常用的正则表达式介绍

た入场券 2022-06-12 14:57 117阅读 0赞

## 常用的正则表达式 ##

**常用正则表达式**

正则表达式用于字符串处理、表单验证等场合，实用高效。现将一些常用的表达式收集于此，以备不时之需。

用户名：/^\[a-z0-9\_-\]\{3,16\}$/

密码：/^\[a-z0-9\_-\]\{6,18\}$/

十六进制值：/^\#?(\[a-f0-9\]\{6\}|\[a-f0-9\]\{3\})$/

电子邮箱：/^(\[a-z0-9\_\\.-\]+)@(\[\\da-z\\.-\]+)\\.(\[a-z\\.\]\{2,6\})$/

URL：/^(https?:\\/\\/)?(\[\\da-z\\.-\]+)\\.(\[a-z\\.\]\{2,6\})(\[\\/\\w \\.-\]\*)\*\\/?$/

IP 地址：/^(?:(?:25\[0-5\]|2\[0-4\]\[0-9\]|\[01\]?\[0-9\]\[0-9\]?)\\.)\{3\}(?:25\[0-5\]|2\[0-4\]\[0-9\]|\[01\]?\[0-9\]\[0-9\]?)$/

HTML 标签：/^<(\[a-z\]+)(\[^<\]+)\*(?:>(.\*)<\\/\\1>|\\s+\\/>)$/

Unicode编码中的汉字范围：/^\[u4e00-u9fa5\],\{0,\}$/

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

匹配中国大陆邮政编码：\[1-9\]\\d\{5\}(?!\\d)  
评注：中国大陆邮政编码为6位数字

匹配身份证：\\d\{15\}|\\d\{18\}  
评注：中国大陆的身份证为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

## 表达式全集 ##

正则表达式有多种不同的风格。下表是在PCRE中元字符及其在正则表达式上下文中的行为的一个完整列表：

<table> 
 <tbody> 
 <tr> 
 <th>字符</th> 
 <th>描述</th> 
 </tr> 
 <tr> 
 <th style="text-align:center">\</th> 
 <td>将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。例如，“<code>n</code>”匹配字符“<code>n</code>”。“<code>\n</code>”匹配一个换行符。序列“<code>\\</code>”匹配“<code>\</code>”而“<code>\(</code>”则匹配“<code>(</code>”。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">^</th> 
 <td>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“<code>\n</code>”或“<code>\r</code>”之后的位置。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">$</th> 
 <td>匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性，$也匹配“<code>\n</code>”或“<code>\r</code>”之前的位置。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">*</th> 
 <td>匹配前面的子表达式零次或多次。例如，zo*能匹配“<code>z</code>”以及“<code>zoo</code>”。*等价于{0,}。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">+</th> 
 <td>匹配前面的子表达式一次或多次。例如，“<code>zo+</code>”能匹配“<code>zo</code>”以及“<code>zoo</code>”，但不能匹配“<code>z</code>”。+等价于{1,}。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">?</th> 
 <td>匹配前面的子表达式零次或一次。例如，“<code>do(es)?</code>”可以匹配“<code>do</code>”或“<code>does</code>”中的“<code>do</code>”。?等价于{0,1}。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">{ n}</th> 
 <td>n是一个非负整数。匹配确定的n次。例如，“<code>o{2}</code>”不能匹配“<code>Bob</code>”中的“<code>o</code>”，但是能匹配“<code>food</code>”中的两个o。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">{ n,}</th> 
 <td>n是一个非负整数。至少匹配n次。例如，“<code>o{2,}</code>”不能匹配“<code>Bob</code>”中的“<code>o</code>”，但能匹配“<code>foooood</code>”中的所有o。“<code>o{1,}</code>”等价于“<code>o+</code>”。“<code>o{0,}</code>”则等价于“<code>o*</code>”。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">{ n,m}</th> 
 <td>m和n均为非负整数，其中n&lt;=m。最少匹配n次且最多匹配m次。例如，“<code>o{1,3}</code>”将匹配“<code>fooooood</code>”中的前三个o。“<code>o{0,1}</code>”等价于“<code>o?</code>”。请注意在逗号和两个数之间不能有空格。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">?</th> 
 <td>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“<code>oooo</code>”，“<code>o+?</code>”将匹配单个“<code>o</code>”，而“<code>o+</code>”将匹配所有“<code>o</code>”。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">.</th> 
 <td>匹配除“<code>\</code><code>n</code>”之外的任何单个字符。要匹配包括“<code>\</code><code>n</code>”在内的任何字符，请使用像“<code>[.\</code><code>n</code><code>]</code>”的模式。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">(pattern)</th> 
 <td>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JScript中则使用$0…$9属性。要匹配圆括号字符，请使用“<code>$</code>”或“<code>$</code>”。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">(?:pattern)</th> 
 <td>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“<code>(|)</code>”来组合一个模式的各个部分是很有用。例如“<code>industr(?:y|ies)</code>”就是一个比“<code>industry|industries</code>”更简略的表达式。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">(?=pattern)</th> 
 <td>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，“<code>Windows(?=95|98|NT|2000)</code>”能匹配“<code>Windows2000</code>”中的“<code>Windows</code>”，但不能匹配“<code>Windows3.1</code>”中的“<code>Windows</code>”。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。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">(?!pattern)</th> 
 <td>负向预查，在任何不匹配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“<code>Windows(?!95|98|NT|2000)</code>”能匹配“<code>Windows3.1</code>”中的“<code>Windows</code>”，但不能匹配“<code>Windows2000</code>”中的“<code>Windows</code>”。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</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">x|y</th> 
 <td>匹配x或y。例如，“<code>z|food</code>”能匹配“<code>z</code>”或“<code>food</code>”。“<code>(z|f)ood</code>”则匹配“<code>zood</code>”或“<code>food</code>”。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">[xyz]</th> 
 <td>字符集合。匹配所包含的任意一个字符。例如，“<code>[abc]</code>”可以匹配“<code>plain</code>”中的“<code>a</code>”。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">[^xyz]</th> 
 <td>负值字符集合。匹配未包含的任意字符。例如，“<code>[^abc]</code>”可以匹配“<code>plain</code>”中的“<code>p</code>”。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">[a-z]</th> 
 <td>字符范围。匹配指定范围内的任意字符。例如，“<code>[a-z]</code>”可以匹配“<code>a</code>”到“<code>z</code>”范围内的任意小写字母字符。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">[^a-z]</th> 
 <td>负值字符范围。匹配任何不在指定范围内的任意字符。例如，“<code>[^a-z]</code>”可以匹配任何不在“<code>a</code>”到“<code>z</code>”范围内的任意字符。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\b</th> 
 <td>匹配一个单词边界，也就是指单词和空格间的位置。例如，“<code>er\b</code>”可以匹配“<code>never</code>”中的“<code>er</code>”，但不能匹配“<code>verb</code>”中的“<code>er</code>”。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\B</th> 
 <td>匹配非单词边界。“<code>er\B</code>”能匹配“<code>verb</code>”中的“<code>er</code>”，但不能匹配“<code>never</code>”中的“<code>er</code>”。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\cx</th> 
 <td>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“<code>c</code>”字符。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\d</th> 
 <td>匹配一个数字字符。等价于[0-9]。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\D</th> 
 <td>匹配一个非数字字符。等价于[^0-9]。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\f</th> 
 <td>匹配一个换页符。等价于\x0c和\cL。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\n</th> 
 <td>匹配一个换行符。等价于\x0a和\cJ。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\r</th> 
 <td>匹配一个回车符。等价于\x0d和\cM。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\s</th> 
 <td>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]。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\S</th> 
 <td>匹配任何非空白字符。等价于[^\f\n\r\t\v]。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\t</th> 
 <td>匹配一个制表符。等价于\x09和\cI。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\v</th> 
 <td>匹配一个垂直制表符。等价于\x0b和\cK。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\w</th> 
 <td>匹配包括下划线的任何单词字符。等价于“<code>[A-Za-z0-9_]</code>”。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\W</th> 
 <td>匹配任何非单词字符。等价于“<code>[^A-Za-z0-9_]</code>”。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\xn</th> 
 <td>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，“<code>\x41</code>”匹配“<code>A</code>”。“<code>\x041</code>”则等价于“<code>\x04&amp;1</code>”。正则表达式中可以使用ASCII编码。.</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\num</th> 
 <td>匹配num，其中num是一个正整数。对所获取的匹配的引用。例如，“<code>(.)\1</code>”匹配两个连续的相同字符。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\n</th> 
 <td>标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式，则n为向后引用。否则，如果n为八进制数字（0-7），则n为一个八进制转义值。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\nm</th> 
 <td>标识一个八进制转义值或一个向后引用。如果\nm之前至少有nm个获得子表达式，则nm为向后引用。如果\nm之前至少有n个获取，则n为一个后跟文字m的向后引用。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。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\nml</th> 
 <td>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。</td> 
 </tr> 
 <tr> 
 <th style="text-align:center">\un</th> 
 <td>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（?）。</td> 
 </tr> 
 </tbody> 
</table>

以下是以PHP的语法所写的示例

验证字符串是否只含数字与英文，字符串长度并在4~16个字符之间

<?php
 $str = 'a1234';
 if (preg_match("^[a-zA-Z0-9]{4,16}$", $str)) { 
 echo "驗證成功";
 } else { 
 echo "驗證失敗";
 }
 ?>

简易的台湾身份证字号验证

<?php
 $str = 'a1234';
 if (preg_match("/^\w[12]\d{8}$/", $str)) { 
 echo "驗證成功";
 } else { 
 echo "驗證失敗";
 }
 ?>

以下示例是用 Perl 语言写的，与上面的示例功能相同

print $str = "a1234" =~ m:^[a-zA-Z0-9]{ 4,16}$: ? "COMFIRM" : "FAILED";

print $str = "a1234" =~ m"^\w[12]\d{8}$" ? "COMFIRM" : "INVAILD";

## 如何写出高效率的正则表达式 ##

如果纯粹是为了挑战自己的正则水平，用来实现一些特效（例如使用正则表达式计算质数、解线性方程），效率不是问题；如果所写的正则表达式只是为了满足一两次、几十次的运行，优化与否区别也不太大。但是，如果所写的正则表达式会百万次、千万次地运行，效率就是很大的问题了。我这里总结了几条提升正则表达式运行效率的经验（工作中学到的，看书学来的，自己的体会），贴在这里。如果您有其它的经验而这里没有提及，欢迎赐教。

为行文方便，先定义两个概念。

**误匹配**：指正则表达式所匹配的内容范围超出了所需要范围，有些文本明明不符合要求，但是被所写的正则式“击中了”。例如，如果使用\\d\{11\}来匹配11位的手机号，\\d\{11\}不单能匹配正确的手机号，它还会匹配98765432100这样的明显不是手机号的字符串。我们把这样的匹配称之为误匹配。

**漏匹配**：指正则表达式所匹配的内容所规定的范围太狭窄，有些文本确实是所需要的，但是所写的正则没有将这种情况囊括在内。例如，使用\\d\{18\}来匹配18位的身份证号码，就会漏掉结尾是字母X的情况。

写出一条正则表达式，既可能**只出现**误匹配（条件写得极宽松，其范围大于目标文本），也可能**只出现**漏匹配（只描述了目标文本中多种情况种的一种），还可能**既有误匹配又有漏匹配**。例如，使用\\w+\\.com来匹配.com结尾的域名，既会误匹配abc\_.com这样的字串（合法的域名中不含下划线，\\w包含了下划线这种情况），又会漏掉ab-c.com这样的域名（合法域名中可以含中划线，但是\\w不匹配中划线）。

精准的正则表达式意味着既无误匹配且无漏匹配。当然，现实中存在这样的情况：只能看到有限数量的文本，根据这些文本写规则，但是这些规则将会用到海量的文本中。这种情况下，尽可能地（如果不是完全地）消除误匹配以及漏匹配，并提升运行效率，就是我们的目标。本文所提出的经验，主要是针对这种情况。

**掌握语法细节**。正则表达式在各种语言中，其语法大致相同，细节各有千秋。明确所使用语言的正则的语法的细节，是写出正确、高效正则表达式的基础。例如，perl中与\\w等效的匹配范围是\[a-zA-Z0-9\_\]；perl正则式不支持肯定逆序环视中使用可变的重复（variable repetition inside lookbehind，例如(?<=.\*)abc），但是.Net语法是支持这一特性的；又如，JavaScript连逆序环视（Lookbehind,如(?<=ab)c）都不支持，而perl和python是支持的。《精通正则表达式》第3章《正则表达式的特性和流派概览》明确地列出了各大派系正则的异同，这篇文章也简要地列出了几种常用语言、工具中正则的比较。对于具体使用者而言，至少应该详细了解正在使用的那种工作语言里正则的语法细节。

**先粗后精，先加后减**。使用正则表达式语法对于目标文本进行描述和界定，可以像画素描一样，先大致勾勒出框架，再逐步在局步实现细节。仍举刚才的手机号的例子，先界定\\d\{11\}，总不会错；再细化为1\[358\]\\d\{9\}，就向前迈了一大步（至于第二位是不是3、5、8，这里无意深究，只举这样一个例子，说明逐步细化的过程）。这样做的目的是先消除漏匹配（刚开始先尽可能多地匹配，做加法），然后再一点一点地消除误匹配（做减法）。这样有先有后，在考虑时才不易出错，从而向“不误不漏”这个目标迈进。

**留有余地**。所能看到的文本sample是有限的，而待匹配检验的文本是海量的，暂时不可见的。对于这样的情况，在写正则表达式时要跳出所能见到的文本的圈子，开拓思路，作出“战略性前瞻”。例如，经常收到这样的垃圾短信：“发\*票”、“发\#漂”。如果要写规则屏蔽这样烦人的垃圾短信，不但要能写出可以匹配当前文本的正则表达式 发\[\*\#\](?:票|漂)，还要能够想到  发.(?:票|漂|飘)之类可能出现的“变种”。这在具体的领域或许会有针对性的规则，不多言。这样做的目的是消除漏匹配，延长正则表达式的生命周期。

**明确**。具体说来，就是**谨慎**用点号这样的元字符，**尽可能**不用星号和加号这样的任意量词。只要能确定范围的，例如\\w，就不要用点号；只要能够预测重复次数的，就不要用任意量词。例如，写析取twitter消息的脚本，假设一条消息的xml正文部分结构是…且正文中无尖括号，那么\[^<\]\{1,480\}这种写法**的思路**要好于.\*，原因有二：一是使用\[^<\]，它保证了文本的范围不会超出下一个小于号所在的位置；二是明确长度范围，\{1,480\}，其依据是一条twitter消息大致能的字符长度范围。当然，480这个长度是否正确还可推敲，但是这种思路是值得借鉴的。说得狠一点，“滥用点号、星号和加号是不环保、不负责任的做法”。

**不要让稻草压死骆驼**。每使用一个普通括号()而不是非捕获型括号(?:…)，就会保留一部分内存等着你再次访问。这样的正则表达式、无限次地运行次数，无异于一根根稻草的堆加，终于能将骆驼压死。养成合理使用(?:…)括号的习惯。

**宁简勿繁**。将一条复杂的正则表达式拆分为两条或多条简单的正则表达式，编程难度会降低，运行效率会提升。例如用来消除行首和行尾空白字符的正则表达式s/^\\s+|\\s+$//g;，其运行效率理论上要低于s/^\\s+//g; s/\\s+$//g; 。这个例子出自《精通正则表达式》第五章，书中对它的评论是“它几乎总是最快的，而且显然最容易理解”。既快又容易理解，何乐而不为？工作中我们还有其它的理由要将C==(A|B)这样的正则表达式拆为A和B两条表达式分别执行。例如，虽然A和B这两种情况只要有一种能够击中所需要的文本模式就会成功匹配，但是如果只要有一条子表达式（例如A）会产生误匹配，那么不论其它的子表达式（例如B）效率如何之高，范围如何精准，C的总体精准度也会因A而受到影响。

**巧妙定位**。有时候，我们需要匹配的the，是作为单词的the（两边有空格），而不是作为单词一部分的t-h-e的有序排列（例如together中的the）。在适当的时候用上^，$，\\b等等定位锚点，能有效提升找到成功匹配、淘汰不成功匹配的效率。

**正则表达式：** [ http://114.xixik.com/regex/][http_114.xixik.com_regex]

**HTML转义字符：** [ http://114.xixik.com/character/][http_114.xixik.com_character]

[http_114.xixik.com_regex]: http://114.xixik.com/regex/
[http_114.xixik.com_character]: http://114.xixik.com/character/