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(PCRE_MULTILINE)下构造非紧固模式，在单行模式(美元符号可匹配字符串尾部的一个换行符)下可构造紧固模式；而\A、\Z / \z只用于构造紧固模式(\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，不会导致当前的匹配点发生改变，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)。(?im) 设置表明多行大小写不敏感匹配， 而(?im-sx) 设置了 PCRE_CASELESS，PCRE_MULTILINE， 但是同时取消了 PCRE_DOTALL 和 PCRE_EXTENDED。 如果一个字母即出现在 - 之前, 也出现在 - 之后，这个选项被取消设置。

模式修饰符

主要有i(PCRE_CASELESS)、m(PCRE_MULTILINE)、s(PCRE_DOTALL，但[.]只匹配单个.字符)、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。

(\()?[^()]+(?(1)\))

改模式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。

重复/量词

*	等价于 {0,}
+	等价于 {1,}
?	等价于 {0,1}

默认情况下，量词都是”贪婪”的，也就是说， 它们会在不导致模式匹配失败的前提下，尽可能多的匹配字符(直到最大允许的匹配次数)，如对C代码“/* first comment*/ not comment /*second comment*/”匹配注释使用下列模式会匹配到整个字符串；

/\*.*\*/

然而，如果一个量词紧跟着一个 ?(?起到模式反转的作用，也就是说如果设置了 PCRE_UNGREEDY((?U)，且对目标使用括号如((?U).+))，模式将反转为贪婪；而如果量词紧跟着一个+，表示任何情况下都使用贪婪模式，因此 .*?abc 匹配 ”aabc”， 但是 .*+abc 不匹配) 标记，它就会成为懒惰(非贪婪)模式， 只做尽可能少的匹配。 因此上述模式应该改成这样：

/\*.*?\*/ 

补充一下，在贪婪或懒惰模式下，都是在保证成功的条件下来控制匹配的重复次数最多(/.*a/取决于最后一个a所在的位置)或最少：

//$match = Array ( [0] => 214sfsbbb )
$patt = '/^\w*b$/';
preg_match($patt,'214sfsbbb',$match);

//$match = Array ( [0] => 214sfsbbb )
$patt = '/^\w*?b$/';
preg_match($patt,'214sfsbbb',$match);

//$match = Array ( [0] => 214sfsbbb )
$patt = '/^\w*b/';
preg_match($patt,'214sfsbbb',$match);

//$match = Array ( [0] => 214sfsb )
$patt = '/^\w*?b/';
preg_match($patt,'214sfsbbb',$match);

$subject = 'Aaaaaa Bbb';
$target = 0;
//$subject = "0123456 7B8b9b10"
$subject = preg_replace_callback_array(
    [
          '/a?/i' => function ($match) use (&$target) {
                        return $target++;
                   },
    ],
    $subject
);

字符类与转义字符

字符类\d、\D、 \s(任意空白字符，包括\r、\n、\t)、\S(任意非空白字符)、\w(任意单词字符，包括字母、数字和_) 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捕获子组。需注意，\n复用捕获组匹配结果，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。

$data = 'a { b { 1 } c { d { 2 } } }';
preg_match('/a (?<R>\{(?:[^{}]+|(?&R))*\})/', $data, $m);
var_dump($m);

array(3) {
    [0]=> string(27) "a { b { 1 } c { d { 2 } } }"
    ["R"]=> string(25) "{ b { 1 } c { d { 2 } } }"
    [1]=> string(25) "{ b { 1 } c { d { 2 } } }"
}

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] => w12aq.e_@124afasf.com [1] => 124afasf. )
$patt = '/^(?!_|-)(?>[\w.-]+)@(?!-)(?>((?>[a-zA-Z0-9-]+)\.)+)[a-zA-Z]{2,46}$/';
preg_match($patt,'w12aq.e_@124afasf.com',$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);

//下列模式用于XML去空及压缩
$package = '<?xml version="1.0" encoding="UTF-8"?>
<PARAM>
    <DBID>35</DBID>
    <SEQUENCE>atgtca</SEQUENCE>
    <MAXNS>10</MAXNS>
    <MINIDENTITIES>90</MINIDENTITIES>
    <MAXEVALUE>10</MAXEVALUE>
    <USERNAME>ad m
    in</USERNAME>
    <PASSWORD>111111</PASSWORD>
    <TYPE>P</TYPE>
    <RETURN_TYPE></RETURN_TYPE>
</PARAM>';

// 去除空元素
$package = preg_replace('/<(\w+)[^>]*>\s*<\/\1>|<\w+[^>]*\/>/i', '', $package);
// XML压缩
$package = preg_replace('/(?<=>)\s+(?=<\/?\w+>)/i', '', $package);

PCRE系统错误

// 打印最近的PCRE错误，非0值表示发生错误
var_dump(preg_last_error());

// preg_last_error() == 2时，可能是回溯次数超出限制了，可修改最大回溯解决，但不可无限上调该设置以免消耗内存资源过大。默认 pcre.backtrack_limit = 1000000
ini_set('pcre.backtrack_limit', 100000000);