正則表達(dá)式(Regular Expression, abbr. regex) 功能強(qiáng)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(lái)發(fā)生作用。不幸的是，簡(jiǎn)單的正則表達(dá)式對(duì)于一些高級(jí)運(yùn)用，功能遠(yuǎn)遠(yuǎn)不夠。若要進(jìn)行篩選的結(jié)構(gòu)比較復(fù)雜，你可能就需要用到高級(jí)正則表達(dá)式。

本文為您介紹正則表達(dá)式的高級(jí)技巧。我們篩選出了八個(gè)常用的概念，并配上實(shí)例解析，每個(gè)例子都是滿足某種復(fù)雜要求的簡(jiǎn)單寫(xiě)法。如果你對(duì)正則的基本概念尚缺乏了解，請(qǐng)先閱讀 這篇文章，或者 這個(gè)教程，或者維基條目。

這里的正則語(yǔ)法適用于PHP，與Perl兼容。

1. 貪婪/懶惰

所有能多次限定的正則運(yùn)算符都是貪婪的。他們盡可能多地匹配目標(biāo)字符串，也就是說(shuō)匹配結(jié)果會(huì)盡可能地長(zhǎng)。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(lái)解決問(wèn)題。在各個(gè)貪婪運(yùn)算符后添加“?”能讓表達(dá)式只匹配盡可能短的長(zhǎng)度。另外，修改器“U”也能惰化能多次限定的運(yùn)算符。理解貪婪與懶惰的區(qū)別是運(yùn)用高級(jí)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(gè)貪婪操作符。請(qǐng)看下面的例子：

preg_match( '/<h1>.*<\/h1>/', '<h1>這是一個(gè)標(biāo)題。</h1>
<h1>這是另一個(gè)。</h1>', $matches );

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

<h1>這是一個(gè)標(biāo)題。</h1><h1>這是另一個(gè)。</h1>

整個(gè)字串都被返回。* 操作符會(huì)連續(xù)匹配所有內(nèi)容—— 甚至包括中間的 h1 閉合標(biāo)簽。因?yàn)樗�是貪婪的，匹配整個(gè)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(gè)問(wèn)號(hào)(?)，能讓表達(dá)式變懶惰：

/<h1>.*?<\/h1>/

這樣它會(huì)覺(jué)得，只需匹配到第一個(gè) h1 結(jié)尾標(biāo)簽就完成任務(wù)了。

另一個(gè)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(méi)有加上問(wèn)號(hào)，它會(huì)尋找盡可能多的重復(fù)次數(shù)，加上的話，則會(huì)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(jìn)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(gè)人覺(jué)得“回返引用”更為貼切[笨活兒]。它是在正則表達(dá)式內(nèi)部引用之前捕獲到的內(nèi)容的方法。例如，下面這個(gè)簡(jiǎn)單例子的目的是匹配出引號(hào)內(nèi)部的內(nèi)容：

# 建立匹配數(shù)組
$matches = array();
# 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(gè)匹配字串
echo  $matches[0];

它會(huì)輸出：

"This is a'

顯然，這并不是我們想要的內(nèi)容。

這個(gè)表達(dá)式從開(kāi)頭的雙引號(hào)開(kāi)始匹配，遭遇單引號(hào)之后就錯(cuò)誤地結(jié)束了匹配。這是因?yàn)楸磉_(dá)式里說(shuō)：("|')，也就是雙引號(hào)(")和單引號(hào)(')均可。要修正這個(gè)問(wèn)題，你可以用到回返引用。表達(dá)式\1,\2,…,\9 是對(duì)前面已捕獲到的各個(gè)子內(nèi)容的編組序號(hào)，能作為對(duì)這些編組的“指針”而被引用。在此例中，第一個(gè)被匹配的引號(hào)就由\1代表。

如何運(yùn)用?

將上面的例子中，后面的閉合引號(hào)替換為1：

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

這會(huì)正確地返回字串：

"This is a 'string'"

譯注思考題：

如果是中文引號(hào)，前引號(hào)和后引號(hào)不是同一個(gè)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(guò)我們沒(méi)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<p>都替換成文本：

$text = preg_replace( '/<p>(.*?)</p>/',
"&lt;p&gt;$1&lt;/p&gt;", $html );

參數(shù)$1是一個(gè)回返引用，代表段落標(biāo)簽<p>內(nèi)部的文字，并插入到替換后的文本里。這種簡(jiǎn)便易用的表達(dá)式寫(xiě)法為我們提供了一個(gè)獲取已匹配文字的簡(jiǎn)單方法，甚至在替換文本時(shí)也能使用。

3. 已命名捕獲組(Named Groups)

當(dāng)在一個(gè)表達(dá)式內(nèi)多次用到回調(diào)引用時(shí)，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(gè)子內(nèi)容是件很麻煩的事。回調(diào)引用的一個(gè)替代方法是使用帶名字的捕獲組（下文簡(jiǎn)稱“有名組”）。有名組使用 (?P<name>pattern)來(lái)設(shè)定，name代表組名，pattern是配合該有名組的正則結(jié)構(gòu)。請(qǐng)看下面的例子：

/(?P<quote>"|').*?(?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(gè)式子的效果和上面的回調(diào)引用實(shí)例一樣，只不過(guò)是用了有名組來(lái)實(shí)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<quote>"|\')/', "'String'", $matches );
# 下面的語(yǔ)句輸出“'”(不包括雙引號(hào))
echo $matches[1];
# 使用組名調(diào)用，也會(huì)輸出“'”
echo $matches['quote'];

所以，有名組并不只是讓寫(xiě)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(gè)實(shí)在的字符。它的長(zhǎng)度是零。 \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(méi)有在意他的現(xiàn)實(shí)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(shí)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(jué)得，只要在import前后加上空格，不就可以匹配這個(gè)獨(dú)立的單詞了：

/ import /

那如果遇上這種情況呢：

The trader voted for the import

當(dāng) import 這個(gè)詞在字串開(kāi)頭或者結(jié)尾時(shí)，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$)/

別慌，還沒(méi)完呢。如果遇到標(biāo)點(diǎn)符號(hào)了呢？就為了滿足這一個(gè)單詞的匹配，你的正則可能就需要這樣寫(xiě)：

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

對(duì)于只匹配一個(gè)單詞來(lái)說(shuō)，這樣做實(shí)在是有點(diǎn)大動(dòng)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，以及很多其他情況變種，有了字符邊界，我們所需寫(xiě)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(gè)沒(méi)有長(zhǎng)度的匹配。它只匹配兩個(gè)實(shí)際字符之間想象出的位置。它檢查兩個(gè)相鄰字符是否是一個(gè)為單字，另一個(gè)為非單字。情況符合，就返回匹配。如果遇到了單詞的開(kāi)頭或結(jié)尾， \b 會(huì)把它當(dāng)成是非單詞字符對(duì)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(lái)了。

注意，與\b相對(duì)，我們還有\(zhòng)B，此操作符匹配兩個(gè)單字或者兩個(gè)非單字之間的位置。因此，如果你想匹配在某個(gè)單詞內(nèi)部的‘hi’，可以使用：

\Bhi\B

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

5. 最小組團(tuán)(Atomic Groups)

最小組團(tuán)是無(wú)捕捉的特殊正則表達(dá)式分組。通常用來(lái)提高正則表達(dá)式的效能，也能用于消除特定匹配。一個(gè)最小組團(tuán)可以用(?>pattern) 來(lái)定義，其中pattern是匹配式。

/(?>his|this)/

當(dāng)正則引擎針對(duì)最小組團(tuán)進(jìn)行匹配時(shí)，它會(huì)跳過(guò)組團(tuán)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(shí)，正則引擎會(huì)先嘗試在“smashing”里尋找“his”。顯然，找不到任何匹配。此時(shí)，最小組團(tuán)就發(fā)揮作用了：正則引擎會(huì)放棄所有回溯位置。也就是說(shuō)，它不會(huì)嘗試再?gòu)?“smashing”里查找“this”。為什么要這樣設(shè)置？因?yàn)椤癶is”都沒(méi)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(méi)有什么實(shí)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(huì)先匹配到“engineer”，但接下來(lái)就遇到了字詞邊界，\b，所以匹配不成功。然后，正則引擎又會(huì)嘗試在字串里尋找下一個(gè)匹配內(nèi)容：engrave。匹配到eng的時(shí)候，后面的又對(duì)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(huì)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(gè)詞就已經(jīng)不可能匹配成功了。這兩個(gè)詞都比engineer短小，正則引擎不應(yīng)該再多做無(wú)謂的嘗試。

/\b(?>engineer|engrave|end)\b/

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<div><div></div></div>。我們使用(?R)來(lái)代表遞歸過(guò)程中的子模式。下面是一個(gè)匹配嵌套括弧的例子：

/\(((?>[^()]+)|(?R))*\)/

最外層使用了反義符的括號(hào)“\(”匹配嵌套結(jié)構(gòu)的開(kāi)端。然后是一個(gè)多選項(xiàng)操作符( * | * )，可能匹配除括號(hào)外的所有字符 “(?>[^()]+)”，也可能是通過(guò)子模式“(?R)”來(lái)再次匹配整個(gè)表達(dá)式。請(qǐng)注意，這個(gè)操作符會(huì)盡量多地匹配所有嵌套。

遞歸的另一個(gè)實(shí)例如下：

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

以上表達(dá)式綜合運(yùn)用了字符分組，貪婪操作符、回溯，以及最小化組團(tuán)來(lái)匹配嵌套標(biāo)簽。第一個(gè)括弧內(nèi)分組([w]+)匹配出標(biāo)簽名，用于接下來(lái)的應(yīng)用。若找到這尖括號(hào)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(gè)括弧括起來(lái)的子表達(dá)式和上一個(gè)實(shí)例非常相似：要么匹配不包括尖括號(hào)的所有字符 ?>[^<>]+，要么遞歸匹配整個(gè)表達(dá)式(?R)。表達(dá)式最后的</1>代表閉合標(biāo)簽。

7. 回調(diào)(Callbacks)

匹配結(jié)果中的特定內(nèi)容有時(shí)可能會(huì)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)式的回調(diào)就有了用武之地。回調(diào)是用于函數(shù) preg_replace_callback中的動(dòng)態(tài)修改字串的方式。你可以為preg_replace_callback指定某個(gè)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(xiě)。十分不巧，PHP沒(méi)有直接轉(zhuǎn)化字母大小寫(xiě)的正則操作符。要完成這項(xiàng)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(xiě)的字母：

/\b\w/

上式同時(shí)使用了字詞邊界和字符類。光有這個(gè)式子還不夠，我們還需要一個(gè)回調(diào)函數(shù)：

function upper_case( $matches ) {
return strtoupper( $matches[0] );
}

函數(shù)upper_case接收匹配結(jié)果數(shù)組，并將整個(gè)匹配結(jié)果轉(zhuǎn)化成大寫(xiě)。 在此例中，$matches[0]代表需要被大寫(xiě)化的字母。然后，我們?cè)倮�用preg_replace_callback實(shí)現(xiàn)回調(diào)：

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

一個(gè)簡(jiǎn)單的回調(diào)即有這般強(qiáng)大的力量。

8. 注釋(Commenting)

注釋不用來(lái)匹配字串，但確實(shí)是正則表達(dá)式中最重要的部分。當(dāng)正則越寫(xiě)越深入，越寫(xiě)越復(fù)雜，要推譯出究竟什么東西被匹配就會(huì)變得越來(lái)越困難。在正則表達(dá)式中間加上注釋，是最小化將來(lái)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(yǔ)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(chǎng)合的注釋一樣，這樣做也能為你重訪自己以前寫(xiě)的程序時(shí)提供方便。

考慮使用“x”或“(?x)”修改器來(lái)格式化注釋。這個(gè)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(guò)[ ]或\s，或者\(yùn) （反義符加空格）來(lái)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(qǐng)時(shí)刻注意代碼的可讀性。

原文鏈接：http://www.blueidea.com/tech/program/2009/6757.asp