2008年9月9日

PHP中的正規表達式

PHP繼承*NIX的一貫傳統,完全支持正規表達式的處理。正規表達式提供了一種高級的,但不直觀的字元串匹配和處理的方法。用過PERL的正規表達式的朋友都知道,正規表達式的功能非常強大,但學起來不是那麼容易。
比如:

^.+@.+\..+$

這段有效卻難以理解的代碼足夠使一些程式設計師頭痛(我就是)或者讓他們放棄使用正規表達式。相信當你讀完這個教程後,就可以理解這段代碼的含義了。

基本模式匹配

一切從最基本的開始。模式,是正規表達式最基本的元素,它們是一組描述字元串特徵的字元。模式可以很簡單,由普通的字元串組成,也可以非常複雜,往往用特殊的字元表示一個範圍內的字元、重複出現,或表示上下文。例如:

^once

這 個模式包含一個特殊的字元^,表示該模式只匹配那些以once開頭的字元串。例如該模式與字元串\"once upon a time\"匹配,與\"There once was a man from NewYork\"不匹配。正如如^符號表示開頭一樣,$符號用來匹配那些以給定模式結尾的字元串。

bucket$

這個模式與\"Who kept all of this cash in a bucket\"匹配,與\"buckets\"不匹配。字元^和$同時使用時,表示精確匹配(字元串與模式一樣)。例如:

^bucket$

只匹配字元串\"bucket\"。如果一個模式不包括^和$,那麼它與任何包含該模式的字元串匹配。例如:模式

once

與字元串

There once was a man from NewYork
Who kept all of his cash in a bucket.

是匹配的。

在 該模式中的字母(o-n-c-e)是字面的字元,也就是說,他們表示該字母本身,數字也是一樣的。其他一些稍微複雜的字元,如標點符號和白字元(空格、製 表符等),要用到轉義序列。所有的轉義序列都用反斜槓()打頭。製表符的轉義序列是:t。所以如果我們要檢測一個字元串是否以製表符開頭,可以用這個模 式:

^t

類似的,用n表示「新行」,r表示回車。其他的特殊符號,可以用在前面加上反斜槓,如反斜槓本身用\表示,句號.用.表示,以此類推。

字元簇

在INTERNET的程序中,正規表達式通常用來驗證用戶的輸入。當用戶提交一個FORM以後,要判斷輸入的電話號碼、地址、EMAIL地址、信用卡號碼等是否有效,用普通的基於字面的字元是不夠的。

所以要用一種更自由的描述我們要的模式的辦法,它就是字元簇。要建立一個表示所有元音字元的字元簇,就把所有的元音字元放在一個方括號裡:

[AaEeIiOoUu]

這個模式與任何元音字元匹配,但只能表示一個字元。用連字號可以表示一個字元的範圍,如:

[a-z]//匹配所有的小寫字母
[A-Z]//匹配所有的大寫字母
[a-zA-Z]//匹配所有的字母
[0-9]//匹配所有的數字
[0-9.-]//匹配所有的數字,句號和減號
[ frtn]//匹配所有的白字元

同樣的,這些也只表示一個字元,這是一個非常重要的。如果要匹配一個由一個小寫字母和一位數字組成的字元串,比如\"z2\"、\"t6\"或\"g7\",但不是\"ab2\"、\"r2d3\" 或\"b52\"的話,用這個模式:

^[a-z][0-9]$

儘管[a-z]代表26個字母的範圍,但在這裡它只能與第一個字元是小寫字母的字元串匹配。

前面曾經提到^表示字元串的開頭,但它還有另外一個含義。當在一組方括號裡使用^是,它表示「非」或「排除」的意思,常常用來剔除某個字元。還用前面的例子,我們要求第一個字元不能是數字:

^[^0-9][0-9]$

這個模式與\"&5\"、\"g7\"及\"-2\"是匹配的,但與\"12\"、\"66\"是不匹配的。下面是幾個排除特定字元的例子:

[^a-z]//除了小寫字母以外的所有字元
[^\/^]//除了\"/\"和\"^\"字元之外的所有字元
[^\"\']//除了雙引號(\")和單引號(\')之外的所有字元


特殊字元\".\" (點,句號)在正規表達式中用來表示除了「新行」之外的所有字元。所以模式\"^.5$\"與任何兩個字元的、以數字5結尾和以其他非「新行」字元開頭的字元串匹配。模式\".\"可以匹配任何字元串,除了空串和只包括一個「新行」的字元串。

PHP的正規表達式有一些內置的通用字元簇,列表如下:

字元簇含義
[[:alpha:]]任何字母
[[:digit:]]任何數字
[[:alnum:]]任何字母和數字
[[:space:]]任何白字元
[[:upper:]]任何大寫字母
[[:lower:]]任何小寫字母
[[:punct:]]任何標點符號
[[:xdigit:]]任何16進制的數字,相當於[0-9a-fA-F]

確定重複出現

到現在為止,你已經知道如何去匹配一個字母或數字,但更多的情況下,可能要匹配一個單詞或一組數字。一個單詞有若干個字母組成,一組數字有若干個單數組成。跟在字元或字元簇後面的花括號({})用來確定前面的內容的重複出現的次數。

字元簇含義
^[a-zA-Z_]$所有的字母和下劃線
^[[:alpha:]]{3}$所有的3個字母的單詞
^a$字母a
^a{4}$aaaa
^a{2,4}$aa,aaa或aaaa
^a{1,3}$a,aa或aaa
^a{2,}$包含多於兩個a的字元串
^a{2,}如:aardvark和aaab,但apple不行
a{2,}如:baad和aaa,但Nantucket不行
\t{2}兩個製表符
.{2}所有的兩個字元

這 些例子描述了花括號的三種不同的用法。一個數字,{x}的意思是「前面的字元或字元簇只出現x次」;一個數字加逗號,{x,}的意思是「前面的內容出現x 或更多的次數」;兩個用逗號分隔的數字,{x,y}表示「前面的內容至少出現x次,但不超過y次」。我們可以把模式擴展到更多的單詞或數字:

^[a-zA-Z0-9_]{1,}$//所有包含一個以上的字母、數字或下劃線的字元串
^[0-9]{1,}$//所有的正數個
^\-{0,1}[0-9]{1,}$//所有的整數
^\-{0,1}[0-9]{0,}\.{0,1}[0-9]{0,}$//所有的小數

最 後一個例子不太好理解,是嗎?這麼看吧:與所有以一個可選的負號(\-{0,1})開頭(^)、跟著0個或更多的數字([0-9]{0,})、和一個可選 的小數點(\.{0,1})再跟上0個或多個數字([0-9]{0,}),並且沒有其他任何東西($)。下面你將知道能夠使用的更為簡單的方法。

特殊字元"?"與{0,1}是相等的,它們都代表著:「0個或1個前面的內容」或「前面的內容是可選的」。所以剛才的例子可以簡化為:

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

特殊字元"*"與{0,}是相等的,它們都代表著「0個或多個前面的內容」。最後,字元"+"與 {1,}是相等的,表示「1個或多個前面的內容」,所以上面的4個例子可以寫成:

^[a-zA-Z0-9_]+$//所有包含一個以上的字母、數字或下劃線的字元串
^[0-9]+$//所有的正數個
^\-?[0-9]+$//所有的整數個
^\-?[0-9]*\.?[0-9]*$//所有的小數

當然這並不能從技術上降低正規表達式的複雜性,但可以使它們更容易閱讀。