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。
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]、[#.?]
[...]
preg_match('/[0123456]/', '5'); // => 1 preg_match('/[abc123]/', '5'); // => 0
[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
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/', "/t"); // => 1 preg_match('//s/', "/r"); // => 1
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 "//"
、 '/r'
、 "/t"
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。
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
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 | [ /t] | |
[:cntrl:] | 控制字符 | [/x00-/x1F/x7F] | |
[: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 | [ /t/r/n/v/f] | /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。
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('//w/d/', '1a2b'); // => 1 preg_match('/^/w/d/', '1a2b'); // => 0 必须以字母开头 preg_match('//w/d$/', '1a2b'); // => 0 必须以数字结尾 preg_match('/^/w/d/', 'a2b'); // => 1 preg_match('//w/d$/', '1a2'); // => 1 preg_match('/^/w/d$/', '1a2'); // => 0 开头必须是字母,结尾必须是数字 preg_match('/^/w/d$/', 'a2'); // => 1
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 ^/d/d/d/d/d/d$
:
preg_match('/^/d/d/d/d/d/d$/', '100010'); // => 1 preg_match('/^/d/d/d/d/d/d$/', '10001035'); // => 0 preg_match('/^/d/d/d/d/d/d$/', '10a010'); // => 0
/d
重复6次的写法很不科学,正则表达式肯定会有更方便的写法,也就是量词(quantifier)。量词的通用形式是 {m,n}
(注意, ,
后面不能有空格),它限定之前的元素能够出现的次数,m是下限,n是上限。其他常见的量词形式有:
量词 | 说明 |
---|---|
{n} | 之前的元素必须出现n次 |
{m,n} | 之前的元素最少出现m次,最多出现n次 |
{m,} | 之前的元素最少出现m次,出现次数无上限 |
{0,n} | 之前的元素可以不出现,也可以出现,最多出现n次 |
preg_match('/^/d{6}$/', '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
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 <head>
、 <div>
、 <img>
等)的时候,在 <
和 >
中间会有字符,但是字符长度不确定。这种情况下就需要使用 +
了:
preg_match('/^<[^>]+>$/', '<html>'); // => 1 preg_match('/^<[^>]+>$/', '<a>'); // => 1 preg_match('/^<[^>]+>$/', '<>'); // => 0
如果说匹配一个双引号字符串,在双引号内,既可以出现字符也可以不出现字符。这种情况下就应该使用量词 *
。
preg_match('/^/"[^/"]*/"$/', '""'); // => 1 preg_match('/^/"[^/"]*/"$/', '"abcd"'); // => 1
点号 .
是与量词搭配比较多得一个字符。一般情况下,点号 .
可以匹配除了换行符 /n
以外的任意字符。
preg_match('/^.$/', 'z'); // => 1 preg_match('/^.$/', '8'); // => 1 preg_match('/^.$/', "/n"); // => 0
如果要使 .
能匹配的字符包含换行符 /n
,可以使用自制通配符 /s/S
或 /w/W
、 /d/D
。
preg_match('/^[/s/S]$/', "/n"); // => 1
使 .
能匹配的字符包含换行符 /n
的另外一种方法是指定正则匹配时使用单行模式。在php中,可以使用模式修饰符和预定义常量两种方法来指定单行模式。关于正则匹配的模式,后面会详细介绍。
preg_match('/(?s)^.$/', "/n"); // => 1 模式修饰符 preg_match('/^.$/s', "/n"); // => 1 预定义常量
很多语言中,都可以使用 /*...*/
来注释代码,如果是一个支持语法高亮的文本编辑器就要能够提取 /*...*/
注释块。很easy的,我们可以写出如下正则表达式:
$str = '/*this is a comment*/ /*this is another comment*/'; preg_match('////*.*/*///', $str, $arr); echo $arr[0]; /*this is a comment*/ /*this is another comment*/
可以看到,这个正则表达式出了点小问题,它把两个注释块匹配出来了,如果两个注释块中间有代码,那么代码也会匹配出来。
这是因为,我们介绍的 *
、 +
、 ?
都是 匹配优先量词 (greedy quantifier,也称贪婪量词)。匹配优先量词是指在拿不准是否要匹配的时候,优先尝试匹配。因此, $str
中间的 */ /*
都被 .*
匹配了。
正则表达式中利用 忽略优先量词 来解决上述问题。与 *
、 +
、 ?
对应的忽略优先量词的形式是 *?
、 +?
、 ??
。忽略优先量词在不确定是否要匹配时选择“不匹配”的状态。还是以提取注释块的代码为例:
preg_match('////*.*?/*///', $str, $arr); echo $arr[0]; /*this is a comment*/
这样就达到了提取注释块的效果。
匹配优先量词 | 忽略优先量词 | 限定次数 |
---|---|---|
* | *? | 可能出现,可能不出现,出现次数没有上限 |
+ | +? | 至少出现1次,没有上限 |
? | ?? | 出现0次或1次 |
{m,n} | {m,n}? | 出现次数大于等于m,小于等于n |
{m,} | {m,}? | 至少出现m次,没有上限 |
{0,n} | {0,n}? | 出现0次-n次 |
php中有指定非贪婪匹配模式的 模式修饰符 和 预定义常量 ,与 忽略优先量词 是一样的效果:
// 默认贪婪匹配 preg_match('////*.*/*///', $str, $arr); // => /*this is a comment*/ /*this is another comment*/ // 预定义常量 指定非贪婪匹配 preg_match('////*.*/*///U', $str, $arr); // => /*this is a comment*/ // 模式修饰符 指定非贪婪匹配 preg_match('/(?U)///*.*/*///', $str, $arr); // => /*this is a comment*/ // 同时使用 忽略优先量词 和 预定义常量 preg_match('////*.*?/*///U', $str, $arr); // => /*this is a comment*/ /*this is another comment*/ // 同时使用 忽略优先量词 和 模式修饰符 preg_match('/(?U)///*.*?/*///', $str, $arr); // => /*this is a comment*/ /*this is another comment*/
*
、 +
、 ?
的转义比较简单,就是 /*
、 /+
、 /?
。主要是 {m,n}
形式的转义需要注意。
量词 | 转义 | 量词 | 转义 | 量词 | 转义 |
---|---|---|---|---|---|
{n} | //{n} | * | /* | *? | /*/? |
{m,n} | //{m,n} | + | //+ | +? | //+/? |
{m,} | //{m,} | ? | /? | ?? | /?/? |
{0,n} | //{0,n} |
上一章介绍了量词,上一章的例子中量词都只能控制它前面的字符或字符组。那么量词能否控制连续的字符或字符组呢,如控制一个单词 hello
出现或者不出现。这就要用到正则表达式的 分组 功能(子表达式),使用圆括号 (...)
实现分组(子表达式)。
// 量词限定前面一个字符 preg_match('/^hello?, world$/', 'hello, world'); // => 1 preg_match('/^hello?, world$/', 'hell, world'); // => 1 preg_match('/^hello?, world$/', ', world'); // => 0 // 量词限定一个单词 preg_match('/^(hello)?, world$/', 'hello, world'); // => 1 preg_match('/^(hello)?, world$/', 'hell, world'); // => 0 preg_match('/^(hello)?, world$/', ', world'); // => 1
多选结构(alternative)的形式是 (...|...)
,在括号内以竖线 |
分开多个子表达式,这些子表达式也叫多选分支(option)。
例如,匹配常见的11位手机号
// 匹配常见11位手机号 preg_match('/(13[0-9]|15[0-356]|18[025-9])/d{8}/', '18521510001', $arr); // => 1
正则表达式会保存每个 (...)
分组匹配的文本,这种功能叫捕获分组(capturing group)。在需要直接使用子表达式的时候非常有用
例如,提取 <a>
标签中的地址和描述文本
// 提取<a>标签中的地址和描述文本 preg_match('/<a/s+href="([^/'"/s]*)">(.*?)<//a>/', '<a href="github.com">visit github</a>', $arr); print_r($arr); /* Array ( [0] => <a href="github.com">github</a> [1] => github.com [2] => visit github ) */
正则表达式替换时也支持捕获分组。php中支持 /num
和 $num
的形式替换,但是num不能大于10;另一种形式 ${num}
可以大于10。
例如,日期的替换
// 正则表达式替换 preg_replace('/(/d{4})-(/d{2})-(/d{2})/', '$1年$2月$3日', '2015-08-25'); // => 2015年08月25日 preg_replace('/(/d{4})-(/d{2})-(/d{2})/', '/1年/2月/3日', '2015-08-25'); // => 2015年08月25日
在正则表达式内部引用之前的捕获分组匹配的文本叫反向引用(back-reference)。实测php支持 /num
形式的反向引用,不支持 $num
形式的反向引用
例如,利用反向引用匹配id相同的不同标签
// 匹配id为main的标签 preg_match('/<([/w]+)/s+id="main">.*?<///1>/', '<div id="main"><span>hello, world</span></div>', $arr); // => 1 print_r($arr); /* Array ( [0] => <div id="main"><span>hello, world</span></div> [1] => div ) */ // 匹配id为main的标签 preg_match('/<([/w]+)/s+id="main">.*?<///1>/', '<p id="main">Hello, World</p>', $arr); // => 1 print_r($arr); /* Array ( [0] => <p id="main">Hello, World</p> [1] => p ) */
数字编号的分组有时候不够直观,因此有些语言和工具的正则表达式提供了命名分组(named grouping)。
正则字符中 (?P<name>)
来命名, (?P=name)
来使用。 preg_replace
替换时不支持
// 捕获命名分组 preg_match('/<a/s+href="(?P<link>[^/'"/s]*)">(?P<description>.*?)<//a>/', '<a href="github.com">visit github</a>', $arr); print_r($arr); /* Array ( [0] => <a href="github.com">visit github</a> [link] => github.com [1] => github.com [description] => visit github [2] => visit github ) */ // 反向引用命名分组 preg_match('/<(?P<tag>[/w]+)/s+id="main">.*?<//(?P=tag)>/', '<div id="main"><span>hello, world</span></div>', $arr); print_r($arr); /* Array ( [0] => <div id="main"><span>hello, world</span></div> [tag] => div [1] => div ) */
正则表达式默认会保存每个 (...)
匹配的文本,前面利用这个特性可以实现一些有用的功能。但是,有时候正则表达式比较复杂, (...)
会出现的比较多,而此时仅仅是想实现 分组 或者 多选 的功能,而不需要 捕获分组 ;同时,大量不需要的捕获分组可能会影响性能。
为了解决这种问题,正则表达式提供了 非捕获分组 (non-capturing group),它的形式是 (?:...)
。
// 捕获分组 preg_match('/(13[0-9]|15[0-356]|18[025-9])/d{8}/', '18521510001', $arr); // => 1 print_r($arr); /* Array ( [0] => 18521510001 [1] => 185 ) */ // 非捕获分组 echo preg_match('/(?:13[0-9]|15[0-356]|18[025-9])/d{8}/', '18521510001', $arr); // => 1 print_r($arr); /* Array ( [0] => 18521510001 ) */
正则表达式中的有些结构不匹配真正的文本,只负责判断在某个位置左/右侧的文本是否符合要求,这种结构称为 断言 (assertion)。常见的断言有三类:单词边界、行起始/结束位置、环视。
单词边界(word boundary),记为 /b
。它匹配的是单词边界(一边是单词字符,另一边不是单词字符)的位置,而不是字符。
// 单词边界 preg_match('//b/w+/b/', 'word', $arr); // => 1 print_r($arr); /* Array ( [0] => word ) */ // 匹配所有单词边界 preg_match_all('//b/w+/b/', 'hello, world', $arr); // => 2 print_r($arr); /* Array ( [0] => Array ( [0] => hello [1] => world ) ) */
这类匹配位置而不匹配字符的元素叫做 锚点 (anchor),下一节要介绍的 ^
、 $
等也是锚点。
^
:字符串的开始位置
$
:字符串的结束位置
$str = 'first line second line last line'; // 字符串起始位置 preg_match_all('/^/w+/b/', $str, $arr); // => 1 print_r($arr); /* Array ( [0] => Array ( [0] => first ) ) */ // 字符串结束位置 preg_match_all('//b/w+$/', $str, $arr); // => 1 print_r($arr); /* Array ( [0] => Array ( [0] => line ) ) */
如果指定了多行模式(Multiline Mode), ^
、 $
分别可以匹配行起始位置、行结束位置。关于模式,将在下一章详细介绍。指定多行模式的方式是使用模式修饰符 (?m)
:在正则表达式之前加上 (?m)
;或者是预定义常量的方式: /.../m
。
// 多行模式 行起始位置 // preg_match_all('/^/w+/b/m', $str, $arr); 是一样的效果 preg_match_all('/(?m)^/w+/b/', $str, $arr); // => 3 print_r($arr); /* Array ( [0] => Array ( [0] => first [1] => second [2] => last ) ) */ //多行模式 行结束位置 // preg_match_all('//b/w+$/m', $str, $arr); 是一样的效果 preg_match_all('/(?m)/b/w+$/', $str, $arr); // => 3 print_r($arr); /* Array ( [0] => Array ( [0] => line [1] => line [2] => line ) ) */
/A
不论是普通模式还是多行模式,都匹配字符串起始位置
/Z
、 /z
不论是普通模式还是多行模式,都匹配字符串结束位置
/Z
与 /z
的区别在于最后字符串的末尾是 行终止符 的时候, /Z
匹配行终止符之前的位置, /z
则不管行终止符,只匹配“整个字符串的结束位置”。
这里用 行终止符 ,而不用 换行符 的原因是不同操作系统的行终止符不同(windows /r/n
,linux /n
,mac /n
)。
// /A 始终匹配字符串起始位置 preg_match_all('//A/w+/b/', $str, $arr); // => 1 print_r($arr); /* Array ( [0] => Array ( [0] => first ) ) */ preg_match_all('/(?m)/A/w+/b/', $str, $arr); // => 1 print_r($arr); /* Array ( [0] => Array ( [0] => first ) ) */ // /Z始终匹配行结束位置 preg_match_all('//b/w+/Z/', $str, $arr); // => 1 print_r($arr); /* Array ( [0] => Array ( [0] => line ) ) */ preg_match_all('/(?m)/b/w+/Z/', $str, $arr); // => 1 print_r($arr); /* Array ( [0] => Array ( [0] => line ) ) */ // /Z /z的区别 $str = 'first line second line last line '; preg_match_all('/(?m)/b/w+/z/', $str, $arr); // => 0 print_r($arr); /* Array ( [0] => Array ( ) ) */ preg_match_all('/(?m)/b/w+/Z/', $str, $arr); // => 1 print_r($arr); /* Array ( [0] => Array ( [0] => line ) ) */
环视(look-around)用来“停在原地,四处张望”,它本身也不匹配任何字符,用来限定它旁边的文本满足某种条件。
名字 | 记法 | 含义 |
---|---|---|
肯定顺序环视 | (?=...) | 向右看看,右边出现了环视中的内容才匹配 |
否定顺序环视 | (?!...) | 向右看看,右边不出现环视中的内容才匹配 |
肯定逆序环视 | (?<=...) | 向左看看,左边出现了环视中的内容才匹配 |
否定逆序环视 | (?<!...) | 向左看看,左边不出现环视中的内容才匹配 |
例如,要匹配html标签中的开标签( <a>
、 <div>
、 <body>
等),而不能匹配闭标签( </a>
、 </div>
、 </body>
等)和自闭和标签( <br/>
等),同时,也不能匹配一个空的标签 <>
。
直接使用 <[^//]+>
将 /
字符排除是不对的,因为有些标签的属性中可能会含有 /
字符。例如 <a href="github.com/nrk/predis">
。这里只是在开尖括号 <
之后的第一个字符和闭尖括号 >
之前的第一个字符不能为 /
。
然而 <[^//][^>]*[^//]>
也是不行的,因为在 <
与 >
之间会至少匹配两个字符,像 <a>
这样的标签是无法匹配到的。这里就要用到 环视 了。
<(?!//).*+(?<!//)>
上面的正则表达式中有两个环视结构,一个在开尖括号 <
之后,表示在尖括号 <
后向右看看,右边的第一个字符不能为 /
(正则表达式中进行了转义);另外一个在闭尖括号 >
之前,表示在闭尖括号 >
之前向左看看,左边挨着的字符不能为 /
。
上面的正则表达式已经解决了匹配html中开标签的主要问题,只是其中的 .*?
还需要优化一下。需要解决的问题是:
有可能会有单引号 '
或双引号 "
,它们都得成对出现
单引号对或双引号对之内可以有 >
字符,但是它们的外面不能有 >
字符
利用正则表达式的选择结构,可以写出下面的表达式,用于完善上面的问题。
<(?!//)(?:/'[^/']*/'|"[^"]*"|[^/'">])+(?<!//)>
前面的内容中已经出现介过了 单行模式 、 多行模式 、 非贪婪模式 。 匹配模式 是指匹配时使用的规则。常用的匹配模式还有 不区分大小写模式 、 注释模式 。
在开始介绍具体的模式之前,先介绍php中模式的两种具体实现 /.../{modifier}
和 ...(?{modifier})...
:
模式修饰符 | /.../{modifier} | ...(?{modifier})... |
---|---|---|
示例 | /<tr>.*<//tr>/s | <tr>(?s).*<//tr> |
名称(php手册) | 模式修饰符 | 模式内修饰符 |
名称(《正则指引》) | 预定义常量 | 模式修饰符 |
作用范围 | 整个正则表达式 | 不在分组(子表达式)中时,对它后面的全部正则表达式起作用;如果在分组(子表达式)中,则对它分组中的剩余部分起作用。在没有分组,且放在整个正则表达式最前面的时候相当于 /.../{modifier} |
支持程度 | 支持所有模式修饰符 | 支持部分模式修饰符 |
其他编程语言 | 可能不支持 | 一般都支持 |
在html中是不区分大小写的,例如 <td>
和 <tD>
、 <Td>
、 <TD>
的作用是一样的。如果要从网页中提取 <td>
,不使用匹配模式的表达式应该是这样:
<[tT][dD]>
由于 <td>
标签只有两个字符,所以上面的写法还可以接受。但是如果标签是 <script>
呢?这里,就需要使用 不区分大小写模式 : /.../i
或 ...(?i)...
。上面的正则表达式可以进一步写为:
/<td>/i
或 (?i)<td>
preg_match('/(?i)<td>/', '<tD>', $arr); print_r($arr); /* Array ( [0] => <tD> ) */
形式: /.../s
或 ...(?s)...
作用:点号可以匹配换行符
与 单行模式 没有关系。影响 ^
和 $
的匹配
形式: /.../x
或 ...(?m)...
(?#...)
的方法可以在正则表达式中添加注释
// (?#...)注释 preg_match('/(?#this is comment)(?i)<td>/', '<tD>', $arr); print_r($arr); /* Array ( [0] => <tD> ) */
更彻底地,可是使用 /.../x
表示注释模式
// /.../x注释模式 $str = '/ (/d{4}) # year - # dash (/d{2}) # month - # dash (/d{2}) # day /x'; preg_match($str, '2015-10-01', $arr); print_r($arr); /* Array ( [0] => 2015-10-01 [1] => 2015 [2] => 10 [3] => 01 ) */
// 默认贪婪匹配 $str = '<tr><td>hello</td></tr><tr><td>world</td></tr>'; preg_match('/<tr>.*<//tr>/', $str, $arr); print_r($arr); /* Array ( [0] => <tr><td>hello</td></tr><tr><td>world</td></tr> ) */ // 非贪婪匹配模式 $str = '<tr><td>hello</td></tr><tr><td>world</td></tr>'; preg_match('/<tr>.*<//tr>/U', $str, $arr); print_r($arr); /* Array ( [0] => <tr><td>hello</td></tr> ) */
要匹配中文等Unicode字符,最好是指定Unicode模式修饰符 /.../u
。如果不指定会有两个问题
GBK编码环境下,中文不能匹配
无法利用 [/x{4e00}-/x{9fff}]
匹配中文
// 指定unicode模式 preg_match('/<td>[/x{4e00}-/x{9fff}]*<//td>/u', '<td>姚明</td>', $arr); print_r($arr); /* Array ( [0] => <td>姚明</td> ) */