正則表達(dá)式(regular expression abbr. regex) 功能強(qiáng)大,能夠用于在一大串字符里找到所需信息。它利用約定俗成的字符結(jié)構(gòu)表達(dá)式來發(fā)生作用。不幸的是,簡單的正則表達(dá)式對于一些高級運(yùn)用,功能遠(yuǎn)遠(yuǎn)不夠。若要進(jìn)行篩選的結(jié)構(gòu)比較復(fù)雜,你可能就需要用到高級正則表達(dá)式。
本文介紹正則表達(dá)式的高級技巧。篩選出了八個常用的概念,并配上實(shí)例解析,每個例子都是滿足某種復(fù)雜要求的簡單寫法。如果你對正則的基本概念尚缺乏了解,請先閱讀這篇文章,或者這個教程,或者維基條目。
這里的正則語法適用于php,與perl兼容。
1. 貪婪/懶惰
所有能多次限定的正則運(yùn)算符都是貪婪的。他們盡可能多地匹配目標(biāo)字符串,也就是說匹配結(jié)果會盡可能地長。不幸的是,這種做法并不總是我們想要的。因此,我們添加“懶惰”限定符來解決問題。在各個貪婪運(yùn)算符后添加“?”能讓表達(dá)式只匹配盡可能短的長度。另外,修改器“u”也能惰化能多次限定的運(yùn)算符。理解貪婪與懶惰的區(qū)別是運(yùn)用高級正則表達(dá)式的基礎(chǔ)。
貪婪操作符
操作符 匹配之前的表達(dá)式零次或零次以上。它是一個貪婪操作符。請看下面的例子:
復(fù)制代碼 代碼如下:
preg_match( ' / h1> . /h1> /' ' h1> 這是一個標(biāo)題。 /h1>
h1> 這是另一個。 /h1> ' $matches )
句點(diǎn)(.)能代表除換行符外的任意字符。上面的正則表達(dá)式匹配 h1 標(biāo)簽以及標(biāo)簽內(nèi)的所有內(nèi)容。它用句點(diǎn)(.)和星號()來匹配標(biāo)簽內(nèi)的所有內(nèi)容。匹配結(jié)果如下:
1. h1> 這是一個標(biāo)題。 /h1> h1> 這是另一個。 /h1>
整個字串都被返回。 操作符會連續(xù)匹配所有內(nèi)容—— 甚至包括中間的 h1 閉合標(biāo)簽。因?yàn)樗秦澙返?,匹配整個字串是符合其利益最大化原則。
懶惰操作符
把上面的式子稍作修改,加上一個問號(?),能讓表達(dá)式變懶惰:
1./ h1> .? /h1> /
這樣它會覺得,只需匹配到第一個 h1 結(jié)尾標(biāo)簽就完成任務(wù)了。
另一個有著類似屬性的貪婪操作符是 {n } 。它代表之前的匹配模式重復(fù)n次或n次以上,如果沒有加上問號,它會尋找盡可能多的重復(fù)次數(shù),加上的話,則會盡可能少重復(fù)(當(dāng)然也就是“重復(fù)n次”最少)。
復(fù)制代碼 代碼如下:
# 建立字串
$str = ' hihihi oops hi'
# 使用貪婪的{n }操作符進(jìn)行匹配
preg_match( ' /(hi){2 }/' $str $matches ) # matches[0] 將是 ' hihihi'
# 使用墮化了的 {n }? 操作符匹配
preg_match( ' /(hi){2 }?/' $str $matches ) # matches[0] 將是 ' hihi'
2. 回返引用(back referencing)
有什么用?
回返引用(back referencing)一般被翻譯成“反向引用”、“后向引用”、“向后引用”,個人覺得“回返引用”更為貼切[笨活兒]。它是在正則表達(dá)式內(nèi)部引用之前捕獲到的內(nèi)容的方法。例如,下面這個簡單例子的目的是匹配出引號內(nèi)部的內(nèi)容:
復(fù)制代碼 代碼如下:
# 建立匹配數(shù)組
$matches = array()
# 建立字串
$str = " " this is a ' string' " "
# 用正則表達(dá)式捕捉內(nèi)容
preg_match( " /(" |' ).?(" |' )/" $str $matches )
# 輸出整個匹配字串
echo $matches[0]
它會輸出:
1." this is a'
顯然,這并不是我們想要的內(nèi)容。
這個表達(dá)式從開頭的雙引號開始匹配,遭遇單引號之后就錯誤地結(jié)束了匹配。這是因?yàn)楸磉_(dá)式里說:(”|'),也就是雙引號(”)和單引號(')均可。要修正這個問題,你可以用到回返引用。表達(dá)式1 2 … 9 是對前面已捕獲到的各個子內(nèi)容的編組序號,能作為對這些編組的“指針”而被引用。在此例中,第一個被匹配的引號就由 1 代表。
如何運(yùn)用?
將上面的例子中,后面的閉合引號替換為1:
1.preg_match( ' /(" |' ).?1/' $str $matches )
這會正確地返回字串:
1." this is a ' string' "
譯注思考題:
如果是中文引號,前引號和后引號不是同一個字符,怎么辦?
還記得php函數(shù) preg_replace 嗎?其中也有回返引用。只不過我們沒有用 1 … 9,而是用了 $1 … $9 … $n (此處任意數(shù)目均可)作為回返指針。例如,如果你想把所有的段落標(biāo)簽 p> 都替換成文本:
復(fù)制代碼 代碼如下:
$text = preg_replace( ' / p> (.?) /p> /'
" lt p gt $1 lt /p gt " $html )
參數(shù)$1是一個回調(diào)引用,代表段落標(biāo)簽 p> 內(nèi)部的文字,并插入到替換后的文本里。這種簡便易用的表達(dá)式寫法為我們提供了一個獲取已匹配文字的簡單方法,甚至在替換文本時也能使用。
3. 已命名捕獲組(named groups)
當(dāng)在一個表達(dá)式內(nèi)多次用到回調(diào)引用時,很容易就把事情搞混淆,要弄清那些數(shù)字(1 … 9)都代表哪一個子內(nèi)容是件很麻煩的事?;卣{(diào)引用的一個替代方法是使用帶名字的捕獲組(下文簡稱“有名組”)。有名組使用(?p name> pattern)來設(shè)定,name代表組名,pattern是配合該有名組的正則結(jié)構(gòu)。請看下面的例子:
1./(?p quote> " |' ).?(?p=quote)/
上式中,quote就是組名,”|' 的是匹配內(nèi)容的正則。后面的(?p=quote)是在調(diào)用組名為quote的有名組。這個式子的效果和上面的回調(diào)引用實(shí)例一樣,只不過是用了有名組來實(shí)現(xiàn)。是不是更加易讀易懂了?
有名組也能用于處理已匹配內(nèi)容之?dāng)?shù)組的內(nèi)部數(shù)據(jù)。賦予特定正則的組名也能作為所匹配到的內(nèi)容在數(shù)組內(nèi)部的索引詞。
復(fù)制代碼 代碼如下:
preg_match( ' /(?p quote> " |' )/' " ' string' " $matches )
# 下面的語句輸出“' ”(不包括雙引號)
echo $matches[1]
# 使用組名調(diào)用,也會輸出“' ”
echo $matches[' quote' ]
所以,有名組并不只是讓寫代碼更容易,它也能用于組織代碼。
4. 字詞邊界(word boundaries)
字詞邊界是字串里的字詞字符(包括字母、數(shù)字和下劃線,自然也包括漢字)和非字詞字符之間的位置。其特殊之處就在于,它并不匹配某個實(shí)在的字符。它的長度是零。 b 匹配所有字詞邊界。
不幸的是,字詞邊界一般都被忽視掉了,大部分人都沒有在意他的現(xiàn)實(shí)意義。 例如,如果你想要匹配單詞“import”:
1./import/
注意了!正則表達(dá)式有時候很調(diào)皮的。下面的字串也能和上面的式子匹配成功:
1.important
你或許覺得,只要在import前后加上空格,不就可以匹配這個獨(dú)立的單詞了:
1./ import /
那如果遇上這種情況呢:
1.the trader voted for the import
當(dāng) import 這個詞在字串開頭或者結(jié)尾時,修改后的表達(dá)式仍然不能用。因此,考慮各種情況是必須的:
1./(^import | import | import$)/i
別慌,還沒完呢。如果遇到標(biāo)點(diǎn)符號了呢?就為了滿足這一個單詞的匹配,你的正則可能就需要這樣寫:
1./(^import(:| | )? | import(:| | )? | import(.|?|!)?$)/i
對于只匹配一個單詞來說,這樣做實(shí)在是有點(diǎn)大動干戈了。正因如此,字詞邊界才顯得意義重大。要適應(yīng)上述要求,以及很多其他情況變種,有了字符邊界,我們所需寫的代碼只是:
1./bimportb/
上面所有情況都得到了解決。 b 的靈活性就在于,它是一個沒有長度的匹配。它只匹配兩個實(shí)際字符之間想象出的位置。它檢查兩個相鄰字符是否是一個為單字,另一個為非單字。情況符合,就返回匹配。如果遇到了單詞的開頭或結(jié)尾, b 會把它當(dāng)成是非單詞字符對待。由于import里面的 i 仍然被看成是單詞字符,import 就被匹配出來了。
注意,與b相對,我們還有 b,此操作符匹配兩個單字或者兩個非單字之間的位置。因此,如果你想匹配在某個單詞內(nèi)部的‘hi',可以使用:
1.bhib
“this”、“hight”,都會返回匹配,而“hi there”則會返回不匹配。
5. 最小組團(tuán)(atomic groups)
最小組團(tuán)是無捕捉的特殊正則表達(dá)式分組。通常用來提高正則表達(dá)式的效能,也能用于消除特定匹配。一個最小組團(tuán)可以用(?> pattern) 來定義,其中pattern是匹配式。
1./(?> his|this)/
當(dāng)正則引擎針對最小組團(tuán)進(jìn)行匹配時,它會跳過組團(tuán)內(nèi)標(biāo)記的回溯位置。以單詞“smashing”為例,當(dāng)用上面的正則表達(dá)式匹配時,正則引擎會先嘗 試在“smashing”里尋找“his”。顯然,找不到任何匹配。此時,最小組團(tuán)就發(fā)揮作用了:正則引擎會放棄所有回溯位置。也就是說,它不會嘗試再從 “smashing”里查找“this”。為什么要這樣設(shè)置?因?yàn)椤癶is”都沒有返回匹配結(jié)果,包含有“his”的“this”當(dāng)然就更匹配不了了!
上面的例子并沒有什么實(shí)用性,我們用/t?his?/ 也能達(dá)到效果。再看看下面的例子:
1./b(engineer|engrave|end)b/
如果把“engineering”拿去匹配,正則引擎會先匹配到“engineer”,但接下來就遇到了字詞邊界,b,所以匹配不成功。然后,正則 引擎又會嘗試在字串里尋找下一個匹配內(nèi)容:engrave。匹配到eng的時候,后面的又對不上了,匹配失敗。最后,嘗試“end”,結(jié)果同樣是失敗。仔 細(xì)觀察,你會發(fā)現(xiàn),一旦engineer匹配失敗,并且都抵達(dá)了字詞邊界,“engrave”和“end”這兩個詞就已經(jīng)不可能匹配成功了。這兩個詞都比 engineer短小,正則引擎不應(yīng)該再多做無謂的嘗試。
1./b(?> engineer|engrave|end)b/
上面的替代寫法更能節(jié)省正則引擎的匹配時間,提高代碼的工作效率。
6. 遞歸(recursion)
遞歸(recursion)用于匹配嵌套結(jié)構(gòu),例如括弧嵌套, (this (that)),html標(biāo)簽嵌套 div> div> /div> /div> 。我們使用(?r)來代表遞歸過程中的子模式。下面是一個匹配嵌套括弧的例子:
1./(((?> [^()]+)|(?r)))/
最外層使用了反義符的括號“(”匹配嵌套結(jié)構(gòu)的開端。然后是一個多選項(xiàng)操作符( | ),可能匹配除括號外的所有字符 “(?> [^()]+)”,也可能是通過子模式“(?r)”來再次匹配整個表達(dá)式。請注意,這個操作符會盡量多地匹配所有嵌套。
遞歸的另一個實(shí)例如下:
1./ ([w]+).?> ((?> [^ > ]+)|((?r))) /1> /
以上表達(dá)式綜合運(yùn)用了字符分組,貪婪操作符、回溯,以及最小化組團(tuán)來匹配嵌套標(biāo)簽。第一個括弧內(nèi)分組([w]+)匹配出標(biāo)簽名,用于接下來的應(yīng)用。若找到這尖括號樣式的標(biāo)簽,則嘗試尋找標(biāo)簽內(nèi)容的剩余部分。下一個括弧括起來的子表達(dá)式和上一個實(shí)例非常相似:要么匹配不包括尖括號的所有字符 (?> [^ > ]+),要么遞歸匹配整個表達(dá)式(?r)。整個表達(dá)式最后一部分就是尖括號樣式的閉合標(biāo)簽 /1> 。
7. 回調(diào)(callbacks)
匹配結(jié)果中的特定內(nèi)容有時可能會需要某種特別的修改。要應(yīng)用多重而復(fù)雜的修改,正則表達(dá)式的回調(diào)就有了用武之地?;卣{(diào)是用于函數(shù)preg_replace_callback中的動態(tài)修改字串的方式。你可以為preg_replace_callback指定某個函數(shù)為參數(shù),此函數(shù)能接收匹配結(jié)果數(shù)組為參數(shù),并將數(shù)組修改后返回,作為替換的結(jié)果。
例如,我們想將某字串中的字母全部轉(zhuǎn)變成大寫。十分不巧,php沒有直接轉(zhuǎn)化字母大小寫的正則操作符。要完成這項(xiàng)任務(wù),就可以用到正則回調(diào)。首先,表達(dá)式要匹配出所有需要被大寫的字母:
1./bw/
上式同時使用了字詞邊界和字符類。光有這個式子還不夠,我們還需要一個回調(diào)函數(shù):
復(fù)制代碼 代碼如下:
function upper_case( $matches ) {
return strtoupper( $matches[0] )
}
函數(shù)upper_case接收匹配結(jié)果數(shù)組,并將整個匹配結(jié)果轉(zhuǎn)化成大寫。 在此例中,$matches[0]代表需要被大寫化的字母。然后,我們再利用preg_replace_callback實(shí)現(xiàn)回調(diào):
1.preg_replace_callback( ' /bw/' " upper_case" $str )
一個簡單的回調(diào)即有這般強(qiáng)大的力量。
8. 注釋(commenting)
注釋不用來匹配字串,但確實(shí)是正則表達(dá)式中最重要的部分。當(dāng)正則越寫越深入,越寫越復(fù)雜,要推譯出究竟什么東西被匹配就會變得越來越困難。在正則表達(dá)式中間加上注釋,是最小化將來的迷糊和困惑的最佳方式。
要在正則表達(dá)式內(nèi)部加上注釋,使用(?#comment)格式。把“comment”替換成你的注釋語句:
1./(?#數(shù)字)d/
如果你打算把代碼公之于眾,為正則表達(dá)式加上注釋就顯得尤為重要。這樣別人才能更容易看懂和修改你的代碼。和其他場合的注釋一樣,這樣做也能為你重訪自己以前寫的程序時提供方便。
考慮使用“x”或“(?x)”修改器來格式化注釋。這個修改器讓正則引擎忽略表達(dá)式參數(shù)之間的空格。“有用的”空格仍然能夠通過[ ]或(反義符加空格)來匹配。
復(fù)制代碼 代碼如下:
/
d #digit
[ ] #space
w+ #word
/x
上面的代碼與下面的式子作用一樣:
1./d(?#digit)[ ](?#space)w+(?#word)/
請時刻注意代碼的可讀性。
模式修正符
是為正則表達(dá)式增強(qiáng)和補(bǔ)充的一個功能,使用在正則之外
例子:/正則/U U就表示一個模式修正符
一下幾個為php中常用的:(注意:區(qū)分大小寫)
i 正則內(nèi)容在匹配時候不區(qū)分大小寫(默認(rèn)是區(qū)分的)
m 在匹配首內(nèi)容或者尾內(nèi)容時候采用多行識別匹配
s 將轉(zhuǎn)義回車取消是為單位匹配
x 忽略正則中的空白
A 強(qiáng)制從頭開始匹配
D 強(qiáng)制$匹配尾部任何內(nèi)容\n
U 禁止貪mei匹配,只跟蹤到最近的一個匹配符并結(jié)束,常用在采集程序的正則表達(dá)式
您可能感興趣的文章:- 正則表達(dá)式高級學(xué)習(xí)技巧
- ASP正則表達(dá)式技巧
- PHP 正則表達(dá)式的幾則使用技巧
- 正則表達(dá)式高級技巧及實(shí)例詳解 笨活兒
- javascript 正則表達(dá)式(二) 使用技巧說明
- 模板引擎正則表達(dá)式調(diào)試小技巧
- .NET 正則表達(dá)式使用高級技巧之替換類介紹
- 正則表達(dá)式匹配不包含某些字符串的技巧
- 寫出高效率的正則表達(dá)式技巧總結(jié)