正则表明式

  转载自:http://114.xixik.com/regex/

  正则表明式(英文:Regular Expression)在总计机科学中,是指一个用来
描述依然配合一名目繁多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

  • 正则表明式用于字符串处理、表单验证等场合,实用高效。现将有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+\/>)$/
  • Unicode 编码中的汉字范围:/^[u4e00-u9fa5],{0,}$/
  • 配合闽南语字符的正则表明式: [\u4e00-\u9fa5]
    • 评注:匹配中文还真是个咳嗽的事,有了这多少个表明式就好办了
  • 配合双字节字符(包括汉字在内):[^\x00-\xff]
    • 评注:可以用来计量字符串的长短(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明式:\n\s*\r
    • 评注:可以用来删除空白行
  • 匹配 HTML
    标记的正则表明式:<(\S*?)[^>]*>.*?</\1>|<.*?
    />

    • 评注:网上流传的本子太糟糕,上边这一个也仅仅能匹配部分,对于复杂的嵌套标记依然不能
  • 匹配首尾空白字符的正则表达式:^\s*|\s*$

    • 评注:能够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),分外有用的表明式
  • 匹配 Email 地址的正则表明式:
    \w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*

    • 评注:表单验证时很实用
  • 匹配网址 URL 的正则表明式:[a-zA-z]+://[^\s]*
    • 评注:网上流传的本子效果很有限,上边这一个大旨可以满意急需
  • 匹配帐号是否合法(字母先河,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:匹配情势如 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
  • 非常中国陆地邮编:[1-9]\d{5}(?!\d)
    • 评注:中国次大陆邮编为 6 位数字
  • 相当身份证:\d{15}|\d{18}
    • 评注:中国陆地的身份证为 15 位或 18 位
  • 匹配 ip 地址:\d+\.\d+\.\d+\.\d+
    • 评注:提取 ip 地址时有用
  • 非凡特定数字:
    • ^[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:处理大量数码时有用,具体运用时注意修正

 

  • 十分特定字符串:

    • ^[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

  正则表明式有多种不同的风格。下表是在 PCRE
中元字符及其在正则表明式上下 文中的行为的一个完好无缺列表:

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 的语法所写的以身作则

  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,与地方的示范功用雷同

print $str = “a1234” =~ m:^[a-zA-Z0-9]{4,16}$: ? “COMFIRM” :
“FAILED”;

print $str = “a1234″ =~ m”^\w[12]\d{8}$” ? “COMFIRM” : “INVAILD”;

三、怎么着写出高效能的正则表明式

  倘诺纯粹是为着挑衅自己的正则水平,用来实现部分特效(例如使用正则表明式
总括质数、解线性方程),效能不是题材;如果所写的正则说明式只是为了满 足
一五遍、几十次的运转,优化与否区别也不太大。不过,如若所写的正则表达式
会百万次、千万次地运行,效能就是很大的问题了。我这里总括了几条提高正则
表 达式运行效能的经验(工作中学到的,看书学来的,自己的回味),贴在这里。假若你有其他的阅历而这边没有提及,欢迎赐教。

 为行文方便,先定义两个概念。

  误匹配:指正则表明式所匹配的始末范围超出了所需要限制,有些公文明明不符
合要求,可是被所写的正则式“击中了”。例如,假设采纳\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 那样的彰着不是手机号的字符串。大家把如此的匹配称之为误匹配。

  漏匹配:指正则表明式所匹配的情节所规定的限定太狭窄,有些公文确实是所需
要的,但是所写的正则没有将这种状态包括在内。例如,使用\d{18}来匹配 18
位的身份证编号,就会挂一漏万结尾是字母 X 的情形。

  写出一条正则表明式,既可能只现出误匹配(条件写得极宽松,其范围大于目的文本),也恐怕只出现漏匹配(只描述了目的文本中多种状态种的一种),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
情状),又会挂一漏万 ab-c.com 这样的域名(合法域名中可以含中写道,不过\w 不
匹配中写道)。

  精准的正则表达式意味着既无误匹配且无漏匹配。当然,现实中留存这么的意况:
只可以看看个别数量的文件,遵照这多少个文件写规则,不过这个规则将会用到海 量
的文本中。这种状态下,尽可能地(如若不是全然地)消除误匹配以及漏匹配,
并进步运作功能,就是大家的靶子。本文所指出的经历,紧假若针对这种状况。

  通晓语法细节。正则表达式在各个语言中,其语法大致相同,细节各有千秋。明
确所利用语言的正则的语法的底细,是写出正确、高效正则表明式的根基。例如,
perl 中与\w 等效的匹配范围是[a-zA-Z0-9_];perl
正则式不援助肯定逆序环视 中动用可变的双重(variable repetition inside
lookbehind,例如 (?<=.*)abc),但是.Net
语法是永葆这一特性的;又如,JavaScript 连逆序环
视(Lookbehind,如(?<=ab)c) 都不协理,而 perl 和 python
是扶助的。《了解 正则表达式》第 3
章《正则表明式的性状和法家概览》明确地列出了各大流派正
则的异同,这篇著作也简单 地列出了三种常用语言、工具中正则的可比。对于
具体使用者而言,至少应该详细摸底正在利用的这种工作语言左徒则的语法细
节。

  先粗后精,先加后减。使用正则表明式语法对于目的文本举行描述和限量,能够像画摄影一样,先大致勾勒出框架,再逐月在局步实现细节。仍举刚才的手机号
的事例,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,只举这样一个事例,说明渐渐细化的经过)。这样做的目的是先去掉漏匹配(刚开始先尽可能多
地包容,做
加法),然后再一点一点地解除误匹配(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”这个目的迈进。

  留有余地。所能看到的文件 sample
是简单的,而待匹配检验的文本是海量的,
暂时不可见的。对于这样的处境,在写正则表明 式时要跳出所能见到的文件的
圈子,开拓思路,作出“战略性前瞻”。例如,平日接到这么的废料短信:“发
*票”、“发#漂”。如若要写规则屏蔽那样烦人的垃 圾短信,不但要能写出可以非凡当前文件的正则表明式 发[*#](?:票|漂),还要可以想到
发.(?:票|漂|
飘)之类可能出现的“变种”。这在切实的园地可能会有针对的规则,不多言。
这样做的目的是排除漏匹配,延长正则表达式的生命周期。

  明确。具体说来,就是小心翼翼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,就毫无用点号;只要可以预测重复次
数的,就绝不用任意量词。例如,写析取 twitter 信息的台本,假若一条音信的
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>这种写法的笔触要好于<span
class=”msg”>.*</span>,原因有二:一是运用[^<],它保证了文本的限定不
会超出下一个低于号所在的职务;二是通晓长度限制,{1,480},其按照是一条
twitter 音讯大致能的字符长度限制。当然,480 这几个尺寸是否科学还可推敲,
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
保留部分内存等着你再度访问。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。养成合理采取(?:…)括号的习惯。

  宁简勿繁。将一条复杂的正则表明式拆分为两条或多条简单的正则表达式,编程
难度会稳中有降,运行功效会升级。例如用来消除行首和行尾空白字符的正则表明式
s/^\s+|\s+$//g;,其运转效能理论上要小于 s/^\s+//g; s/\s+$//g;
。这几个例
子出自《领悟正则表明式》第五章,书中对它的评说是“它几乎连接最快的,而
且分明最容易精通”。既快又容易通晓,何乐而不为?工作中我们还有此外的理
由要将 C==(A|B)这 样的正则表明式拆为 A 和 B 两条表明式分别实施。例如,虽然 A 和 B 这两种状态只要有一种可以击中所需要的公文格局就会中标匹配,不过要是假定有一便条表达式 (例如 A)会发出误匹配,那么不论其余的子表明式
(例如 B)功用如何之高,范围咋样精准,C 的共同体精准度也会因 A 而惨遭震慑。

  巧妙定位。有时候,大家需要配合的 the,是用作单词的 the(两边有空格),
而不是当做单词一片段的 t-h-e 的静止排列(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、淘汰不成事
匹配的效用。

相关文章