正則表達(dá)式在字符串處理中的應(yīng)用_《草根》第2期

1、正則表達(dá)式在字符串處理中的應(yīng)用/*編程技術(shù)*/作者 高洛峰初次接觸正則表達(dá)式的人除了感覺(jué)它有些繁瑣外，還會(huì)有一種深不可測(cè)的感覺(jué)。其實(shí)正則表達(dá)式就是描述字符排列模式的一種自定義的語(yǔ)法規(guī)則，在PHP給我們提供的系統(tǒng)函數(shù)中，使用這種模式對(duì)字符串進(jìn)行匹配、查找、替換及分割等操作，它的應(yīng)用非常廣泛。例如，常見(jiàn)的使用正則表達(dá)式去驗(yàn)證用戶在表單中提交的用戶名、密碼、E-mail地址、身份證號(hào)碼及電話號(hào)碼等格式是否合法；在用戶發(fā)布文章時(shí)，將輸入有URL的地方全部加上對(duì)應(yīng)的鏈接；按所有標(biāo)點(diǎn)符號(hào)計(jì)算文章中一共有多少個(gè)句子；抓取網(wǎng)頁(yè)中某種格式的數(shù)據(jù)等等。正則表達(dá)式并不是PHP自己的產(chǎn)物，在很多領(lǐng)域都會(huì)見(jiàn)到它的應(yīng)用，

2、除了在Perl、C#及JAVA語(yǔ)言中應(yīng)用外，在我們的B/S架構(gòu)軟件開(kāi)發(fā)中，Linux操作系統(tǒng)、前臺(tái)JavaScript腳本、后臺(tái)腳本PHP以及MySQL數(shù)據(jù)庫(kù)中都可以應(yīng)用到正則表達(dá)式。正則表達(dá)式簡(jiǎn)介/a-zA-z+:/s*/ /匹配網(wǎng)址URL的正則表達(dá)式/<(S*?)>*>.*?</1>|<.*? />/i /匹配HTML標(biāo)記的正則表達(dá)式/w+(-+.w+)*w+(-.w+)*.w+(-.w+)*/ /匹配Email地址的正則表達(dá)式正則表達(dá)式也稱為模式表達(dá)式，自身具有一套非常完整的、可以編寫模式的語(yǔ)法體系，提供了一種靈活且直觀的字符串處理方法。正則表達(dá)

3、式通過(guò)構(gòu)建具有特定規(guī)則的模式，與輸入的字符串信息比較，從而實(shí)現(xiàn)字符串的匹配、查找、替換及分割等操作。下例中給出了3個(gè)模式，都是按照正則表達(dá)式的語(yǔ)法規(guī)則構(gòu)建的。如下所示：不要被上例中看似亂碼的字符串給嚇退，它們就是按照正則表達(dá)式的語(yǔ)法規(guī)則構(gòu)建的模式，是一種由普通字符和具有特殊功能的字符組成的字符串。而且要將這些模式字符串，放在特定的正則表達(dá)式函數(shù)中使用才有效果。學(xué)完本文以后就可以自由應(yīng)用這樣的代碼了。在PHP中支持兩套正則表達(dá)式的處理函數(shù)庫(kù)。一套是由PCRE（Perl Compatible Regular Expression）庫(kù)提供的，與Perl語(yǔ)言兼容的正則表達(dá)式函數(shù)。使用“preg_”為前

4、綴命名的函數(shù)，而且表達(dá)式都應(yīng)被包含在定界符中，如斜線（/）。另一套是由POSIX（Portable Operation System interface）擴(kuò)展語(yǔ)法的正則表達(dá)式函數(shù)，使用以“ereg_”為前綴命名的。兩套函數(shù)庫(kù)的功能相似，執(zhí)行效率稍有不同。一般而言，實(shí)現(xiàn)相同的功能，使用第一種PCRE庫(kù)提供的正則表達(dá)式效率略占優(yōu)勢(shì)。所以在本文中主要介紹使用“preg_”為前綴命名的正則表達(dá)式函數(shù)，如表1所示：表1 與Perl語(yǔ)言兼容的正則表達(dá)式處理函數(shù)函數(shù)名功能描述preg_match()進(jìn)行正則表達(dá)式匹配preg_match_all()進(jìn)行全局正則表達(dá)式匹配preg_replace()執(zhí)行正則表

5、達(dá)式的搜索和替換preg_split()用正則表達(dá)式分割字符串preg_grep()返回與模式匹配的數(shù)組單元preg_replace_callback()用回調(diào)函數(shù)執(zhí)行正則表達(dá)式的搜索和替換正則表達(dá)式的語(yǔ)法規(guī)則/<a.*?(?: |t|r|n)?href='"?(.+?)'"?(?:(?: |t|r|n)+.*?)?>(.+?)</a.*?>/sim/獲取鏈接地址正則表達(dá)式描述了一種字符串匹配的模式，通過(guò)這個(gè)模式在特定的函數(shù)中對(duì)字符串進(jìn)行匹配、查找、替換及分割等操作。正則表達(dá)式作為一個(gè)匹配的模板，是由原子（普通字符，例如字符a到z）、

6、有特殊功能的字符（稱為元字符，例如*、+和？等）以及模式修正符三部分組成的文字模式。一個(gè)最簡(jiǎn)單的正則表達(dá)式模式中，至少也要包含一個(gè)原子，如“/a/”。而且在與Perl兼容的正則表達(dá)式函數(shù)中使用模式時(shí)，一定要給模式加上定界符，即將模式包含在兩個(gè)反斜線“/”之間。一個(gè)HTML鏈接地址的正則表達(dá)式模式如下所示：在網(wǎng)頁(yè)中任何屬于HTML有效的鏈接標(biāo)簽，都可以和這個(gè)正則表達(dá)式的模式匹配上。該模式就用到了編寫正則表達(dá)式模板的原子、元字符和模式休正符三個(gè)組成部分，將其拆分后如下所示：¨ 定界符是使用的是兩個(gè)反斜線“/”，將模式放在它之間聲明¨ 原子用到了<、a、href、=、

7、9;、"、/、>等普通字符和t、r、n等轉(zhuǎn)義字符¨ 元字符使用了、()、|、.、？、*、+等具有特殊含義的字符¨ 用到的模式修正符是在定界符最后一個(gè)反斜線之后的三個(gè)字符“s”、“i”和“m”<?php$pattern='/<a.*?(?: |t|r|n)?href='"?(.+?)'"?(?:(?: |t|r|n)+.*?)?>(.+?)</a.*?>/sim'$content="請(qǐng)進(jìn)單擊進(jìn)入<a href=''>LAMP兄弟連</a

8、>技術(shù)社區(qū)。"if(preg_match($pattern, $content) /使用preg_match()函數(shù)進(jìn)行正則表達(dá)式的模式匹配echo "成功匹配，在第二個(gè)參數(shù)中包含有效的HTML鏈接標(biāo)簽字符串。" else echo "在第二個(gè)參數(shù)的字符串中搜索不到有效的HTML鏈接標(biāo)簽。" ?>對(duì)于原子、元字符以及模式修正符的使用將在后面詳細(xì)介紹。首先編寫一個(gè)示例，了解一下正則表達(dá)式的應(yīng)用。通過(guò)PHP中給我們提供的preg_match()函數(shù)，使用上例中定義的正則表達(dá)式模式。該函數(shù)有兩個(gè)必選參數(shù)，第一個(gè)參數(shù)需要提供用戶編寫的正則表

9、達(dá)式模式，第二個(gè)參數(shù)需要一個(gè)字符串。該函數(shù)的作用就是在第二個(gè)字符串參數(shù)中，搜索與第一個(gè)參數(shù)給出的正則表達(dá)式匹配的內(nèi)容。如果匹配成功則返回真。代碼如下所示：在上面的代碼中，使用正則表達(dá)式的語(yǔ)法規(guī)則，定義一個(gè)匹配HTML中鏈接標(biāo)簽的模式并存放在變量$pattrn中。又定義了一個(gè)字符串變量$content，在字符串中如果包含有效的HTML鏈接標(biāo)簽，則使用preg_match()函數(shù)時(shí)，就可以按$pattrn模式所定義的格式搜索到鏈接標(biāo)簽。Ø 定界符/</w+>/ /使用反斜線作為定界符號(hào)合法|(d3)-d+|Sm /使用豎線“”作為定界符號(hào)合法!(?i)php34! /使用感嘆

10、號(hào)“!”作為定界符號(hào)合法s+(s+)?$ /使用花括號(hào)“”作為定界符號(hào)合法/href='(.*)' /非法定界符號(hào)，缺少結(jié)束定界符 1-d3-d3-d4| /非法定界符號(hào)，缺少起始定界符在程序語(yǔ)言中，使用與Perl兼容的正則表達(dá)式，通常都需要將模式表達(dá)式放入定界符之間。作為定界的字符也不僅僅局限于使用反斜線“/”。除了字母、數(shù)字和正斜線“”以處的任何字符都可以作為定界符號(hào)，例如“#”、“!”、“”和“”等都是可以的。通常習(xí)慣都將模式表達(dá)式包含在兩個(gè)反斜線“/”之間。下例是一些模式表達(dá)式的應(yīng)用，如下所示：Ø 原子原子是正則表達(dá)式的最基本的組成單位，而且在每個(gè)模式中最少要

11、包含一個(gè)原子。原子是由所有那些未顯式指定為元字符的打印和非打印字符組成，包括所有的大寫和小寫字母字符、所有數(shù)字、所有標(biāo)點(diǎn)符號(hào)以及一些其它符號(hào)。例如az、AZ、09、雙引號(hào)“”、單引號(hào)“”等。還包括一些非打印字符，如表2所示列出了正則表達(dá)式中常用的非打印字符及其含義：表2 正則表達(dá)式中常用的非打印字符原子字符含義描述cx匹配由x指明的控制字符。例如，cM匹配一個(gè)Control-M或回車符。x的值必須為A-Z或a-z之一。否則，將c視為一個(gè)原義的'c'字符。f匹配一個(gè)換頁(yè)符。等價(jià)于x0c和cL。n匹配一個(gè)換行符。等價(jià)于x0a和cJ。r匹配一個(gè)回車符。等價(jià)于x0d和cM。s匹配任何空

12、白字符，包括空格、制表符、換頁(yè)符等等。等價(jià)于fnrtv。S匹配任何非空白字符。等價(jià)于fnrtv。t 匹配一個(gè)制表符。等價(jià)于x09和cI。v匹配一個(gè)垂直制表符。等價(jià)于x0b和cK。Ø 元字符利用Perl正則表達(dá)式還可以做另一件有用的事情，這就是使用各種元字符來(lái)搜索匹配。所謂元字符，就是用于構(gòu)建正則表達(dá)式的具有特殊含義的字符，例如的“*”、“+”、“？”等。如果要在正則表達(dá)式中包含元字符本身，使其失去特殊的含義則必須在前面加上“”進(jìn)行轉(zhuǎn)義。正則表達(dá)式有以下特殊字符，如表3所示：表3 正則表達(dá)式的元字符元字符含義描述d匹配任意一個(gè)十進(jìn)制數(shù)字，等價(jià)于0-9D匹配任意一個(gè)除十進(jìn)制數(shù)字

13、以外的字符，等價(jià)于0-9s匹配任意一個(gè)空白字符，等價(jià)于fnrtvS匹配除空白字符以外任何一個(gè)字符，等價(jià)于fnrtvw匹配任意一個(gè)數(shù)字、字母或下劃線，等價(jià)于0-9a-zA-Z_W匹配除數(shù)字、字母或下劃線以外的任意一個(gè)字符，等價(jià)于0-9a-zA-Z_*匹配0次、1次或多次其前的原子+匹配1次或多次其前的原子？匹配0次或1次其前的原子.匹配除了換行符外的任意一個(gè)字符|匹配兩個(gè)或多個(gè)分支選擇n表示其前面的原子恰好出現(xiàn)n次n, 表示其前面的原子出現(xiàn)不少于n次n, m表示其前面的原子至少出現(xiàn)n次，最多出現(xiàn)m次或A匹配輸入字符串的開(kāi)始位置（或在多行模式下行的開(kāi)頭，即緊隨一換行符之后）$或Z匹配輸入字符串的結(jié)

14、束位置（或在多行模式下行的結(jié)尾，即緊隨一換行符之前）b匹配單詞的邊界B匹配除單詞邊界以外的部分匹配方括號(hào)中指定的任意一個(gè)原子匹配除方括號(hào)中的原子以外的任意一個(gè)字符()匹配其整體為一個(gè)原子，即模式單元。可以理解為由多個(gè)單個(gè)原子組成的大原子構(gòu)造正則表達(dá)式的方法和創(chuàng)建數(shù)學(xué)表達(dá)式的方法相似，就是用多種元字符與操作符將小的表達(dá)式結(jié)合在一起來(lái)創(chuàng)建更大的表達(dá)式。正則表達(dá)式的組件可以是單個(gè)的字符、字符集合、字符范圍、字符間的選擇或者所有這些組件的任意組合。元字符是組成正則表達(dá)式的最重要部分，下面將這些元字符分為幾類分別講解。Ø 通用字符類型/0-9a-ZA-Z_+0-9a-ZA-Z_+(.0-9a-

15、ZA-Z_+)0,3$/ /E-mail的正則表達(dá)式模式/w+w+(.w+)0,3$/ /同上通用字符類型可以匹配相應(yīng)類型中的一個(gè)字符，例如“d”可以匹配數(shù)字類型中的任意一個(gè)十進(jìn)制數(shù)字。共有6種通用字符類型，包括“d”和“D”、“s”和“S”、“w”和“W”。當(dāng)然也可以使用原子表制定出這種通用字符類型，例如0-9和“d”的功能一樣，都可以匹配一個(gè)十進(jìn)制數(shù)字。但使用通用字符類型要方便得多，如下所示：上面兩個(gè)正則表達(dá)式的模式作用一樣，都是匹配電子郵件的格式。很顯然使用通用字符類型“w”要比使用原子表“0-9a-zA-Z_”的格式清晰得多。Ø 限定符/as*b/ /“s”表示空白原子，可以

16、匹配在a和b之間沒(méi)有空白、一個(gè)或有多個(gè)空白情況/ad+b/ /可以匹配在a和b之間有一個(gè)或有多個(gè)數(shù)字的情況，如a2b、a34567b等/aW?b/ /可以匹配在a和b之間有一個(gè)或有沒(méi)有特殊字符，如ab、a#b、a%b等/ax4b/ /可以匹配在a和b之間必須有4個(gè)x的字符串，如axxxxb/ax2,b/ /可以匹配在a和b之間至少要有2個(gè)x的字符串，如axxb、axxxxxxb等/ax2,4b/ /可以匹配在a和b之間至少有2個(gè)和最多有4個(gè)x的字符串，如axxb、axxxb和axxxxb限定符用來(lái)指定正則表達(dá)式的一個(gè)給定原子必須要出現(xiàn)多少次才能滿足匹配。有“*”、“+”、“？”、“n”、“n,

17、”以及“n,m”共6種限定符，他們之間的區(qū)別主要是重復(fù)匹配的次數(shù)不同。其中“*”、“+”和“n, ”限定符都是貪婪的，因?yàn)樗鼈儠?huì)盡可能多的匹配文字。如下所示：元字符“*”表示0次、1次或多次匹配其前的原子，也可以使用“0,”完成同樣的匹配。同樣“+”可以使用“1,”表示，以及“？”可以使用“0,1”表示。Ø 邊界限制/this/ /匹配此字符串是否是以字符串“this”開(kāi)始的，匹配成功/test$/ /匹配此字符串是否是以字符串“test”結(jié)束的，匹配成功/bisb/ /匹配此字符串中是否含有單詞“is”，因?yàn)樵谧址癷s”兩邊都需要有邊界/Bisb/ /查找字符串“is”時(shí)，左邊

18、不能為邊界而右邊必須有邊界，如“this”匹配成功用來(lái)限定字符串或單詞的邊界范圍，以獲得更準(zhǔn)確的匹配結(jié)果。元字符“”（或“A”）和“$”（或“Z”）分別指字符串的開(kāi)始與結(jié)束，而“b”用于描述字符串中每個(gè)單詞的前或后邊界，與之相反的元字符“B”表示非單詞邊界。例如有一個(gè)字符串“this is a test”使用的邊界限制如下所示：Ø 句號(hào)（.）/a.b/ /可以匹配在a和b之間有任意一個(gè)字符的字符串，例如axb、ayb、azb等在字符類之外，模式中的圓點(diǎn)可以匹配目標(biāo)中的任何一個(gè)字符，包括不可打印字符。但不匹配換行符（默認(rèn)情況下），相當(dāng)于“n”(Unix系統(tǒng))或“rn”（Windows系

19、統(tǒng)）。如果設(shè)定了模式修正符號(hào)“s”則圓點(diǎn)也會(huì)匹配換行符。處理圓點(diǎn)與處理音調(diào)符“”和美元符“$”是完全獨(dú)立的，唯一的聯(lián)系就是它們都涉及到換行符。如下所示：通常，可以使用“.*？”或“.+？”組合來(lái)匹配除換行符以外的任何字符串。例如，模式“/<b>.*？b</b>/”可以匹配以“<b>”標(biāo)簽開(kāi)始，“</b>”標(biāo)簽結(jié)束的任何不包括換行符的字符串。Ø 模式選擇符（）豎線字符“”用來(lái)分隔多選一模式，在正則表達(dá)式中匹配兩個(gè)或更多的選擇之一。例如，模式“LAMP|J2EE”表示可以匹配“LAMP”也可以匹配“J2EE”，因?yàn)樵址Q線“”的優(yōu)先級(jí)是最

20、低的，所以并不是表示匹配“LAMP2EE”或“LAMPJ2EE”。也可以有更多的選擇，例如模式“/Linux|Apache|MySQL|PHP/”表示可以從中任意匹配一組。Ø 原子表（）/apjsp/ /可以匹配asp、psp或jsp三種，從原子表中僅選擇一個(gè)原子使用原子表“”可以定義一組彼此地位平等的原子，且從原子表中僅選擇一個(gè)原子進(jìn)行匹配。如下所示：/apjsp/ /可以匹配除了asp、php或jsp三種以外的字符串，如xsp、ysp或zsp等還可以使用原子表“”匹配除表內(nèi)原子外的任意一個(gè)字符，通常稱為排除原子表。如下所示：/0xX0-9a-fA-F+/ /可以匹配一個(gè)簡(jiǎn)單的十六

21、進(jìn)制數(shù)，如0x2f、0X3AE或0x4aB等另外，在原子表中可以使用負(fù)號(hào)“-”連接一組按ASCII碼順序排列的原子，能夠簡(jiǎn)化書(shū)寫。如下所示：Ø 模式單元/(very )*good/ /可以匹配good、very good、very very good或very very good等模式單元是使用元字符“()”將多個(gè)原子組成大的原子，被當(dāng)作一個(gè)單元獨(dú)立使用。與數(shù)學(xué)表達(dá)式中的括號(hào)作用類似，一個(gè)模式單元中的表達(dá)式將被優(yōu)先匹配。如下所示：在上面的例子中，緊接著“*”前的多個(gè)原子“very”用元字符“()”括起來(lái)被當(dāng)作一個(gè)單元，所以原子“(very)”可以沒(méi)有，也可以有一個(gè)或多個(gè)。Ø

22、 后向引用/d4Wd2Wd2$/ /這是一個(gè)匹配日期的格式，如2008-08/08或2008/08-08等'/d4(W)d21d2$/ /這是一個(gè)匹配日期的格式，如2008-08-08或2008/08/08等使用元字符“( )”標(biāo)記的開(kāi)始和結(jié)束多個(gè)原子，不僅是一個(gè)獨(dú)立的單元，也是一個(gè)子表達(dá)式。這樣，對(duì)一個(gè)正則表達(dá)式模式或部分模式兩邊添加圓括號(hào)將導(dǎo)致相關(guān)匹配存儲(chǔ)到一個(gè)臨時(shí)緩沖區(qū)中，可以被獲取供以后使用。所捕獲的每個(gè)子匹配都按照在正則表達(dá)式模式中從左至右所遇到的內(nèi)容存儲(chǔ)。存儲(chǔ)子匹配的緩沖區(qū)編號(hào)從1開(kāi)始，連續(xù)編號(hào)直至最大99個(gè)子表達(dá)式。每個(gè)緩沖區(qū)都可以使用“n”訪問(wèn)，其中n為一個(gè)標(biāo)識(shí)特定緩沖

23、區(qū)的一位或兩位十進(jìn)制數(shù)。例如“1”、“2”、“3”等的形式進(jìn)行引用，在正則表達(dá)的模式中使用時(shí)還需要在前面再加上一個(gè)反斜線，將斜線再次轉(zhuǎn)義。例如“1”、“2”、“3”等。如下所示：在上例中聲明了兩個(gè)正則表達(dá)式，用來(lái)匹配日期格式。如果使用第一種模式則在年、月及日之間的分隔符號(hào)可以是任意的特殊字符，完全可以不對(duì)應(yīng)。但實(shí)際應(yīng)用中日期格式之間的分隔符號(hào)必須是對(duì)應(yīng)的，即年和月之間使用“-”，則月和日之間也要和前面的一樣使用“-”。在上述中的第二個(gè)正則表達(dá)式就可以達(dá)到這種效果。這是因?yàn)槟Ｊ健癢”加上了元字符括號(hào)“()”，結(jié)果已經(jīng)被存儲(chǔ)到緩沖區(qū)中。所以在第一個(gè)“（W）”的位置使用“-”則下一個(gè)位置使用“1”引

24、用時(shí)，其匹配模式也必須是字符“-”。/(Windows)(Linux)2OS/ /使用“2”再次引用第二個(gè)緩沖區(qū)中的字符串“Linux”/(?:Widows)(Linux)1OS/ /使用“?:”忽略了第一個(gè)子表式的存儲(chǔ)，所以“1”引用的就是“Linux”如需要使用模式單元而又不想存儲(chǔ)匹配結(jié)果時(shí)，可以使用非捕獲元字符 “？:”、“？=”或“？!'”來(lái)忽略對(duì)相關(guān)匹配的保存。在一些正則表達(dá)式中，使用非存儲(chǔ)模式單元是必要的，可以改變其后向引用的順序。如下所示：Ø 模式匹配的優(yōu)先級(jí)在使用正則表達(dá)式時(shí)，需要注意匹配的順序。通常相同優(yōu)先級(jí)是從左到右進(jìn)行運(yùn)算，不同優(yōu)先級(jí)的運(yùn)算先高后低。各種

25、操作符的匹配順序優(yōu)先級(jí)從高到低如表4所示：表4 模式匹配的順序順 序元字符描 述1轉(zhuǎn)義符號(hào)2()、(？:)、(？=),、模式單元和原子表3*、+、？、n、n,、n,m重復(fù)匹配4、$、b、B、A、Z邊界限制5|模式選擇Ø 模式修正符模式修正符號(hào)在正則表達(dá)式定界符之外使用（最后一個(gè)反斜線“/”之后），例如“/php/i”。其中“/php/”是一個(gè)正則表達(dá)式的模式，而“i”就是修正此模式所使用的修正符號(hào)，用來(lái)在匹配時(shí)不區(qū)分大小寫。模式修正符可以調(diào)整正則表達(dá)式的解釋，擴(kuò)展了正則表達(dá)式在匹配、替換等操作時(shí)的某些功能，而且模式修正符號(hào)也可以組合使用，更增強(qiáng)了正則表達(dá)式的處理能力。例如“/php/Uis”則是使用“U”、“i”和“s”三個(gè)模式修正符組合在一起使用。模式修正符對(duì)編寫簡(jiǎn)潔而簡(jiǎn)小的表達(dá)式大有幫助，在下面的表格中，列出了一些常用的模式修正符及其功能說(shuō)明。如表5所示：表5 模式修正符號(hào)模式修正符功能描述i在和模式進(jìn)行匹配時(shí)不區(qū)分大小寫m將字符串視為多行。默認(rèn)的正則開(kāi)始“”和結(jié)束“$”將目標(biāo)字符串作為單一的一“行”字符（甚至其中包含有換行符也是如此）。如果在修飾符中加上“m”，那么開(kāi)始和結(jié)束將會(huì)指字符串的每一行，每一行的開(kāi)頭就是“”，結(jié)尾就是“$”。s如果設(shè)定了此修正符，模式中的圓點(diǎn)元