强大的Perl正则表达式实例详解

一、介绍

正则表达式各语言都有自己的规范，但是基本都差不多，都是由元字符的组合来进行匹配；由于nmap内嵌的服务与版本探测是使用的perl正则规范，因此此篇博客记录一下perl正则的相关内容，方便后期查阅。

二、perl正则例子

下面的例子可能有不足之处，有些来源于博客，没有验证；

1. 匹配ip地址：\d+\.\d+\.\d+\.\d+

               \d:匹配一个数字字符,\d+:匹配一次或多次数字字符。

               \.:使用转义字符匹配'.'。

2. 匹配邮箱类似于[e-mail]： /^[a-za-z0-9_\-.]+@[a-za-z0-9_\-]+.[a-za-z]+$/

　　　　　　　　^: 匹配开头

　　　　　　　　$: 匹配结尾，这两个保证了这是连续的一串字符。

3. 匹配数字：m/^[0-9]+$/

　　　　　　　由^开头由$结尾保证了只含有数字，如果只有结尾$,那么abc12这种也是可以的。

　　　　　　　可用在输入校验，校验输入的是否是数字。

4. 用户输入温度（华氏温度，摄氏温度），编程进行转换

　　　　m/^([-+]?[0-9]+)([cf])$/ ：匹配正负整数温度。

　　　　　　　　[cf]: 匹配中括号其中的一个

　　　　　　　　?：匹配前面的子表达式0次或1次

　　　　　　　　+：匹配前面的子表达式一次或多次

　　　　　　　　perl通过临时变量$1,$2保存子表达式匹配的文本。$1保存的是数字，$2保存的是符号。

　　　　m/^([-+]?[0-9]+(?:\.[0-9]*)?)\s*([cf])$/i) ：添加支持小数的温度匹配

　　　　　　　　临时变量保存的顺序与分组的开括号 ( 在表达式中的顺序有关(从左到右）；因此这个地方使用?:，代表该括号匹配的值不被临时变量保存。

　　　　　　　　/i: 代表忽略大小写匹配，cf也匹配。

　　　　参考地址：https://segmentfault.com/a/1190000004375773（精通正则表达式（第三版））　　

5. 匹配空白行

　　^$  : 开头之后马上结束：空白行，不包括任何字符

　　\n\s*\r ：

　　　　 \n匹配一个换行符，等价于\x0a
　　　　 \s匹配任何空白字符，包括空格制表换页
　　　　 \r匹配一个回车符，等价于\x0d

6. 匹配首尾空白字符： ^\s*|\s*$

7. 匹配版本号1.3.0等

　　[\d.]+

8. 匹配某个字符以外的所有字符：

　　[^a]* 表示匹配除a以外的所有字符，*代表0次或多次。

　　[^abc]* 表示匹配除a、b、c以外的所有字符。

　　((?!win).)* 表示匹配除单词win的其它所有字符

　　windows (?!95|98|nt|2000)' 能匹配 "windows 3.1" 中的 "windows"，但不能匹配

　　　　　　　　　　"windows 2000" 中的 "windows"。

9. 匹配数字：

　　^\d+(\.\d+)?

　　　　^: 定义以什么开始；
　　　　\d+: 表示匹配数字；
　　　　?: 表示内容可选；

匹配下面的内容：

　　1）： {"service":"nutcracker", "source":"ubuntu", "version":"0.3.0",

　     　m|^\{"service":"nutcracker", "source":"([^"]+)", "version":"([\d.]+)",|

　　2）：220 yzwb.net esmtp mdaemon 10.1.2;

　　　　 m|^220[ -]([-.\w]+) esmtp mdaemon (\d[-.\w]+);

　　3）：amqp\x01\x01\x00\n

　　　　 m|^amqp\x01\x01\x00\x0a$|:注意回车键\n对应16进制\x0a,\r对应\x0d.

　　nmap nmap-services-probe文件给出的匹配

三、正则元字符

元字符是正则表达式组成的基本元素。

字符	描述
\	将下一个字符标记为一个特殊字符、或一个原义字符、或一个 后向引用、或一个八进制转义符。例如，'n' 匹配字符 "n"。'\n' 匹配一个换行符。序列 '\\' 匹配 "\" 而 "\(" 则匹配 "("。
^	匹配输入字符串的开始位置。如果设置了 regexp 对象的 multiline 属性，^ 也匹配 '\n' 或 '\r' 之后的位置。
$	匹配输入字符串的结束位置。如果设置了regexp 对象的 multiline 属性，$ 也匹配 '\n' 或 '\r' 之前的位置。
*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 "z" 以及 "zoo"。 * 等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等价于 {1,}。
?	匹配前面的子表达式零次或一次。例如，"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 n 次。例如，'o{2}' 不能匹配 "bob" 中的 'o'，但是能匹配 "food" 中的两个 o。
{n,}	n 是一个非负整数。至少匹配n 次。例如，'o{2,}' 不能匹配 "bob" 中的 'o'，但能匹配 "foooood" 中的所有 o。'o{1,}' 等价于 'o+'。'o{0,}' 则等价于 'o*'。
{n,m}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。刘， "o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。
?	当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 "oooo"，'o+?' 将匹配单个 "o"，而 'o+' 将匹配所有 'o'。
.	匹配除 "\n" 之外的任何单个字符。要匹配包括 '\n' 在内的任何字符，请使用象 '[.\n]' 的模式。
(pattern)	匹配pattern 并获取这一匹配。所获取的匹配可以从产生的 matches 集合得到，在vbscript 中使用 submatches 集合，在visual basic scripting edition 中则使用 $0…$9 属性。要匹配圆括号字符，请使用 '′或′'。
(?:pattern)	匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 "或" 字符 (|) 来组合一个模式的各个部分是很有用。例如， 'industr(?:y|ies) 就是一个比 'industry|industries' 更简略的表达式。
(?=pattern)	正向预查，在任何匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如， 'windows (?=95|98|nt|2000)' 能匹配 "windows 2000" 中的 "windows" ，但不能匹配 "windows 3.1" 中的 "windows"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)	负向预查，在任何不匹配negative lookahead matches the search string at any point where a string not matching pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如'windows (?!95|98|nt|2000)' 能匹配 "windows 3.1" 中的 "windows"，但不能匹配 "windows 2000" 中的 "windows"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始
x|y	匹配 x 或 y。例如，'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配 "zood" 或 "food"。
[xyz]	字符集合。匹配所包含的任意一个字符。例如， '[abc]' 可以匹配 "plain" 中的 'a'。
[^xyz]	负值字符集合。匹配未包含的任意字符。例如， '[^abc]' 可以匹配 "plain" 中的'p'。
[a-z]	字符范围。匹配指定范围内的任意字符。例如，'[a-z]' 可以匹配 'a' 到 'z' 范围内的任意小写字母字符。
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
\b	匹配非单词边界。'er\b' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。
\cx	匹配由x指明的控制字符。例如， \cm 匹配一个 control-m 或回车符。 x 的值必须为 a-z 或 a-z 之一。否则，将 c 视为一个原义的 'c' 字符。
\d	匹配一个数字字符。等价于 [0-9]。
\d	匹配一个非数字字符。等价于 [^0-9]。
\f	匹配一个换页符。等价于 \x0c 和 \cl。
\n	匹配一个换行符。等价于 \x0a 和 \cj。
\r	匹配一个回车符。等价于 \x0d 和 \cm。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\s	匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于 \x09 和 \ci。
\v	匹配一个垂直制表符。等价于 \x0b 和 \ck。
\w	匹配包括下划线的任何单词字符。等价于'[a-za-z0-9_]'。
\w	匹配任何非单词字符。等价于 '[^a-za-z0-9_]'。
\xn	匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如， '\x41' 匹配 "a"。'\x041' 则等价于 '\x04' & "1"。正则表达式中可以使用 ascii 编码。.
\num	匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。例如，'(.)\1' 匹配两个连续的相同字符。
\n	标识一个八进制转义值或一个后向引用。如果 \n 之前至少 n 个获取的子表达式，则 n 为后向引用。否则，如果 n 为八进制数字 (0-7)，则 n 为一个八进制转义值。
\nm	标识一个八进制转义值或一个后向引用。如果 \nm 之前至少有is preceded by at least nm 个获取得子表达式，则 nm 为后向引用。如果 \nm 之前至少有 n 个获取，则 n 为一个后跟文字 m 的后向引用。如果前面的条件都不满足，若  n 和 m 均为八进制数字 (0-7)，则 \nm 将匹配八进制转义值 nm。
\nml	如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。
\un	匹配 n，其中 n 是一个用四个十六进制数字表示的 unicode 字符。例如， \u00a9 匹配版权符号 (?)。

利用上述元字符，可以组合出所有想要的匹配模式。下面介绍几个常用的正则表达式.

匹配中文字符的正则表达式： [\u4e00-\u9fa5]

评注：匹配中文还真是个头疼的事，有了这个表达式就好办了

匹配双字节字符(包括汉字在内)： [^\x00-\xff]

评注：可以用来计算字符串的长度（一个双字节字符长度计2，ascii字符计1）

匹配空白行的正则表达式：\n\s*\r

评注：可以用来删除空白行

匹配html标记的正则表达式： <(\s*?)[^>]*>.*?</\1>|<.*? />

评注：网上流传的版本太糟糕，上面这个也仅仅能匹配部分，对于复杂的嵌套标记依旧无能为力

匹配首尾空白字符的正则表达式： ^\s*|\s*$

评注：可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式

匹配email地址的正则表达式： \w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*

评注：表单验证时很实用

匹配网址url的正则表达式： [a-za-z]+://[^\s]*

评注：网上流传的版本功能很有限，上面这个基本可以满足需求

匹配帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)： ^[a-za-z][a-za-z0-9_]{4,15}$

评注：表单验证时很实用

匹配国内电话号码： \d{3}-\d{8}|\d{4}-\d{7}

评注：匹配形式如 0511-4405222 或 021-87888822

匹配腾讯qq号： [1-9][0-9]{4,}

评注：腾讯qq号从10000开始

匹配中国邮政编码： [1-9]\d{5}(?!\d)

评注：中国邮政编码为6位数字

匹配身份证： \d{15}|\d{18}

评注：中国的身份证为15位或18位

匹配ip地址： \d+\.\d+\.\d+\.\d+

评注：提取ip地址时有用

匹配特定数字：

^[1-9]\d*$　 　 //匹配正整数

^-[1-9]\d*$ 　 //匹配负整数

^-?[1-9]\d*$　　 //匹配整数

^[1-9]\d*|0$　 //匹配非负整数（正整数 + 0）

^-[1-9]\d*|0$　　 //匹配非正整数（负整数 + 0）

^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$　　 //匹配正浮点数

^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$　 //匹配负浮点数

^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$　 //匹配浮点数

^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$　　 //匹配非负浮点数（正浮点数 + 0）

^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$　　//匹配非正浮点数（负浮点数 + 0）

评注：处理大量数据时有用，具体应用时注意修正

匹配特定字符串：

^[a-za-z]+$　　//匹配由26个英文字母组成的字符串

^[a-z]+$　　//匹配由26个英文字母的大写组成的字符串

^[a-z]+$　　//匹配由26个英文字母的小写组成的字符串

^[a-za-z0-9]+$　　//匹配由数字和26个英文字母组成的字符串

^\w+$　　//匹配由数字、26个英文字母或者下划线组成的字符串

四、总结

　　1）不同的场景、不同的语言，正则会有些许差别，只要掌握住基本的元字符以及相应的语言特性，真正用的时候花10几分钟时间熟悉一两个例子就能上手。

　　2）perl正则是目前最优的，包括特性，建议读者学一学，这对处理数据有很大的好处。

　　3）在我理解，我们如果只是想达到我们抽取数据的目的，正则匹配的原理没有必要搞懂，会用就行。

好了，以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对的支持。