正則表達(dá)式(Regular Expression, abbr. regex) 功能強大，能夠用于在一大串字符里找到所需信息。

英文原文來自Smashing Magazine。由笨活兒翻譯。轉(zhuǎn)載請注明出處。

高級正則表達(dá)式

正則表達(dá)式(Regular Expression,abbr. regex) 功能強大，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)式對于一些高級運用，功能遠(yuǎn)遠(yuǎn)不夠。若要進行篩選的結(jié)構(gòu)比較復(fù)雜，你可能就需要用到。

介紹正則表達(dá)式的高級技巧

本文為您。我們篩選出了八個常用的概念，并配上實例解析，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

盡可能多

所有能多次限定的正則運算符都是貪婪的。他們地匹配目標(biāo)字符串，也就是說匹配結(jié)果會。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。在各個貪婪運算符后添加“?”能讓表達(dá)式只匹配的長度。另外，修改器“U”也能惰化能多次限定的運算符。理解貪婪與懶惰的區(qū)別是運用高級正則表達(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：

preg_match('/

.*<//h1>/', '

這是一個標(biāo)題。

這是另一個。

',$matches);

句點(.)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(.)和星號(*)來匹配標(biāo)簽內(nèi)的所有內(nèi)容。匹配結(jié)果如下：

這是一個標(biāo)題。

這是另一個。

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。因為它是貪婪的，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：

/

.*?<//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)。

# 建立字串

$str='hihihi oops hi';

# 使用貪婪的{n,}操作符進行匹配

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。它是在正則表達(dá)式內(nèi)部引用的方法。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：

# 建立匹配數(shù)組

array

$matches=();

# 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：

"This is a'

顯然，這并不是我們想要的內(nèi)容。

表達(dá)式/1,/2,…,/9

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。這是因為表達(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。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。

如何運用?

將上面的例子中，后面的閉合引號替換為1：

preg_match('/(/"|').*?/1/',$str,$matches);

這會正確地返回字串：

"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

都替換成文本：

$text= preg_replace('/

(.*?)

/',

"

$1

",$html);

參數(shù)$1是一個回返引用，代表段落標(biāo)簽

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。回調(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(?Ppattern)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：

/(?P"|').*?(?P=quote)/

上式中，quote就是組名，"|'是改組匹配內(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)引用實例一樣，只不過是用了有名組來實現(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。

preg_match('/(?P"|/')/', "'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，它并不匹配某個實在的字符。它的長度是。/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)實意義。 例如，如果你想要匹配單詞“import”：

/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：

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立的單詞了：

/ import /

那如果遇上這種情況呢：

for

The trader votedthe 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：

/(^import | import | import$)/i

別慌，還沒完呢。如果遇到標(biāo)點符號了呢?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：

/(^import(:|;|,)? | import(:|;|,)? | import(/.|/?|/!)?$)/i

很多其他情況變種

對于只匹配一個單詞來說，這樣做實在是有點大動干戈了。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，有了字符邊界，我們所需寫的代碼只是：

//bimport/b/

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：

/Bhi/B

“this”、“hight”，都會返回匹配，而“hi there”則不會返回匹配。

5. 最小組團(Atomic Groups)

最小組團

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。一個最小組團可以用(?>pattern) 來定義，其中pattern是匹配式。

/(?>his|this)/

當(dāng)正則引擎針對最小組團進行匹配時，它會跳過組團內(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?因為“his”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用性，我們用/t?his?/也能達(dá)到效果。再看看下面的例子：

//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。

//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

。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：

//(((?>[^()]+)|(?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。

遞歸的另一個實例如下：

/<([/w]+).*?>((?>[^<>]+)|((?R)))*<///1>/

以上表達(dá)式綜合運用了字符分組，貪婪操作符、回溯，以及最小化組團來匹配嵌套標(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)。表達(dá)式最后的代表閉合標(biāo)簽。

7. 回調(diào)(Callbacks)

的回調(diào)

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)式就有了用武之地。回調(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：

//b/w/

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)：

functionupper_case($matches) {

returnstrtoupper($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實現(xiàn)回調(diào)：

preg_replace_callback('//b/w/',"upper_case",$str);

一個簡單的回調(diào)即有這般強大的力量。

8. 注釋(Commenting)

注釋

不用來匹配字串，但確實是正則表達(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：

/(?#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/s，或者/(反義符加空格)來匹配。

/

/d #digit

[ ] #space

/w+ #word

/x

上面的代碼與下面的式子作用一樣：

//d(?#digit)[ ](?#space)/w+(?#word)/

請時刻注意代碼的可讀性。

更多資源(英文)

Regular-Expressions.infoComprehensive website on regular expressions

Cheat SheetInformative regular expressions cheat sheet

Regex GeneratorJavaScript regular expressions generator

關(guān)于作者

Karthik Viswanathan 是一個喜歡編程和做網(wǎng)站的高中生。你可以到他的博客上查看他的作品：Lateral Code。你也可以關(guān)注一下他的線上Twitter應(yīng)用。