PHP Cookbook读书笔记 – 第22章正则表达式

概述

PHP提供了两组处理正则的函数，一组是传统的POSIX函数，都是以ereg开头（已过时，不推荐），另一组是Perl兼容的函数PCRE（Regular Expressions (Perl-Compatible)），函数名都是以preg作为前缀。包含的函数如下：

• preg_filter — 执行一个正则表达式搜索和替换
• preg_grep — 返回匹配模式的数组条目
• preg_last_error — 返回最后一个PCRE正则执行产生的错误代码
• preg_match_all — 执行一个全局正则表达式匹配
• preg_match — 执行一个正则表达式匹配
• preg_quote — 转义正则表达式字符
• preg_replace_callback — 执行一个正则表达式搜索并且使用一个回调进行替换
• preg_replace — 执行一个正则表达式的搜索和替换
• preg_split — 通过一个正则表达式分隔字符串

元字符(meta-characters)

\：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。

^：匹配输入字符串的开始位置，在字符前表示否定如：[^A-Z]表示除A-Z之外的字符

$：匹配输入字符串的结束位置

.：匹配除换行符外的所有字符，如果希望包含换行符可以这样[.\n]

[：匹配字符类别定义的开始位置

]：匹配字符类别定义的结束位置

|：选择匹配

(：子模式开始位置

)：子模式结束位置

?：匹配前面的子表达式零次或一次。? 等价于 {0,1}

*：匹配前面的子表达式零次或多次。*等价于{0,}

+：匹配前面的子表达式一次或多次。+ 等价于 {1,}

{：匹配最少/最多次数的开始位置

}：匹配最少/最多次数的结束位置，{4，8}表示最少出现4次，最多8次

-：指明字符的范围

模式修饰符

通常是放在模式定界符之后如：/pattern/i 中的i

关键字	含义
i	如果设置了此修饰符，模式中的字母大小写不敏感
m	默认情况下，PCRE认为目标字符串由单行字符组成。如果设置了此修饰符，目标字符串多行时，模式匹配从目标字符开始位置到结束位置。
s	前面介绍过模式中的点号（.）匹配除换行外的所有字符，如果设置了此修饰符，点号匹配所有字符，包含换行符。
x	如果设置了此修饰符，模式中没有经过转义的或不在字符类型中的空白数据将被忽略。
e	只对preg_replace()有效，在替换完成的结果作为eval函数的参数再运行一次
A	约束匹配使其仅从目标字符串的开始位置搜索
D	多行时美元符号仅匹配目标字符串的末尾，如果设置了m，则忽略此修饰符
S	一个模式需要多次使用时，设定此修饰符会对模式进行分析从而提升匹配速度
U	##使其量词默认为非贪婪，也可以通过在量词后以问号标记其非贪婪
X	##反斜线后如果跟一个无意义的字母会报错，默认情况下会忽略
J	修改本地PCRE_DUPNAMES，允许子组重名
u	##模式字符串被认为是utf-8编码

备注：标记为##的表示此方法与perl不兼容

ereg与preg的区别

1、preg模式不仅仅包含了字符串模式，同时也需要定界符。

定界符可以是任何除数字、反斜线、空白外的任意字符，经常使用\或#作为定界符，例如

//原
ereg('pattern','string');
//改为
preg_match('/pattern/','string');//这里的分隔符是可以自定义的，可以将/pattern/改为@pattern@ 

2、不要将定界符放在正则表达式的模式中，否则会导致模式提前结束。

$ereg_pattern = '.+';
$preg_pattern = addcslashes($ereg_pattern,'/'); 

3、preg函数在不区分大小写时需要在结束定界符后加i

//原
eregi('pattern','string');
//改为
preg_match('/pattern/i','string');

4、ereg_replace(参数1,参数2,参数3)中参数2如果是数字类型值，将被理解为ASCII编码值。preg_replace不存在这个问题，会将数字理解为数字

字符匹配

\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'
\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
\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
\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]
\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 (?)

查找第N个匹配

$todo = "
first=Get Dressed
next=Eat Jelly
last=Squash every week into a day
";

preg_match_all("/([a-zA-Z]+)=(.*)/", $todo, $matches, PREG_SET_ORDER);

foreach ($matches as $match) {
    print "The {$match[1]} action is {$match[2]} \n";
}

贪婪or非贪婪匹配

默认情况下，PHP都是贪婪匹配（最大化匹配），它会查找第一个起始标记和最后一个结束标记。

非贪婪匹配（最小化匹配）通过模式修饰符U或者在元字符后面添加？来修改模式中一部分的匹配策略

$html = 'I simply love your work';
// 贪婪匹配
$matchCount = preg_match_all('/.+/', $html, $matches);		//$matchCount = 1

// 非贪婪匹配
$matchCount = preg_match_all('/.+?/', $html, $matches);	//$matchCount = 2

// 非贪婪匹配
$matchCount = preg_match_all('/.+/U', $html, $matches);	//$matchCount = 2

匹配HTML标签

下面的例子是匹配HTML标签的，稍加改进可以用来匹配UBB标签

$html = file_get_contents('example.html');
preg_match_all('/<(strong|em)>(.+?)</\1>/is', $html, $matches);
foreach ($matches[2] as $text) {
    print "Text: $text \n";
}

阻止对子模式匹配文本的捕获

在子模式可选的情况下使用阻止捕获非常有用。可选的子模式可能会改变捕获的文本块数，通过 ?: 来设定其子模式不捕获

$html = '

';

preg_match_all('/rel="(?:prev|next)"(?: title="[^"]+?")? href=
"([^"]*?)"/', $html, $linkMatches);

print '$bothMatches is: '; var_dump($linkMatches);

转义特殊字符

如果是用户输入的字符串作为模式，需要转义，可以用preg_quote函数实现。例如：用户输入t.c时，不转义可能查到的结果包括tic、tucker等，转义后就是t.c