目录

1 正则表达式定义

• 正则表达式(regular expression)描述了一种字符串匹配的模式，可以用来检查一个串是否含有某种子串、将匹配的子串做替换或者从某个串中取出符合某个条件的子串等。


• 列目录时，　dir *.txt或ls *.txt中的*.txt就不是一个正则表达式,因为这里*与正则式的*的含义是不同的。


• 正则表达式是由普通字符（例如字符 a 到 z）以及特殊字符（称为元字符）组成的文字模式。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。

1.1 普通字符

由所有那些未显式指定为元字符的打印和非打印字符组成。这包括所有的大写和小写字母字符，所有数字，所有标点符号以及一些符号。

1.2 非打印字符

1.3 特殊字符

所谓特殊字符，就是一些有特殊含义的字符，如上面说的*.txt中的*，简单的说就是表示任何字符串的意思。如果要查找文件名中有＊的文件，则需要对*进行转义，即在其前加一个\，如 \*.txt。正则表达式有以下特殊字符。

• 使用括号的3个理由是： 限制多选结构、分组和捕获文本

  
  



• -i的参数很有用， 它能进行忽略大小写的匹配

  
  



• 构造正则表达式的方法和创建数学表达式的方法一样。也就是用多种元字符与操作符将小的表达式结合在一起来创建更大的表达式。正则表达式的组件可以是单个的字符、字符集合、字符范围、字符间的选择或者所有这些组件的任意组合。

  
  

1.4 限定符

• 定符用来指定正则表达式的一个给定组件必须要出现多少次才能满足匹配。有*或+或?或{n}或{n,}或{n,m}共6种。

  
  



• *、+和?限定符都是贪婪的，因为它们会尽可能多的匹配文字，只有在它们的后面加上一个? 就可以实现非贪婪或最小匹配。

  
  

正则表达式的限定符有：

1.5 定位符

用来描述字符串或单词的边界，^和$分别指字符串的开始与结束，\b描述单词的前或后边界，\b表示非单词边界。不能对定位符使用限定符。

1.6 选择

用圆括号将所有选择项括起来，相邻的选择项之间用|分隔。但用圆括号会有一个副作用，是相关的匹配会被缓存，此时可用?:放在第一个选项前来消除这种副作用。

其中?:是非捕获元之一，还有两个非捕获元是?=和?!，这两个还有更多的含义，前者为正向预查，在任何开始匹配圆括号内的正则表达式模式的位置来匹配搜索字符串，后者为负向预查，在任何开始不匹配该正则表达式模式的位置来匹配搜索字符串。

1.7 后向引用

对一个正则表达式模式或部分模式两边添加圆括号将导致相关匹配存储到一个临时缓冲区中，所捕获的每个子匹配都按照在正则表达式模式中从左至右所遇到的内容 存储。存储子匹配的缓冲区编号从 1 开始，连续编号直至最大 99 个子表达式。每个缓冲区都可以使用 ‘\n’ 访问，其中 n 为一个标识特定缓冲区的一位或两位十进制数。

可以使用非捕获元字符 ?:, ?=, ?! 来忽略对相关匹配的保存。

2. 各种操作符的运算优先级

相同优先级的从左到右进行运算，不同优先级的运算先高后低。各种操作符的优先级从高到低如下：

3. 全部符号解释

4. 部分例子

5. 正则表达式匹配规则

5.1 基本模式匹配

一切从最基本的开始。模式，是正规表达式最基本的元素，它们是一组描述字符串特征的字符。模式可以很简单，由普通的字符串组成，也可以非常复杂，往往用特殊的字符表示一个范围内的字符、重复出现，或表示上下文。

 

例如：^once

这个模式包含一个特殊的字符^，表示该模式只匹配那些以once开头的字符串。例如该模式与字符串”once upon a time”匹配，与”there once was a man from newyork”不匹配。正如如^符号表示开头一样，$符号用来匹配那些以给定模式结尾的字符串。

 

例如：bucket$

这个模式与”who kept all of this cash in a bucket”匹配，与”buckets”不匹配。字符^和$同时使用时，表示精确匹配（字符串与模式一样）。

 

例如：^bucket$

只匹配字符串”bucket”。如果一个模式不包括^和$，那么它与任何包含该模式的字符串匹配。例如：模式

 

例如：once与字符串 there once was a man from newyork who kept all of his cash in a bucket.是匹配的。

在该模式中的字母(o-n-c-e)是字面的字符，也就是说，他们表示该字母本身，数字也是一样的。其他一些稍微复杂的字符，如标点符号和空白字符（空格、 制表符等），要用到转义序列。所有的转义序列都用反斜杠(\)打头。制表符的转义序列是：\t。所以如果我们要检测一个字符串是否以制表符开头，可以用这 个模式：

 

例如： ^\t

类似的，用\n表示“换行”，\r表示回车。其他的特殊符号，可以用在前面加上反斜杠，如反斜杠本身用\\表示\，句号.用\.表示，以此类推。

5.2 字符簇

在internet的程序中，正规表达式通常用来验证用户的输入。当用户提交一个form以后，要判断输入的电话号码、地址、email地址、信用卡号码等是否有效，用普通的基于字面的字符是不够的。

所以要用一种更自由的描述我们要的模式的办法，它就是字符簇。要建立一个表示所有元音字符的字符簇，就把所有的元音字符放在一个方括号里：

 

例如：[aaeeiioouu]

这个模式与任何元音字符匹配，但只能表示一个字符。用连字号可以表示一个字符的范围，如：

[a-z] //匹配所有的小写字母

[a-z] //匹配所有的大写字母

[a-za-z] //匹配所有的字母

[0-9] //匹配所有的数字

[0-9\.\-] //匹配所有的数字，句号和减号

[\f\r\t\n] //匹配所有的空白字符

 

同样的，这些也只表示一个字符，这是一个非常重要的。如果要匹配一个由一个小写字母和一位数字组成的字符串，比如”z2″、”t6″或”g7″，但不是”ab2″、”r2d3″ 或”b52″的话，用这个模式：

 

例如： ^[a-z][0-9]$

尽管[a-z]代表26个字母的范围，但在这里它只能与第一个字符是小写字母的字符串匹配。

前面曾经提到^表示字符串的开头，但它还有另外一个含义。当在一组方括号里使用^是，它表示“非”或“排除”的意思，常常用来剔除某个字符。还用前面的例子，我们要求第一个字符不能是数字：

 

例如：^[^0-9][0-9]$

这个模式与”&5″、”g7″及”-2″是匹配的，但与”12″、”66″是不匹配的。下面是几个排除特定字符的例子：

 

[^a-z] //除了小写字母以外的所有字符

[^\\\/\^] //除了(\)(/)(^)之外的所有字符

[^\"\'] //除了双引号(")和单引号(')之外的所有字符

特殊字符. (点，句号)在正规表达式中用来表示匹配除了“换行”之外的所有字符。所以模式^.5$与任何两个字符的、以数字5结尾和以其他非“换行”字符开头的字符串匹配。模式.可以匹配任何字符串，除了空串和只包括一个“换行”的字符串。

 

php的正规表达式有一些内置的通用字符簇，列表如下：

字符簇含义

[[:alpha:]] 任何字母

[[:digit:]] 任何数字

[[:alnum:]] 任何字母和数字

[[:space:]] 任何白字符

[[:upper:]] 任何大写字母

[[:lower:]] 任何小写字母

[[:punct:]] 任何标点符号

[[:xdigit:]] 任何16进制的数字，相当于[0-9a-fa-f]

5.3 确定重复出现

到现在为止，你已经知道如何去匹配一个字母或数字，但更多的情况下，可能要匹配一个单词或一组数字。一个单词有若干个字母组成，一组数字有若干个单数组成。跟在字符或字符簇后面的花括号({})用来确定前面的内容的重复出现的次数。

 

字符簇含义

^[a-za-z_]$ 所有的字母和下划线

^[[:alpha:]]{3}$ 所有的3个字母的单词

^a$ 字母a

^a{4}$ aaaa

^a{2,4}$ aa,aaa或aaaa

^a{1,3}$ a,aa或aaa

^a{2,}$ 包含多于两个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} 两个制表符

.{2} 所有的两个字符

这些例子描述了花括号的三种不同的用法。一个数字，{x}的意思是前面的字符或字符簇只出现x次；一个数字加逗号，{x,}的意思是前面的内容出现 x或更多的次数；两个用逗号分隔的数字，{x,y}表示前面的内容至少出现x次，但不超过y次。我们可以把模式扩展到更多的单词或数字：

 

^[a-za-z0-9_]{1,}$ //所有包含一个以上的字母、数字或下划线的字符串

^[0-9]{1,}$ //所有的正数

^\-{0,1}[0-9]{1,}$ //所有的整数

^\-{0,1}[0-9]{0,}\.{0,1}[0-9]{0,}$ //所有的小数

最后一个例子不太好理解，是吗？这么看吧：与所有以一个可选的负号(\-{0,1})开头(^)、跟着0个或更多的数字([0-9]{0,})、和一个可选的小数点(\.{0,1})再跟上0个或多个数字([0-9]{0,})，并且没有其他任何东西($)。下面你将知道能够使用的更为简单的方法。

 

特殊字符?与{0,1}是相等的，它们都代表着：“0个或1个前面的内容”或“前面的内容是可选的”。所以刚才的例子可以简化为：

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

特殊字符*与{0,}是相等的，它们都代表着“0个或多个前面的内容”。最后，字符+与 {1,}是相等的，表示“1个或多个前面的内容”，所以上面的4个例子可以写成：

^[a-za-z0-9_]+$ //所有包含一个以上的字母、数字或下划线的字符串

^[0-9]+$ //所有的正数

^\-?[0-9]+$ //所有的整数

^\-?[0-9]*\.?[0-9]*$ //所有的小数

 

匹配美元金额 @\$[0-9]+(?:\.[0-9]+)[email&＃160;protected]

 

在字符组内部， 元字符的定义规则（及它们的意义） 是不一样的。例如， 在字符组外部， 点号是元字符， 但是在内部则不是如此。相反， 连字符只有在字符组内部（这是普遍情况） 才是元字符， 否则就不是。脱字符在字符组外部表示一个意思， 在字符组内部紧接着[时表示另一个意思， 其他情况下又表示别的意思。

 

●不要混淆多选项和字符组。字符组[abc] 和多选项(a|b|c) 固然表示同一个意思， 但是这个例子中的相似性并不能推广开来。无论列出的字符有多少， 字符组只能匹配一个字符。相反， 多选项可以匹配任意长度的文本， 每

个多选项可能匹配的文本都是独立的， 例如\<(1,000,000|million|thousand·thou)\> 。不过， 多选项没有像字符组那样的排除功能。

●排除型字符组是表示所有未列出字符的字符组的简便方法。因此， [^x] 的意思并不是“只有当这个位置不是x时才能匹配”， 而是说“匹配一个不等于x的字符”。其中的差别很细微， 但很重要。例如， 前面的概念可以匹配一个空行， 而[^x] 则不行。

●-i参数规定在匹配时不区分大小写

 

@([a-za-z]+).+\[email&＃160;protected]

在支持反向引用的工具软件中， 括号能够记忆其中的子表达式匹配的文本。当然， 在一个表达式中我们可以使用多个括号。再用\1 ,\2 ,\3 等来表示第一、第二、第三组括号匹配的文本

 

变量名：[a-za-z_][a-za-z_0-9]* 如果长度有限制 用区间量词 {0,31} 替代最后的*

 

匹配引号内的字符串 "[^"]*"

我们用[^"] 来匹配除双引号之外的任何字符， 用* 来表示两个引号之间可以存在任意数目的非双引号字符

note： 不管 ignore case 是否设置为 true，在这种情况下，\d与\d总是区分大小写的，下面将介绍的也是一样

6. 贪婪匹配和惰性匹配

6.1 定义

贪婪匹配(greedy)： 它会匹配尽可能多的字符。它首先看整个字符串，如果不匹配，对字符串进行收缩；遇到可能匹配的文本，停止收缩，对文本进行扩展，当发现匹配的文本时，它不着急将该匹配保存到匹配集合中，而是对文本继续扩展，直到无法继续匹配 或者 扩展完整个字符串，然后将前面最后一个符合匹配的文本(也是最长的)保存起来到匹配集合中。所以说它是贪婪的。

惰性匹配(lazy)：它会匹配尽可能少的字符，它从第一个字符开始找起，一旦符合条件，立刻保存到匹配集合中，然后继续进行查找。所以说它是懒惰的。

6.2 贪婪匹配的匹配过程

6.3 惰性匹配的匹配过程

7. 匹配边界

7.1定义

正则表达式中，可以在字符前加\b，来匹配其 后面 的字符位于字符串首位的字符 。

正则表达式中，可以在 字符后 加\b，来匹配其 前面 的字符位于字符串末位的字符

通常情况下，以 空格、段落首行、段落末尾、逗号、句号 等符号作为边界，值得注意的是，分隔-也可以作为边界

 

note： 这里有个重要的搜索引擎优化常识，大家注意到本文档的命名，我采用的是：regular-expression-tutorial.pdf，为什么不用下划线分隔，命名成regular_expression_tutorial.pdf 呢？ 因为当搜索引擎看到-的时候，会把它视为一个空格(' ')，而看到下划线_的时候，会把它视为空字符('')，实际上，下划线的正确叫法是连字符。于是，当我命名为 regular-expression-tutorial.pdf 时，搜索引擎看到的是：regular expression tutorial.pdf，而当我命名成 regular_expression_tutorial.pdf 时，搜索引擎看作 regularexpressiontutorial.pdf 。

可以看出，正则表达式在字符边界问题上 对-的处理方式 与 搜索引擎相同

7.2 边界的相对性

当你对一个普通字符，比如“s”，设定边界的时候，它的边界是诸如空格、分隔符、逗号、句号等。

当你对一个边界，比如分隔符-或者,等，设定边界的时候，它的边界是普通字符

7.3 匹配文本首

在正则表达式中，可以在 匹配模式 的第一个字符前添加 ^，以匹配满足模式且位于全部文本之首的字符串。 可以将它的匹配方式理解成这样：1、假设不存在^，进行一个正常匹配，将所有匹配的文本保存到匹配集合中；2、在匹配集合中寻找位于 所搜索的文本 首位的匹配；3、从匹配集合中删除其他匹配，仅保留该匹配

7.4 匹配文本末

在正则表达式中，可以在 匹配模式 的最后一个字符后添加 $，以匹配 满足模式且位于全部文本之末的字符串

 

回顾下之前介绍的，可以看出： \b和\b是对 匹配模式(表达式) 中某个字符出现的进行位置(单词首位还是末位)进行限制。^和$ 是对 整个待搜索文本 的 匹配模式(表达式) 出现位置(文本首位还是文本末位)进行限制。它们的关系是一小一大

8. 匹配子模式

在正则表达式中，可以使用(和)将模式中的子字符串括起来，以形成一个子模式。将子模式视为一个整体时，那么它就相当于一个单个字符

例：

$str = 'this is the first line.

this is the second line.



this is the third line.
>>>>';
preg_match('@(){2,[email&＃160;protected]',$str,$matches);

匹配过程理解成这样：子模式()首先匹配所有
、
或
；然后，将每一个匹配结果视为一个整体(相当于单个字符)；接着，匹配这个整体连续出现两次或以上的文本。

 

“或”匹配

在正则表达式中，可以使用|将一个表达式拆分成两部分“reg1|reg2”，它的意思是：匹配所有符合表达式 reg1 的文本 或者 符合表达式 reg2 的文本

$str = 'the text of this row is bold.
the text of this row is italic.';
preg_match_all('@|@is',$str,$matches);

 

在子模式中使用“或”匹配

从上面的定义应该可以看出，“|”分隔的是整个表达式，而有的时候，我们希望分隔的是一个表达式的一部分，比如说，我们想要匹配 “1900”到“2099”的所有年份。

$str = '1932 is supposed to be matched as a whole, but it is matched only part of it.
2055 is mathced in the right way.
3019 is out of range, but it\'s still matched partly';
preg_match_all('@(19|20)\[email&＃160;protected]',$str,$matches);

 

嵌套子模式

匹配 1900 年1 月 1 日 到 2000 年 1 月 1 日 除过闰年外的所有正确日期

$str = 'these dates are matched: 1900-1-1、 1928-2-28、 1931-11-30、 2000-1-1、 1999-10-30
these dates are not matched: 1900-1-32、 1928-2-29、 2000-01-1、 1982-12-08';

1. 首位可以是 19 也可以是 20； reg： 19|20


2. 当是 19 的时候，后面可以是 00 到 99 中任意数字； regex： 19\d{2}|20


3. 当是 20 的时候，只能匹配 00； reg： 19\d{2}|2000


4. 月份可以是 1 到 9，或者 10 到 12； reg： (19\d{2}|2000)-([1-9]|1[0-2])
   
   因为天数与月份相关，所以将 ([1-9]|1[0-2]) 拆分为下面三个子模式：


5. 当月份是 2 的时候，天数是 28； reg： 2-([1-9]\b|1\d|2[0-8])


6. (1、3、5、7、 8、 10、 12) 月， 天数是 31； reg： ([13578]|1[02])-([1-9]\b|[12]\d|3[01])


7. (4、6、9、11) 月，天数是 30； reg： ([469]|11)-([1-9]\b|[12]\d|30)

note： 注意上面日期部分的匹配，分成了两部分，月和日；对于月来说，如果我们要匹配大月(31 天的月)，写法是：[13578]|1[0-2]；而日期部分，比如说要匹配 31 天，它又由三部分组成：[1-9]表示 1 号到 9 号；[12]\d 表示 10 号到 29 号；3[01]表示 30 号到 31 号。

还有个地方需要注意：单词边界问题，如果你这样写表达式： 2-([1-9]|1\d|2[0-8])，对于 2-29 这样不应该匹配的日期，会匹配它合法的部分 2-29，因为2-2满足2-[1-9]。回顾下我之前讲述的内容，我们还必须规定，当天数是个位数时，它必须处于单词边界[1-9]\b。

preg_match_all('@(19\d{2}|2000)-(2-([1-9]\b|1\d|2[0-8])|([13578]|1[02])-([1-9]\b|[12]\d|3[01])|([469]|11)-([1-9]\b|[12]\d|30))@is',$str,$matches);

result：these dates are matched: 1900-1-1、 1928-2-28、 1931-11-30、 2000-1-1、 1999-10-30

these dates are not matched: 1900-1-32、 1928-2-29、 2000-01-1、 1982-12-08

9. 后向引用

1.匹配重复单词

2.匹配有效的 html 标记

$str = 'is the cost of of gasline going up up?
look up of the tv, your mobile phone is there.';

惰性匹配：((of|up)\b ??){2}

正则表达式中，使用\数字来进行后向引用，数字表示这里引用的是前面的第几个子模式。

preg_match_all('@(of|up) \[email&＃160;protected]',$str,$matches);

这一次，我们获得了预期的效果，(of|up) \1的含义是： 如果前面 子模式 1 匹配了“of”，那么\1就代表“of”；如果 子模式 1 匹配了 “up”，那么\1就代表“up”，整个表达式相当于“of of|up up”

 

我们不知道哪些单词重复，这时候，就只能使用后向引用来完成

$str = 'is the cost of of gasline going up up?
look up of the tv, your mobile phone is there.
you are the best of the the best';
preg_match_all('@(\w+) \[email&＃160;protected]',$str,$matches);

$str = '

this is a valid header

this is not valid.