php第五天-正则表达式，字符串的匹配与查找函数，数组切割

在php中有两套正则表达式，两者功能相似，一套是由PCRE，使用"preg_"为前缀命名的函数，一套是由POSIX拓展提供的，使用以"ereg_"命名的函数

0x01 处理函数

函数名	功能
preg_match()	进行正则表达式匹配
preg_match_all()	进行全局正则表达式匹配
preg_replace()	执行正则表达式的搜索和替换
preg_split()	用正则表达式分割字符串
preg_grep()	返回与模式匹配的数组单元
preg_replace_callback	用回调函数执行正则表达式的搜索和替换

0x02 正则表达式的语法规则

2.1 定界符

2.2 原子

2.3 元字符

2.4 模式修正符

正则表达式作为一个匹配的模版，是由原子（普通字符，例如字符a到z）、特殊字符（元字符，例如*、+和？等）、以及模式修正符三部分组成的文字模式。

一个最简单正则表达式至少包含一个原子。

将下面的正则表达式拆分如下：

'/<a.*?(?:|\\t|\\r|\\n)?href=[\"]?(.+?)[\"]?(?:(?:|\\t|\\r|\\n)+.*?)?>(.+?)<\/a.*?>/sim'

定界符：两个斜线”/”。

原子用到了< a href = ‘ “ / >等普通字符和\t \r \n等转义字符

元字符使用了 [] () | . ? * + 等具有特殊含义的字符

用到了模式修正符是在定界符最后一个斜线之后的三个字符: s i m

比如

<?php
preg_match("/<a.*?(?:|\\t|\\r|\\n)?href=[\"]?(.+?)[\"]?(?:(?:|\\t|\\r|\\n)+.*?)?>(.+?)<\/a.*?>/sim","<div><a href='http://www.baidu.com'>百度</a></div><a href='http://www.baidu.com'>百度2</a>",$info);
var_dump($info);
?>

输出

array(3) {
  [0]=>
  string(41) "<a href='http://www.baidu.com'>百度</a>"
  [1]=>
  string(1) "'"
  [2]=>
  string(6) "百度"
}

这里只输出了一个，我们使用preg_match_all输出

array(3) {
  [0]=>
  array(2) {
    [0]=>
    string(41) "<a href='http://www.baidu.com'>百度</a>"
    [1]=>
    string(42) "<a href='http://www.baidu.com'>百度2</a>"
  }
  [1]=>
  array(2) {
    [0]=>
    string(1) "'"
    [1]=>
    string(1) "'"
  }
  [2]=>
  array(2) {
    [0]=>
    string(6) "百度"
    [1]=>
    string(7) "百度2"
  }
}

2.1定界符

在程序语言中，使用与Perl兼容的正则表达式，通常都需要将模式表达式放入定界符之间，如“/”。

作为定界符常使用反斜线“/”，如“/apple/”。用户只要把需要匹配的模式内容放入定界符之间即可。作为定界的字符也不仅仅局限于“/”。除了字母、数字和斜线“\”以外的任何字符都可以作为定界符，像 ‘#’、’|’、’!’ 等都可以的。

/<\/\w+>/		--使用反斜线作为定界符合法
|(\d{3})-\d+|Sm 		--使用竖线”|”作为定界符合法
!^(?i)php[34]!		--使用竖线”!”作为定界符合法
{^\s+(\s+)?$}	 	--使用竖线”}”作为定界符合法
/href=‘(.*)’	 	--非法定界符，缺少结束定界符
1-\d3-\d3-\d4|	 	--非法定界符，缺少其实定界符

<?php
preg_match("/apple/", "apple test",$info);
var_dump($info)

?>

输出

array(1) {
  [0]=>
  string(5) "apple"
}

2.2原子

原子是正则表达式的最基本的组成单元，而且在每个模式中最少要少包含一个原子。原子是由所有那些未显示指定为元字符的打印和非打印字符组成，具体分为5类。

1. 普通字符作为原子： 如 a_z、AZ、0~9 等

2. 一些特殊字符和转义后元字符作为原子：

所有标点符号，但语句特殊意义的符号需要转义后才可作为原子，如：\” \’ * + ? . 等

3. 一些非打印字符作为原子： 如：\f \n \r \t \v \cx

4. 使用“通用字符类型”作为原子：如：\d \D \w \W \s \S。

5. 自定义原子表([])作为原子：如：’/[apj]sp/’ ’/[^apj]sp/’

<?php
preg_match_all("/[0-9a-zA-Z]/", "AZ",$info);
var_dump($info)

?>

输出

array(1) {
  [0]=>
  array(2) {
    [0]=>
    string(1) "A"
    [1]=>
    string(1) "Z"
  }
}

正则表达式中常用的非打印字符

字符	含义
\cx	匹配由x指明的控制字符。如\cM匹配一个Control-M或回车符。x的值必须为AZ或az之一
\f	匹配一个换页符。等价于 \x0c或\cL
\n	匹配一个换行符。等价于 \x0a或\cJ
\r	匹配一个回车符。等价于 \x0d或\cM
\t	匹配一个制表符。等价于 \x09或\cI
\v	匹配一个垂直制表符。等价于 \x0b或\cK

正则表达式中常用的“通用字符类型”

原子字符	含义
\d	匹配任意一个十进制数字，等价于[0-9]
\D	匹配任意一个除十进制数字以外的字符，等价于[^0-9]
\s	匹配任意一个空白符，等价于[\f\n\r\t\v]
\S	匹配除空白符以外任何字符，等价于[^\f\n\r\t\v]
\w	匹配任意一个数字、字母或下画线，等价于[0-9a-zA-Z_]
\W	匹配一个除数字、字母或下画线以外的任意一个字符，等价于[^0-9a-zA-Z_]

2.3元字符

字符串边界限制

在某些情况下，需要对匹配范围进行限定，以获得更准确的匹配结果。

^和$分别指定字符串的开始和结束。

例如，在字符串“Tom and Jerry chased each other in the house until tom’s uncel come in”中元字符“^”或“\A” 置于字符串的开始确保模式匹配出现在字符串首端；

/^Tom/

元字符“$”或“\Z” 置于字符串的结束，确保模式匹配出现字符串尾端。

/in$/

如果不加边界限制元字符，将获得更多的匹配结果。

/^Tom$/精确匹配 /Tom/模糊匹配

<?php
preg_match_all("^Tom$", "Tom and Jerry chased each other in the house until tom’s uncel come in",$info);
var_dump($info)

?>

输出

array(1) {

[0]=>

array(0) {

}

}

为什么匹配不到呢，因为必须是以Tom开始和结束的，只有这样才行

<?php
preg_match_all("/^Tom$/", "Tom",$info);
var_dump($info)

?>

单词边界限制

在使用各种编辑软件的查找功能时，可以通过选择“按单词查找”获得更准确的结果。正则表达式中也提供类似的功能。

例如：在字符串“This island is a beautiful land”中

元字符“\b”对单词的边界进行匹配；

/\bis\b/ 匹配单词“is”，不匹配“This”和“island”。

/\bis 匹配单词“is”和“island”中的“is”，不匹配“This”

元字符“\B”对除单词边界以外的部分进行匹配。

/\Bis\B/ 将明确的指示不与单词的左、右边界匹配，只匹配单词的内部。所以在这个例子中没有结果。

/\Bis 匹配单词“This”中的“is”

重复匹配

正则表达式中有一些用于重复匹配某些原子的元字符：“?”、“”、“+”。他们主要的区别是重复匹配的次数不同。

元字符“?”:表示0次或1次匹配紧接在其前的原子。

例如：/colou?r/匹配“colour”或“color”。

元字符“”:表示0次、1次或多次匹配紧接在其前的原子。

例如：/zo*/可以匹配z、zoo

元字符“+”:表示1次或多次匹配紧接在其前的原子。

例如：/go+gle/匹配“gogle”、“google”或“gooogle”等中间含有多个o的字符串。

原子表 －方括号表达式

原子表”[]”中存放一组原子，彼此地位平等，且仅匹配其中的一个原子。如果想匹配一个 ”a” 或 ”e” 使用 [ae]。

例如: Pr[ae]y 匹配 ”Pray” 或者 ”Prey ”。

原子表 ”[^]” 或者称为排除原子表，匹配除表内原子外的任意一个字符。

例如：/p[^u]/匹配“part”中的“pa”，但无法匹配“computer”中的“pu”因为“u”在匹配中被排除。

原子表“[-]”用于连接一组按ASCII码顺序排列的原子，简化书写。

例如：/x[0123456789]/可以写成x[0-9],用来匹配一个由 “x” 字母与一个数字组成的字符串。

例如：

/[a-zA-Z]/匹配所有大小写字母
/^[a-z][0-9]$/匹配比如“z2”、 “t6” 、“g7”
/0[xX][0-9a-fA-F]/匹配一个简单的十六进制数字，如“0x9”。
/[^0-9a-zA-Z_]/匹配除英文字母、数字和下划线以外任何一个字符，其等价于\W。
/0?[ xX][0-9a-fA-F]+/匹配十六进制数字，可以匹配“0x9B3C”或者“X800”等。
/<[A-Za-z][A-Za-z0-9]*>/可以匹配“<P>”、“<hl>”或“<Body>”等HTML标签，并且不严格的控制大小写

模式选择符

元字符“|”又称模式选择符。在正则表达式中匹配两个或更多的选择之一。

例如：

在字符串“There are many apples and pears.”中， /apple|pear/在第一次运行时匹配“apple”；

再次运行时匹配“ pear”。也可以继续增加选项，如： /apple|pear|banana|lemon/

模式单元

元字符“（）”将其中的正则表达式变为原子（或称模式单元）使用。与数学表达式中的括号类似，“（）”可以做一个单元被单独使用。

例如：

/(Dog)+/匹配的“Dog”、“DogDog”、“DogDogDog”,因为紧接着“+”前的原子是元字符“（）”括起来的字符串“Dog”。
/You (very )+ old/匹配“You very old”、“You very very old”
/Hello (world|earth)/匹配“Hello world”、“Hello earth”

一个模式单元中的表达式将被优先匹配或运算。

重新使用的模式单元*

系统自动将模式单元“（）”中的匹配依次存储起来，在需要时可以用“\1”、“\2”、“\3”的形式进行引用。当正则表达式包含有相同的模式单元时，这种方法非常便于对其进行管理。注意使用时需要写成“\1”、“\2”

例如：

/^\d{2}([\W])\d{2}\1\d{4}$/匹配“12-31-2006”、“09/27/1996”、“86 01 4321”等字符串。但上述正则表达式不匹配“12/34-5678”的格式。这是因为模式“[\W]”的结果“/”已经被存储。下个位置“\1”引用时，其匹配模式也是字符“/”。

当不需要存储匹配结果时使用非存储模式单元“（？：）”

例如/(?:a|b|c)(D|E|F)\1g/ 将匹配“aEEg”。在一些正则表达式中，使用非存储模式单元是必要的。否则，需要改变其后引用的顺序。上例还可以写成/（a|b|c）(C|E|F)\2g/

比如说：

<?php
preg_match("/^\d{2}([\W])\d{2}\\1\d{4}$/", "12-31-2006",$info);
var_dump($info);
?>

输出

array(2) { [0]=> string(10) "12-31-2006" [1]=> string(1) "-" }

这里就是[0-9]{2} ([^0-9a-zA-Z])[0-9]{2} ([^0-9a-zA-Z]) [0-9]{4}，这里的\1是重复()里面的内容\1就是转义，如果想用第二个就\2就行了

模式匹配的优先级

模式修正符

0x03 与Perl兼容的正则表达式函数

3.1 子符串的匹配与查找函数

1.函数preg_match() --执行一个正则表达式匹配

int preg_match(string $pattern, string $subject[,array &$matches])

搜索subject与pattern给定的正则表达式的一个匹配.

2.函数preg_match_all() --执行全局正则表达式匹配

int preg_match_all(string $pattern ,string $subject ,array &$matches [, int $flags])

搜索subject中所有匹配pattern给定正则表达式 的匹配结果并且将它们以flag指定顺序输出到matches中. 参数flags是指定matches的数组格式。

3.函数preg_grep() --返回匹配模式的数组条目

array preg_grep ( string $pattern , array $input [, int $flags = 0 ] )

返回给定数组input中与模式pattern 匹配的元素组成的数组。

4.其它子串处理函数：strstr()、strpos()、strrpos()、substr()

<?php
    /**
        用于获取URL中的文件名部分
        @param  string  $url     任何一个URL格式的字符串
        @return string       URL中的文件名称部分
    */
    function getFileName($url) {
        //获取URL字符串中最后一个“/”出现的位置，再加1则为文件名开始的位置
        $location = strrpos($url, "/")+1;
        //获取在URL中从$location位置取到结尾的子字符串
        $fileName = substr($url, $location);
        //返回获取到的文件名称
        return $fileName;
    }
    //获取网页文件名index.php
    echo getFileName("https://www.cnblogs.com");

输出

www.cnblogs.com

为什么$location要+1呢因为strrpos是以0开始的而substr是以1开始的所以要加一获取位置

3.2 字符串的替换函数

 preg_replace —执行一个正则表达式的搜索和替换
mixed preg_replace ( mixed $pattern , mixed $replacement,mixed $subject [,int $limit = -1])
搜索subject中匹配pattern的部分, 以replacement进行替换. 

实例：

 <?php
    //可以匹配所有HTML标记的开始和结束的正则表达式
    $pattern = "/<[\/\!]*?[^<>]*?>/is";             

    //声明一个带有多个HTML标记的文本
    $text = "这个文本中有<b>粗体</b>和<u>带有下画线</u>以及<i>斜体</i>
             还有<font color='red' size='7'>带有颜色和字体大小</font>的标记";    

     echo "$text";
     echo "<br>";
    //将所有HTML标记替换为空，即删除所有HTML标记
    echo preg_replace($pattern, "", $text);
    echo "<br>";
    //通过第四个参数传入数字2，替换前两个HTML标记
    echo preg_replace($pattern, "", $text, 2);

输出

<?php
    $pattern = "/(\d{2})\/(\d{2})\/(\d{4})/"; //日期格式的正则表达式

   $text="今年国庆节放假日期为10/01/2012到10/07/2012共7天。"; //带有两个日期格式的字串

    echo preg_replace($pattern, "\\3-\\1-\\2", $text); //将日期替换为以“-”分隔的格式

    echo preg_replace($pattern, "\${3}-\${1}-\${2}",$text); //将“\\1”改为“\${1}”的形式

输出

今年国庆节放假日期为2012-10-01到2012-10-07共7天。今年国庆节放假日期为2012-10-01到2012-10-07共7天。

<?php
    //元音字符数组
    $vowels = array("a", "e", "i", "o", "u", "A", "E", "I", "O", "U");  

    //将第三个参数中的字符串，搜索到的数组中的元素值都被替换为空，区分大写小替换
    echo str_replace($vowels, "", "Hello World of PHP");  //输出: Hll Wrld f PHP

    //元音字符数组
    $vowels = array("a", "e", "i", "o", "u");                           

    //将第三个参数中的字符串，搜索到的数组中的元素值都被替换为空，不区分大写小替换
    echo str_ireplace($vowels, "", "HELLO WORLD OF PHP"); //输出：HLL WRLD F PHP

<?php
    //元音字符数组
    $vowels = array("a", "e", "i", "o", "u", "A", "E", "I", "O", "U");  

    //将第三个参数中的字符串，搜索到的数组中的元素值都被替换为空，区分大写小替换
    echo str_replace($vowels, "", "Hello World of PHP");  //输出: Hll Wrld f PHP

    //元音字符数组
    $vowels = array("a", "e", "i", "o", "u");                           

    //将第三个参数中的字符串，搜索到的数组中的元素值都被替换为空，不区分大写小替换
    echo str_ireplace($vowels, "", "HELLO WORLD OF PHP"); //输出：HLL WRLD F PHP

3.3 字符串的分割与连接

preg_split — 通过一个正则表达式分隔字符串

array preg_split ( string $pattern , string $subject [, int $limit = -1 [, int $flags = 0 ]] )

通过一个正则表达式$pattern分隔给定字符串$subject。其中$limit是最大替换个数。

flags可以是任何下面标记的组合

PREG_SPLIT_NO_EMPTY：返回分隔后的非空部分

PREG_SPLIT_DELIM_CAPTURE：用于分隔的模式中的括号表达式将被捕获并返回.

PREG_SPLIT_OFFSET_CAPTURE：返回附加字符串偏移量

<?php
    //按任意数量的空格和逗号分隔字符串，其中包含" ", \r, \t, \n and \f
    $keywords = preg_split ("/[\s,]+/", "hypertext language, programming");
    print_r($keywords);
    //分割后输出Array ( [0] => hypertext [1] => language [2] => programming ) 

    //将字符串分割成字符
    $chars = preg_split('//', "lamp", -1, PREG_SPLIT_NO_EMPTY);
    print_r($chars);        //分割后输出Array ( [0] => l [1] => a [2] => m [3] => p ) 

    //将字符串分割为匹配项及其偏移量
    $chars = preg_split('/ /','hypertext language programming', -1,
				PREG_SPLIT_OFFSET_CAPTURE);
    print_r($chars);    

    /* 分割后输出:
        Array ( [0] => Array ( [0] => hypertext [1] => 0 )
                   [1] => Array ( [0] => language [1] => 10 )
                   [2] => Array ( [0] => programming [1] => 19 ) )     */

分割也可以用exlode

<?php
var_dump(explode(" ", "'hypertext language programming'"));
?>

输出

array(3) {

[0]=>

string(10) "'hypertext"

[1]=>

string(8) "language"

[2]=>

string(12) "programming'"

}