PHP正则式PCRE

PHP正则式PCRE的总结差不多就下边这些了。参考 PCRE与perl的差异 。

 

锚(^、$、\A、\Z/\z)

在多行模式下是非紧固的，在单行模式下是紧固的；而\A、\Z / \z在任何模式下都是紧固的(\G表示在目标中首次匹配位置，还可以与$offset参数一起使用)。

 

断言

一个断言指定一个必须在特定位置匹配的条件，它们不会从目标字符串中消耗任何字符，因此也不会出现在结果中。一个断言子组以前瞻断言“(?=)”或“(?!)”、后瞻断言“(?<=)”或“(?<!)”形式出现：

（1）\b指单词边界(\b在字符类中表示退格backspace字符)，\B指非单词边界。
（2）当字符串结束字符为换行符时，\Z 会将其看做字符串结尾匹配, 而 \z 只匹配字符串结尾。
（3）前瞻断言(?!foo)bar会查找到任意的barxxxxx而非foo跟随bar的情况。
（4）后瞻断言的内容被严格限制为只能用于匹配定长字符串，比如 (?<=bullock|donkey) 是允许的，但是 (?<!dogs?|cats?)、 (?<=ab(c|de)) 将会引发一个编译期的错误。
（5）多个断言(任意顺序)可以同时出现，如 (?<=\d{3})(?<!999)foo 匹配前面有三个数字但不是 ”999” 的字符串 ”foo”。
（6）断言可以以任意复杂度嵌套，比如 (?<=(?<!foo)bar)baz 匹配前面有 ”bar” 但是 ”bar” 前面没有 ”foo” 的 ”baz”， 另外(?<=\d{3}…(?<!999))foo 匹配前面有三个数字字符紧跟 3 个不是 999 的任意字符的 ”foo”。
（7）如果所有的断言都包含一个捕获子组，那么为了在整个模式中捕获子组计数的目的，它们都会被计算在内；然而子字符串的捕获仅可以用于正面断言，因为对于消极的断言是没有意义的。

  

内部选项(?)

如果一个选项在子组内部设置，仅仅改变子组中剩余的部分，因此 (a(?i)b)c 仅仅匹配 ”abc” 和 ”aBc” (假设没有使用 PCRE_CASELESS 选项)；但在同一个子模式中， 一个分支的内部选项设置会穿透到后面的其他分支中去，比如 (a(?i)b|c) 匹配”ab”或“aB”或“c”或”C”(选项是在编译期确定下来的，在匹配 ”C” 时第一个分支已被丢弃)。

 

模式修饰符

主要有i(PCRE_CASELESS)、m(PCRE_MULTILINE)、s(PCRE_DOTALL)、x(PCRE_EXTENDED)、A(PCRE_ANCHORED)、D(PCRE_DOLLAR_ENDONLY)、U(PCRE_UNGREEDY)等。模式修饰符中的空格、换行符会被忽略，其他字符会导致错误。

 

子组/子模式与分支(|)

子组通过圆括号(其作用是局部化和捕获子组，而“(?:)”不捕获子组，“(?|)”使可多个分支复用一个后向引用编号)来分隔界定，并且它们可以嵌套：

（1）cat(arcat|erpillar|)匹配 ”cat”， “cataract”， “caterpillar” 中的一个。
（2）一次性子组(非捕获子组)和后瞻断言结合使用来指定在目标字符串末尾的有效匹配，比如^(?>.*)(?<=abcd)相对于^.*abcd$更为高效。
（3）条件子组(非捕获子组)型如(?(condition)yes-pattern)、(?(condition)yes-pattern|no-pattern)，condition是数字(后向引用某个捕捉子组)或字串或断言。(\()?[^()]+(?(1)\))匹配一个没有括号的或者闭合括号包裹的字符序列。
（4）命名子组(捕获子组)形如 (?P<name>pattern)、(?<name>pattern)、(?’name’pattern)，可通过(?P>name)、(?P&name)形式在模式中再次引用命名子组，但这种引用不可捕获。

 

字符类与转义字符

字符类\d、\D、 \s、\S、\w 和 \W 也可以出现在一个字符类中， 用以将其匹配的字符类加入到新的自定义字符类中。比如， [\dABCDEF] 匹配任意合法的 16 进制数， [^\W_] 匹配任何字母或数字但不匹配下划线。\Q 和 \E 可忽略正则表达式元字符，

\w+\Q.$.\E$ 

该模式会匹配一个或多个单词字符，紧接着一个点号，一个$，一个点号， 最后锚向字符串末尾；\K 可以用于重置匹配，比如 foot\Kbar 匹配”footbar”，但是得到的匹配结果是 ”bar”。

 

注释

模式中形如“(?# comments)”的部分表示注释内容。如果设置了 PCRE_EXTENDED 选项， 一个字符类外部的未转义的 # 字符就代表本行剩余部分为注释。

 

递归模式(?R) 

(?R) 提供了递归的这种特殊用法，如

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

该模式可匹配字串(ab(cd)ef)。

 

分隔符

分隔符可以使任意非字母数字、非反斜线、非空白字符，如正斜线(/)、hash符号(#)、取反符号(~)等。

 

后向引用

(?1)、(?2)、(?P>name)、(?P&name)、(?P=name)、\1、\k<name>、\k’name’、\k{name}、\g{name}等形式可以用于引用之前定义的子组。需注意，\n复用匹配结果，而(?n)、(?P>name)、(?P&name)复用模式。(a|(bc))\2 总是在匹配 ”a” 开头而不是 ”bc” 开头的字符串时失败，故可以换成(a|(bc))(?2)。对后向引用后有数字可以空格分隔并使用x修饰符，或使用\g{n}这种格式(序列\1， \g1，\g{1}之间是同义关系)，(foo)(bar)\g{-1} 可以匹配字符串 ”foobarbar”。子组内部后向引用自己(a\1)会失败，但(a|b\1)*遇到aba会成功；也就是模式在第一次迭代的时候，必须能够保证不需要匹配后向引用。

 

PCRE不允许前瞻断言的量词修饰

(?!a){3}并不意味着接下来 3 个字符不是 a，而是断言下一个字符不是 a 并进行了 3 次断言。

 

//verify email address
//$match: Array ( [0] => [e-mail] [1] => 124afasf. )
$patt = '/^(?!_|-)(?>[\w-]+)@(?!-)(?>((?>[a-zA-Z0-9-]+)\.)+)[a-zA-Z]{2,46}$/';
preg_match($patt,'[e-mail]',$match);

//$match: Array ( [0] => Sunday [day] => Sunday [1] => Sunday )
$patt = '/(?<day>:(?i)saturday|sunday)/';
preg_match($patt,'Sunday',$match);

//$match: Array ( [0] => Sunday [1] => Sun )
$patt = '/(?|(Sat)ur|(Sun))day/';
preg_match($patt,'Sunday',$match);

//子组发生重复多次匹配时，捕获的是最新一次的值
//$match: Array ( [0] => (ab(cd)ef) [1] => ab(cd)ef [2] => ef )
$patt = '/\( ( ( (?>[^()]+) | (?R) )* ) \)/x';
preg_match($patt,'(ab(cd)ef)',$match);

//命名子组可通过名称或序号来再次引用
//$match: Array ( [0] => 23ab45cd56 [number] => 23 [1] => 23 )
$patt = '/^(?P<number>\d+)ab(?P>number)cd(?1)$/';
preg_match($patt,'23ab45cd56',$match);

//下列模式相当于^.*abcd$
//$match: Array ( [0] => 23abcd )
$patt = '/^(?>.*)(?<=abcd)/';
preg_match($patt,'23abcd',$match);