正则表达式基本知识（php）

摘要：字符组字符组就是一组字符，在正则表达式中，它表示在同一个位置可能出现的各种字符。放在正则表达式的开头，表示定位到字符串的起始位置用在正则表达式的末尾，表示定位到字符串的结束位置。

这里的知识点基本上是《正则指引》的读书笔记，只是每个知识点的示例代码用php来实现。

1. 字符组

字符组（Character Class）就是一组字符，在正则表达式中，它表示“在同一个位置可能出现的各种字符”。
写法：[ab]、[314]、[#.?]

字符组的基本用法

[...]

preg_match("/[0123456]/", "5");    // => 1
preg_match("/[abc123]/", "5");    // => 0

范围表示法（range）

[x-y]表示x到y整个范围内的字符。如，[0123456789]表示为[0-9]，[abcdefghijk]表示为[a-k]。

为什么是[0-9]，而不是[9-0]？
因为-表示的范围一般是根据字符对应的码值（Code Point）来确定的。典型地有ACSⅡ编码。在ACSⅡ编码中，0~9的码值是48~57，a~z的码值是97~122，A~Z的码值是65~90。

preg_match("/[0-9]/", "5");    // => 1
preg_match("/[a-z]/", "5");    // => 0
preg_match("/[0-9a-fA-F]/", "0");    // 16进制

字符组简记法（shorthands）

提供比范围表示法更简洁的表示方法，如d表示[0-9]，w表示[0-9a-zA-z_]。

php中支持的字符组简记：

d 所有的数字，即[0-9]

D 所有的非数字，与d互斥

w 所有的单词字符（字符、数字、下划线），即[0-9a-zA-Z_]

W 所有的非单词字符，与W互斥

s 所有的空白字符，包括空格、制表符、回车符、换行符等空白字符

S 所有的非空白字符，与s互斥

preg_match("/d/", "8");    // => 1
preg_match("/d/", "a");    // => 0
preg_match("/d[a-z]/", "a");    // => 1

preg_match("/w/", "a");    // => 1
preg_match("/w/", "6");    // => 1
preg_match("/w/", "_");    // => 1

preg_match("/s/", " ");    // => 1
preg_match("/s/", "	");    // => 1
preg_match("/s/", "
");    // => 1

元字符与转义

在范围表示法中，字符组中的横线-不能匹配横线字符，而是用来表示范围，这类字符叫做元字符（meta-character）。元字符除了-还有开方括号[、闭刚括号]、^、$等，它们都有特殊的意义。
当元字符想要表示普通字符的含义时（如-就只想表示横线字符），就需要转义处理（在元字符前加反斜线字符）。对于-，有一个例外情况，就是当它紧跟着字符组中的开括号[时，它就表示普通横线字符，此时不用转义。

preg_match("/[0-9]/", "-");    // => 1
preg_match("/[0-9]/", "8");    // => 0
preg_match("/[0-9]/", "0");    // => 1

preg_match("/[-09]/", "-");    // => 1

preg_match("/[0-9]/", "-");    // => 1
preg_match("/[0-9]/", "-");    // => 1

仔细看上面第一个表达式和最后两个表示式。这里要注意：

在php中，字符串既可以用单引号标注也可以用双引号标注。两者的主要区别在于，双引号字符串可以插值，二单引号字符串不能；另外，双引号字符串会处理字符串转义，二单引号字符串不会

正则表达式是以字符串的方式提供的。在php中，双引号字符串本身也有关于转义的规定（如""、" "、" "等），因此"0-9"与"0-9"是等价的。

那么最后一个表达式为什么也可以匹配呢？这是因为，尽管php的正则表达式用字符串文字给出，但它与常见的字符串不完全一样——如果某个转义序列可以有字符串识别，则对其进行转义处理；否则，将整个转义序列“原封不动”地保存下来。

因此，在正则表达式中转义要小心，在php中，使用单引号字符串来构建正则表达式会比双引号字符串更简单明了。

排除型字符组（Negated Character Class）

在方括号[…]中列出希望匹配的所有字符叫做“普通字符组”。在开方括号[之后紧跟一个脱字符^，写作[^…]，表示“在当前位置，匹配一个没有列出的字符”。例如，[^0-9]匹配非数字字符。

preg_match("/[^0-9][0-9]/", "A8");    // => 1

排除型字符组中的紧跟着开方括号[的脱字符^也是元字符，如果要匹配尖括号字符，需要进行转义处理。但是，不紧跟着开方括号[的^就是普通字符，不需要转义。

preg_match("/[^0-9]/", "0");    // => 0
preg_match("/[^0-9]/", "0");    // => 1
preg_match("/[^0-9]/", "^");    // => 1
preg_match("/[0-9^]/", "^");    // => 1

POSIX字符组

之前介绍的字符组，都属于Perl衍生出来的正则表达式流派（Flavor），这个流派叫做PCRE（Per Compatible Regular Expression）。正则表达式还有其他流派，比如POSIX（Portable Operating System Interface for unix），它是一系列规范，定义了UNIX操作系统应当支持的功能，其中也包括了正则表达式的规范。

常见的[a-z]形式的字符组，在POSIX规范中仍然获得支持，称作POSIX方括号表达式。POSIX方括号表达式中的不是用来转义的，如[d]就只能匹配和d两个字符。这里涉及到]、-这两个特殊字符，在POSIX规范中，紧接在开方括号[之后的]才表示闭方括号字符，紧挨在闭方括号]之前的-才表示横线字符。

对于PCRE规范中的d、w、s等字符组简记法，POSIX中有类似的东西，叫做POSIX字符组。在ASCⅡ语言环境（locale）中，常见的POSIX字符组及其含义如下：

POSIX字符组	说明	ACSⅡ字符组	等价的PCRE简记法
[:alnum:]	字母和数字	[0-9a-zA-Z]
[:alpha:]	字母	[a-zA-Z]
[:ASCⅡ]	ASCⅡ字符	[x00-x7F]
[:blank:]	空格字符和制表字符	[ ]
[:cntrl:]	控制字符	[x00-x1Fx7F]
[:digit:]	数字字符	[0-9]	d
[:graph:]	空白字符之外的字符	[x21-x7E]
[:lower:]	小写字母字符	[a-z]
[:print:]	类似[:graph:]，但包括空白字符	[x20-x7E]
[:punct:]	标点符号	[][!"#$%&"()*+,./:;<=>?@^_`{	}~-]
[:space:]	空白字符	[ vf]	s
[:upper:]	大写字母	[A-Z]
[:word:]	字母字符	[A-Za-z0-9_]	w
[:xdigit:]	十六进制字符	[A-Fa-f0-9]

php中有专门处理POSIX正则的函数，但从5.3.0开始已经废弃了。这里只是了解一下相关知识。

2. 量词

这里首先介绍一下^和$两个特殊字符，在上一章的元字符与转义一节提到过这两个特殊字符。
^放在正则表达式的开头，表示“定位到字符串的起始位置”；$用在正则表达式的末尾，表示“定位到字符串的结束位置”。

preg_match("/wd/", "1a2b");   // => 1
preg_match("/^wd/", "1a2b");  // => 0 必须以字母开头
preg_match("/wd$/", "1a2b");  // => 0 必须以数字结尾
preg_match("/^wd/", "a2b");   // => 1
preg_match("/wd$/", "1a2");   // => 1
preg_match("/^wd$/", "1a2");  // => 0 开头必须是字母，结尾必须是数字
preg_match("/^wd$/", "a2");   // => 1

量词的一般形式

如果要匹配一个邮政编码（6位数字），目前能写出来的正则表达式是^ffffdffffd$：

preg_match("/^ffffdffffd$/", "100010");   // => 1
preg_match("/^ffffdffffd$/", "10001035"); // => 0
preg_match("/^ffffdffffd$/", "10a010");   // => 0

d重复6次的写法很不科学，正则表达式肯定会有更方便的写法，也就是量词（quantifier）。量词的通用形式是{m,n}（注意，,后面不能有空格），它限定之前的元素能够出现的次数，m是下限，n是上限。其他常见的量词形式有：

量词	说明
{n}	之前的元素必须出现n次
{m,n}	之前的元素最少出现m次，最多出现n次
{m,}	之前的元素最少出现m次，出现次数无上限
{0,n}	之前的元素可以不出现，也可以出现，最多出现n次

preg_match("/^d{6}$/", "100010");      // => 1

preg_match("/^d{4,6}$/", "123");       // => 0
preg_match("/^d{4,6}$/", "1234");      // => 1
preg_match("/^d{4,6}$/", "123456");    // => 1
preg_match("/^d{4,6}$/", "1234567");   // => 0

常用量词

正则表达式还有三个常用的量词，分别是+、?、*：

常用量词	{m,n}等价形式	说明
*	{0,}	可能出现，也可能不出现，出现次数没有上限
+	{1，}	至少出现1次，出现次数没有上限
?	{0,1}	出现0次或1次

这三种量词在实际中使用的非常多。

例如，匹配url的时候，有可能是http，也有可能是https，这个时候用?就很方便：

preg_match("/^https?://www.baidu.com/", "http://www.baidu.com");    // => 1
preg_match("/^https?://www.baidu.com/", "https://www.baidu.com");   // => 1

在匹配html的tag（如、