正则表达式
转载自：http://114.xixik.com/regex/
正则表达式(英文:Regular Expression)在计算机科学中，是指一个用来 描述或者匹配一系列符合某个句法规则的字符串的单个字符串。
一、常用正则表达式
- 正则表达式用于字符串处理、表单验证等场合，实用高效。现将一些常用的表达 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+\/>)$/
- Unicode 编码中的汉字范围:/^[u4e00-u9fa5],{0,}$/
- 匹配中文字符的正则表达式: [\u4e00-\u9fa5]
- 评注:匹配中文还真是个头疼的事，有了这个表达式就好办了
- 匹配双字节字符(包括汉字在内):[^\x00-\xff]
- 评注:可以用来计算字符串的长度(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达式:\n\s*\r
- 评注:可以用来删除空白行
- 匹配 HTML 标记的正则表达式:<(\S*?)[^>]*>.*?</\1>|<.*? />
- 评注:网上流传的版本太糟糕，上面这个也仅仅能匹配部分，对于复杂的嵌套标记依旧无能为力
- 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(包括空格、制表符、换页符等等)，非 常有用的表达式
- 匹配 Email 地址的正则表达式: \w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
- 评注:表单验证时很实用
- 匹配网址 URL 的正则表达式:[a-zA-z]+://[^\s]*
- 评注:网上流传的版本功能很有限，上面这个基本可以满足需求
- 匹配帐号是否合法(字母开头，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:匹配形式如 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
- 匹配中国大陆邮政编码:[1-9]\d{5}(?!\d)
- 评注:中国大陆邮政编码为 6 位数字
- 匹配身份证:\d{15}|\d{18}
- 评注:中国大陆的身份证为 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:处理大量数据时有用，具体应用时注意修正
- 匹配特定字符串:
-
- ^[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、表达式全集
正则表达式有多种不同的风格。下表是在 PCRE 中元字符及其在正则表达式上下 文中的行为的一个完整列表:
| 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 的语法所写的示例
验证字符串是否只含数字与英文，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，与上面的示例功能相同
print $str = "a1234" =~ m:^[a-zA-Z0-9]{4,16}$: ? "COMFIRM" : "FAILED";
print $str = "a1234" =~ m"^\w[12]\d{8}$" ? "COMFIRM" : "INVAILD";
三、如何写出高效率的正则表达式
如果纯粹是为了挑战自己的正则水平，用来实现一些特效(例如使用正则表达式 计算质数、解线性方程)，效率不是问题;如果所写的正则表达式只是为了满 足 一两次、几十次的运行，优化与否区别也不太大。但是，如果所写的正则表达式 会百万次、千万次地运行，效率就是很大的问题了。我这里总结了几条提升正则 表 达式运行效率的经验(工作中学到的，看书学来的，自己的体会)，贴在这 里。如果您有其它的经验而这里没有提及，欢迎赐教。
为行文方便，先定义两个概念。
误匹配:指正则表达式所匹配的内容范围超出了所需要范围，有些文本明明不符 合要求，但是被所写的正则式“击中了”。例如，如果使用\d{11}来匹配 11 位 的手机号，\d{11}不单能匹配正确的手机号，它还会匹配 98765432100 这样的明 显不是手机号的字符串。我们把这样的匹配称之为误匹配。
漏匹配:指正则表达式所匹配的内容所规定的范围太狭窄，有些文本确实是所需 要的，但是所写的正则没有将这种情况囊括在内。例如，使用\d{18}来匹配 18 位的身份证号码，就会漏掉结尾是字母 X 的情况。
写出一条正则表达式，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)，也可能只出现漏匹配(只描述了目标文本中多种情况种的一种)，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 包含了下划线这种 情况)，又会漏掉 ab-c.com 这样的域名(合法域名中可以含中划线，但是\w 不 匹配中划线)。
精准的正则表达式意味着既无误匹配且无漏匹配。当然，现实中存在这样的情况: 只能看到有限数量的文本，根据这些文本写规则，但是这些规则将会用到海 量 的文本中。这种情况下，尽可能地(如果不是完全地)消除误匹配以及漏匹配， 并提升运行效率，就是我们的目标。本文所提出的经验，主要是针对这种情况。
掌握语法细节。正则表达式在各种语言中，其语法大致相同，细节各有千秋。明 确所使用语言的正则的语法的细节，是写出正确、高效正则表达式的基础。例如， perl 中与\w 等效的匹配范围是[a-zA-Z0-9_];perl 正则式不支持肯定逆序环视 中使用可变的重复(variable repetition inside lookbehind，例如 (?<=.*)abc)，但是.Net 语法是支持这一特性的;又如，JavaScript 连逆序环 视(Lookbehind,如(?<=ab)c) 都不支持，而 perl 和 python 是支持的。《精通 正则表达式》第 3 章《正则表达式的特性和流派概览》明确地列出了各大派系正 则的异同，这篇文章也简要 地列出了几种常用语言、工具中正则的比较。对于 具体使用者而言，至少应该详细了解正在使用的那种工作语言里正则的语法细 节。
先粗后精，先加后减。使用正则表达式语法对于目标文本进行描述和界定，可以 像画素描一样，先大致勾勒出框架，再逐步在局步实现细节。仍举刚才的手机号 的例子，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(至于第二位是不是 3、5、8，这里无意深究，只举这样一个例子，说明逐步细化的过程)。这样做的目的是先消除漏匹配(刚开始先尽可能多 地匹配，做 加法)，然后再一点一点地消除误匹配(做减法)。这样有先有后，在考虑时才 不易出错，从而向“不误不漏”这个目标迈进。
留有余地。所能看到的文本 sample 是有限的，而待匹配检验的文本是海量的， 暂时不可见的。对于这样的情况，在写正则表达 式时要跳出所能见到的文本的 圈子，开拓思路，作出“战略性前瞻”。例如，经常收到这样的垃圾短信:“发 *票”、“发#漂”。如果要写规则屏蔽这样烦人的垃 圾短信，不但要能写出可 以匹配当前文本的正则表达式 发[*#](?:票|漂)，还要能够想到 发.(?:票|漂| 飘)之类可能出现的“变种”。这在具体的领域或许会有针对性的规则，不多言。 这样做的目的是消除漏匹配，延长正则表达式的生命周期。
明确。具体说来，就是谨慎用点号这样的元字符，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，就不要用点号;只要能够预测重复次 数的，就不要用任意量词。例如，写析取 twitter 消息的脚本，假设一条消息的 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>这种写法的思路要好于<span class=”msg”>.*</span>，原因有二:一是使用[^<]，它保证了文本的范围不 会超出下一个小于号所在的位置;二是明确长度范围，{1,480}，其依据是一条 twitter 消息大致能的字符长度范围。当然，480 这个长度是否正确还可推敲， 但是这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、 不负责任的做法”。
不要让稻草压死骆驼。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。这样的正则表达式、无限次地运行次数，无异 于一根根稻草的堆加，终于能将骆驼压死。养成合理使用(?:...)括号的习惯。
宁简勿繁。将一条复杂的正则表达式拆分为两条或多条简单的正则表达式，编程 难度会降低，运行效率会提升。例如用来消除行首和行尾空白字符的正则表达式 s/^\s+|\s+$//g;，其运行效率理论上要低于 s/^\s+//g; s/\s+$//g; 。这个例 子出自《精通正则表达式》第五章，书中对它的评论是“它几乎总是最快的，而 且显然最容易理解”。既快又容易理解，何乐而不为?工作中我们还有其它的理 由要将 C==(A|B)这 样的正则表达式拆为 A 和 B 两条表达式分别执行。例如，虽 然 A 和 B 这两种情况只要有一种能够击中所需要的文本模式就会成功匹配，但是 如果只要有一条子表达式 (例如 A)会产生误匹配，那么不论其它的子表达式 (例如 B)效率如何之高，范围如何精准，C 的总体精准度也会因 A 而受到影响。
巧妙定位。有时候，我们需要匹配的 the，是作为单词的 the(两边有空格)， 而不是作为单词一部分的 t-h-e 的有序排列(例如 together 中的 the)。在适 当的时候用上^，$，\b 等等定位锚点，能有效提升找到成功匹配、淘汰不成功 匹配的效率。
