中国海洋正则表明式

  转载自:http://114.xixik.com/regex/

  正则表明式(英文:Regular Expression)在微机科学中,是指一个用来
描述依旧同盟一多元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、表单验证等场地,实用高效。现将一部分常用的抒发
    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+\/>)$/
  • Unicode 编码中的汉字范围:/^[u4e00-u9fa5],{0,}$/
  • 协作普通话字符的正则表达式: [\u4e00-\u9fa5]
    • 评注:匹配普通话还真是个头痛的事,有了这一个说明式就好办了
  • 非凡双字节字符(包涵汉字在内):[^\x00-\xff]
    • 评注:可以用来计算字符串的长度(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
    标记的正则表达式:<(\S*?)[^>]*>.*?</\1>|<.*?
    />

    • 评注:网上流传的本子太不佳,上边那些也唯有能匹配部分,对于复杂的嵌套标记依旧不可以
  • 匹配首尾空白字符的正则表明式:^\s*|\s*$

    • 评注:可以用来删除行首行尾的空白字符(包蕴空格、制表符、换页符等等),分外有用的表明式
  • 匹配 Email 地址的正则说明式:
    \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单薄,上面这些基本可以满意急需
  • 卓殊帐号是还是不是合法(字母开头,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
  • 卓绝国内电话号码:\d{3}-\d{8}|\d{4}-\d{7}
    • 评注:匹配方式如 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
  • 卓殊中国新大陆邮编:[1-9]\d{5}(?!\d)
    • 评注:中国陆地邮编为 6 位数字
  • 匹配身份证:\d{15}|\d{18}
    • 评注:中国大洲的身份证为 15 位或 18 位
  • 匹配 ip 地址:\d+\.\d+\.\d+\.\d+
    • 评注:提取 ip 地址时有用
  • 合营特定数字:
    • ^[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:处理大批量数量时有用,具体使用时留意纠正

 

  • 匹配特定字符串:

    • ^[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、表明式全集

  正则表明式有多种差距的风格。下表是在 PCRE
中元字符及其在正则表达式上下 文中的行为的一个整机列表:

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

  验证字符串是或不是只含数字与英文,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,与地点的以身作则功用雷同

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

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

三、怎样写出高功能的正则表明式

  如若纯粹是为着挑衅自己的正则水平,用来贯彻部分特效(例如使用正则表明式
总计质数、解线性方程),功效小问题;如若所写的正则表达式只是为着满 足
一两回、几十次的周转,优化与否分化也不太大。但是,如果所写的正则表明式
会百万次、千万次地运行,功用就是很大的问题了。我那边总计了几条进步正则
表 达式运行效用的经验(工作中学到的,看书学来的,自己的回味),贴在那里。如果你有任何的经验而那边没有提及,欢迎赐教。

 为行文方便,先定义两个概念。

  误匹配:指正则表达式所匹配的始末范围超出了所急需限制,有些公文明明不符
合须要,不过被所写的正则式“击中了”。例如,若是采纳\d{11}来匹配 11 位
的手机号,\d{11}不单能合营正确的手机号,它还会匹配 98765432100 那样的明显不是手机号的字符串。我们把这么的匹配称之为误匹配。

  漏匹配:指正则表明式所匹配的内容所规定的范围太狭窄,有些公文确实是所要求的,可是所写的正则没有将那种场合包涵在内。例如,使用\d{18}来匹配 18
位的身份证编号,就会目光如豆结尾是字母 X 的景色。

  写出一条正则表达式,既可能只出现误匹配(条件写得极宽松,其范围大于目的文本),也可能只出现漏匹配(只描述了对象文本中多种景观种的一种),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 包括了下划线那种
情状),又会目光如豆 ab-c.com 那样的域名(合法域名中可以含中写道,可是\w 不
匹配中写道)。

  精准的正则表明式意味着既无误匹配且无漏匹配。当然,现实中存在这么的情形:
只雅观到个别数量的文本,依据那些文件写规则,不过那些规则将会用到海 量
的文件中。那种情景下,尽可能地(即使不是完全地)消除误匹配以及漏匹配,
并提高周转功效,就是我们的对象。本文所提出的经历,首如若针对性那种情形。

  通晓语法细节。正则表明式在各样语言中,其语法大约相同,细节各有千秋。明
确所使用语言的正则的语法的细节,是写出正确、高效正则表明式的功底。例如,
perl 中与\w 等效的匹配范围是[a-zA-Z0-9_];perl
正则式不辅助肯定逆序环视 中动用可变的重复(variable repetition inside
lookbehind,例如 (?<=.*)abc),然而.Net
语法是帮忙这一特色的;又如,JavaScript 连逆序环
视(Lookbehind,如(?<=ab)c) 都不援救,而 perl 和 python
是帮衬的。《明白 正则表明式》第 3
章《正则表达式的特征和派系概览》明确地列出了各大门户正
则的异同,那篇小说也简要 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,至少应该详细询问正在使用的那种工作语言郎中则的语法细
节。

  先粗后精,先加后减。使用正则表达式语法对于目的文本进行描述和限制,可以像画油画一样,先大致勾勒出框架,再渐渐在局步完成细节。仍举刚才的无绳电话机号
的例证,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(至于第三位是还是不是3、5、8,那里无意深究,只举那样一个例证,表明逐步细化的历程)。那样做的目标是先消除漏匹配(刚开端先尽可能多
地包容,做
加法),然后再一点一点地铲除误匹配(做减法)。那样有先有后,在考虑时才
不易出错,从而向“不误不漏”那个目的阔步前进。

  留有余地。所能看到的文件 sample
是个其余,而待匹配检验的文书是海量的,
暂时不可知的。对于如此的情景,在写正则表明 式时要跳出所能见到的公文的
圈子,开拓思路,作出“战略性前瞻”。例如,平常接到这么的废品短信:“发
*票”、“发#漂”。假使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),还要能够想到
发.(?:票|漂|
飘)之类可能出现的“变种”。那在实际的领域可能会有针对性的平整,不多言。
这样做的目标是革除漏匹配,延长正则表明式的生命周期。

  明确。具体说来,就是谨慎用点号那样的元字符,尽可能不用星号和加号那样的
任意量词。只要能确 定范围的,例如\w,就绝不用点号;只要可以预测重复次
数的,就不要用任意量词。例如,写析取 twitter 音信的脚本,如果一条消息的
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>这种写法的思路要好于<span
class=”msg”>.*</span>,原因有二:一是采取[^<],它有限援助了文本的限定不
会超出下一个紧跟于号所在的职位;二是明确长度限制,{1,480},其基于是一条
twitter 音信大概能的字符长度限制。当然,480 这几个尺寸是或不是科学还可推敲,
可是那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、
不负义务的做法”。

  不要让稻草压死骆驼。每使用一个常见括号()而不是非捕获型括号(?:…),就会
保留部分内存等着您再一次做客。那样的正则表明式、无限次地运作次数,无异
于一根根稻草的堆加,终于能将骆驼压死。养成合理利用(?:…)括号的习惯。

中国海洋,  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明式,编程
难度会下降,运行成效会升级。例如用来扫除行首和行尾空白字符的正则表达式
s/^\s+|\s+$//g;,其运行效能理论上要小于 s/^\s+//g; s/\s+$//g;
。这几个例
子出自《精晓正则表达式》第五章,书中对它的评价是“它大约连接最快的,而
且显然最简单领会”。既快又不难了解,何乐不为?工作中我们还有任何的理
由要将 C==(A|B)那 样的正则表达式拆为 A 和 B 两条表明式分别实施。例如,虽然 A 和 B 那二种情状只要有一种能够击中所须要的文件形式就会水到渠成匹配,但是假使假若有一条子表明式 (例如 A)会生出误匹配,那么不论其他的子表明式
(例如 B)功用怎么着之高,范围怎样精准,C 的共同体精准度也会因 A 而惨遭震慑。

  巧妙定位。有时候,我们须求合营的 the,是作为单词的 the(两边有空格),
而不是用作单词一部分的 t-h-e 的不变排列(例如 together 中的 the)。在适
当的时候用上^,$,\b 等等定位锚点,能卓有功能升高找到成功匹配、淘汰不成功
匹配的效能。