗位;二是众所周知长度限制,{1,480},其基于是一条
twitter 信息大约能的字符长度限制。当然,480 那么些尺寸是或不是正确还可推敲,
然则那种思路是值得借鉴的。说得狠一点,“滥用点号、星号和加号是不环保、
不负义务的做法”。

  不要让稻草压死骆驼。每使用一个一般括号()而不是非捕获型括号(?:…),就会
保留部分内存等着你再度走访。那样的正则表明式、无限次地运作次数,无异
于一根根稻草的堆加,终于能将骆驼压死。养成合理运用(?:…)括号的习惯。

  宁简勿繁。将一条复杂的正则表明式拆分为两条或多条不难的正则表明式,编程
难度会回落,运行效能会提高。例如用来解除行首和行尾空白字符的正则表明式
s/^\s+|\s+$//g;,其运转功能理论上要小于 s/^\s+//g; s/\s+$//g;
。这么些例
子出自《了解正则表明式》第五章,书中对它的评介是“它几乎总是最快的,而
且鲜明最不难了解”。既快又不难精晓,何乐不为?工作中我们还有此外的理
由要将 C==(A|B)那 样的正则表明式拆为 A 和 B 两条表明式分别施行。例如,就算 A 和 B 这三种情况只要有一种可以击中所要求的文本模式就会马到成功匹配,但是即使只要有一便条表明式 (例如 A)会时有爆发误匹配,那么不论是别的的子表达式
(例如 B)效能怎么样之高,范围怎么着精准,C 的完好精准度也会因 A 而遭到震慑。

  巧妙定位。有时候,大家需要般配的 the,是当做单词的 the(两边有空格),
而不是作为单词一有些的 t-h-e 的雷打不动排列(例如 together 中的 the)。在适
当的时候用上^,$,\b 等等定位锚点,能使得进步找到成功匹配、淘汰不成事
匹配的频率。