正則表達式 - 匹配規則

基本模式匹配

一切從最基本的開始。模式,是正則表達式最基本的元素,它們是一組描述字符串特征的字符。模式可以很簡單,由普通的字符串組成,也可以非常複雜,往往用特殊的字符表示一個範圍內的字符、重複出現,或表示上下文。例如:

^once

這個模式包含一個特殊的字符 ^,表示該模式隻匹配那些以 once 開頭的字符串。例如該模式與字符串 "once upon a time" 匹配,與 "There once was a man from NewYork" 不匹配。正如如 ^ 符號表示開頭一樣,$ 符號用來匹配那些以給定模式結尾的字符串。

bucket$

這個模式與 "Who kept all of this cash in a bucket" 匹配,與 "buckets" 不匹配。字符 ^$ 同時使用時,表示精確匹配(字符串與模式一樣)。例如:

^bucket$

隻匹配字符串 "bucket"。如果一個模式不包括 ^$,那麼它與任何包含該模式的字符串匹配。例如模式:

once

與字符串

There once was a man from NewYork
Who kept all of his cash in a bucket.

是匹配的。

在該模式中的字母 (o-n-c-e) 是字麵的字符,也就是說,他們表示該字母本身,數字也是一樣的。其他一些稍微複雜的字符,如標點符號和白字符(空格、製表符等),要用到轉義序列。所有的轉義序列都用反斜杠 \ 打頭。製表符的轉義序列是 \t。所以如果我們要檢測一個字符串是否以製表符開頭,可以用這個模式:

^\t 

類似的,用 \n 表示"新行"\r 表示回車。其他的特殊符號,可以用在前麵加上反斜杠,如反斜杠本身用 \\ 表示,句號 .\. 表示,以此類推。

字符簇

在 INTERNET 的程序中,正則表達式通常用來驗證用戶的輸入。當用戶提交一個 FORM 以後,要判斷輸入的電話號碼、地址、EMAIL 地址、信用卡號碼等是否有效,用普通的基於字麵的字符是不夠的。

所以要用一種更自由的描述我們要的模式的辦法,它就是字符簇。要建立一個表示所有元音字符的字符簇,就把所有的元音字符放在一個方括號裏:

[AaEeIiOoUu]

這個模式與任何元音字符匹配,但隻能表示一個字符。用連字號可以表示一個字符的範圍,如:

[a-z] // 匹配所有的小寫字母 
[A-Z] // 匹配所有的大寫字母 
[a-zA-Z] // 匹配所有的字母 
[0-9] // 匹配所有的數字 
[0-9\.\-] // 匹配所有的數字,句號和減號 
[ \f\r\t\n] // 匹配所有的白字符

同樣的,這些也隻表示一個字符,這是一個非常重要的。如果要匹配一個由一個小寫字母和一位數字組成的字符串,比如 "z2"、"t6" 或 "g7",但不是 "ab2"、"r2d3" 或 "b52" 的話,用這個模式:

^[a-z][0-9]$

盡管 [a-z] 代表 26 個字母的範圍,但在這裏它隻能與第一個字符是小寫字母的字符串匹配。

前麵曾經提到^表示字符串的開頭,但它還有另外一個含義。當在一組方括號裏使用 ^ 時,它表示""或"排除"的意思,常常用來剔除某個字符。還用前麵的例子,我們要求第一個字符不能是數字:

^[^0-9][0-9]$

這個模式與 "&5"、"g7"及"-2" 是匹配的,但與 "12"、"66" 是不匹配的。下麵是幾個排除特定字符的例子:

[^a-z] //除了小寫字母以外的所有字符 
[^\\\/\^] //除了(\)(/)(^)之外的所有字符 
[^\"\'] //除了雙引號(")和單引號(')之外的所有字符

特殊字符 .(點,句號)在正則表達式中用來表示除了"新行"之外的所有字符。所以模式 ^.5$ 與任何兩個字符的、以數字5結尾和以其他非"新行"字符開頭的字符串匹配。模式 . 可以匹配任何字符串,換行符(\n、\r)除外

PHP的正則表達式有一些內置的通用字符簇,列表如下:

字符簇 描述
[[:alpha:]] 任何字母
[[:digit:]] 任何數字
[[:alnum:]] 任何字母和數字
[[:space:]] 任何空白字符
[[:upper:]] 任何大寫字母
[[:lower:]] 任何小寫字母
[[:punct:]] 任何標點符號
[[:xdigit:]] 任何16進製的數字,相當於[0-9a-fA-F]

確定重複出現

到現在為止,你已經知道如何去匹配一個字母或數字,但更多的情況下,可能要匹配一個單詞或一組數字。一個單詞有若幹個字母組成,一組數字有若幹個單數組成。跟在字符或字符簇後麵的花括號({})用來確定前麵的內容的重複出現的次數。

字符簇 描述
^[a-zA-Z_]$ 所有的字母和下劃線
^[[:alpha:]]{3}$ 所有的3個字母的單詞
^a$ 字母a
^a{4}$ aaaa
^a{2,4}$ aa,aaa或aaaa
^a{1,3}$ a,aa或aaa
^a{2,}$ 包含多於兩個a的字符串
^a{2,} 如:aardvark和aaab,但apple不行
a{2,} 如:baad和aaa,但Nantucket不行
\t{2} 兩個製表符
.{2} 所有的兩個字符

這些例子描述了花括號的三種不同的用法。一個數字 {x} 的意思是前麵的字符或字符簇隻出現x次 ;一個數字加逗號 {x,} 的意思是前麵的內容出現x或更多的次數 ;兩個數字用逗號分隔的數字 {x,y} 表示 前麵的內容至少出現x次,但不超過y次。我們可以把模式擴展到更多的單詞或數字:

^[a-zA-Z0-9_]{1,}$      // 所有包含一個以上的字母、數字或下劃線的字符串 
^[1-9][0-9]{0,}$        // 所有的正整數 
^\-{0,1}[0-9]{1,}$      // 所有的整數 
^[-]?[0-9]+\.?[0-9]+$   // 所有的浮點數

最後一個例子不太好理解,是嗎?這麼看吧:以一個可選的負號 ([-]?) 開頭 (^)、跟著1個或更多的數字([0-9]+)、和一個小數點(\.)再跟上1個或多個數字([0-9]+),並且後麵沒有其他任何東西($)。下麵你將知道能夠使用的更為簡單的方法。

特殊字符 ?{0,1} 是相等的,它們都代表著: 0個或1個前麵的內容前麵的內容是可選的 。所以剛才的例子可以簡化為:

^\-?[0-9]{1,}\.?[0-9]{1,}$

特殊字符 *{0,} 是相等的,它們都代表著 0 個或多個前麵的內容 。最後,字符 +{1,} 是相等的,表示 1 個或多個前麵的內容 ,所以上麵的4個例子可以寫成:

^[a-zA-Z0-9_]+$      // 所有包含一個以上的字母、數字或下劃線的字符串 
^[1-9][0-9]*$        // 所有的正整數 
^\-?[0-9]+$          // 所有的整數 
^[-]?[0-9]+(\.[0-9]+)?$ // 所有的浮點數

當然這並不能從技術上降低正則表達式的複雜性,但可以使它們更容易閱讀。