PHP学习笔记之正则表达式

PHP学习笔记之正则表达式

最近开始正式学习PHP，由于刚入门，之前零零散散的在网上搜索，对php正则表达式这一块的内容没有一个系统的认识，所以现在做一下小小的总结，我看的书是《PHP和MySQL Web开发》(原书第四版)，很厚一本，趁着寒假读完吧。

一、基础知识

• 正则表达式是一种描述一段文本模式的方法。

• 在PHP中，匹配正则表达式有点像 strstr() 匹配，而不像相等比较，因为是在一个字符串的某个位置(如果不指明则可能在字符串中的任何位置)匹配另一个字符串。
  例如，字符串"shop"既可以匹配正则表达式"shop"，也可以匹配正则表达式"h","ho"等。

• 除了精确匹配字符外，还可以用特殊字符来指定表达式的元意。
  例如，使用特殊字符，可以指定一个在字符串开始或末尾肯定存在的模式，该模式的某部分可能被重复，或模式中的字符属于特定的某一类型。此外，还可以按特殊字符的出现来匹配。

二、字符集和类

字符集可以用于匹配属于特定类型的任何字符;事实上是一种通配符。
例如：

 .at

可以与"cat"、“sat”、"mat"进行匹配。(通常这种通配符匹配用于操作系统的文件名匹配)

但上述同样可以匹配‘#at’，如果要限定是a到z之间的字符，则可以像下面这样指明：

[a-z]at

• 任何被包含在方括号（[ ]）中的内容都是一个字符类——一个被匹配字符所属的字符集合。注意，方括号中的表达式只匹配一个字符。例如，

[aeiou]			//表示元音字母
[a-zA-Z]		//表示任何的大小写字母

此外，还可以用集合来指明字符不属于某个集。当把脱字符号 (^) 包括在方括号里面时，表示否。例如，

[^a-z]			//匹配任何不在a到z之间的字符

三、重复

通常，程序员会希望指明某个字符串或字符类将不止一次地出现，在正则表达式中可使用两个特殊字符代替。

• 符号 * 表示这个模式可以被重复0次或更多次，符号 + 则表示这个模式可以被重复1次或更多次。这两个符号均要放到表达式的后面。例如，

[[a-zA-z]]	+	//表示至少有一个英文字母

四、子表达式

• 通常，将一个表达式分割为几个子表达式是非常有用的。例如，可以表示“至少这些字符串中的一个需要精确匹配”。可以使用圆括号来实现，与数学表达式中的方法一样。例如，

(very)*large	//可以匹配“large”、“very large”、“very very large”等

• 除此之外，可以在花括号({ })中的数字表达式来指定内容允许重复的次数。例如，

(very ){1, 3}	//表示重复1~3次，即匹配“very”、“very very”和“very very very”
(very ){3}		//表示重复3次，即匹配“very very very”
(very ){2, }	//表示至少重复2次，即匹配“very very”和“very very very···”及更多。

五、定位到字符串的开始或末尾

• 脱字符号（^）用于正则表达式的开始，表示子字符串必须出现在被搜索字符的开始处。
• 字符"$"用于正则表达式的末尾，表示子字符串必须出现在字符串的末尾。
• 也可以确定一个特定的子表达式是否出现在开始、末尾或在两个位置都出现，当要确定字符串中只有要找的单词而没有其他单词出现时，可以这么使用。
  例如，

^bob		//在字符串开始时匹配bob
com$		//将匹配com出现在字符串末尾处的字符串
^[a-z]$		//匹配只包含a到z之间一个字符的字符串

六、分支

可以使用正则表达式中的一条竖线来表示一个选择。例如，要批评com、edu或net，可以使用如下所使表达式：

com|edu|net

七、匹配特殊字符

如果要匹配前面提到过的特殊字符，如，. 、{ 或 $，就必须在它们前面加一个反斜杠（\）。如果要匹配一个反斜杠，则必须用两个反斜杠（\）来表示。
注：在PHP中，最好将正则表达式模式包括在一个单引号字符串中，使用双引号引用的表达式将带来一些不必要的麻烦。这里为避免混淆，不具体说明，如有兴趣，可自行搜索了解。

下面用表格总结一下特殊字符在方括号内/外的含义：

表1 在POSIX正则表达式中，用于方括号外面的特殊字符摘要

字符	意义	字符	意义
\	转义字符	)	子模式的结束
^	在字符串开始匹配	*	重复0次或更多次
$	在字符串末尾匹配	+	重复1次或更多次
.	匹配除换行符（\n）之外的字符	{	最小/最大量记号的开始
|	选择分支的开始（读为或）	}	最小/最大量记号的结束
(	子模式的开始	?	标记一个子模式为可选的

表2 在POSIX正则表达式中，用于方括号里面的特殊字符摘要

字符	意义
\	转义字符
^	非，仅用在开始位置
-	用于指明字符范围

八、正则表达式的应用

• 第一个用途是查找特定的名词，使用一个正则表达式同时匹配多个字符串。例如，

shop|customer service|retail

• 第二个用途以匹配电子邮件地址的格式为例，这个格式中包含一些数字或标点，接着是符号@，然后是包括文字或数字和字符串组成的字符串，后面接着是一个“.”(点号)，后面包括文字或数字以连字符组成的字符串，还可能有更多的点号，直到字符串结束，它的编码如下所示：

^[a-zA-Z0-9_\-.]+@[a-zA-Z0-9\-]+\.[a-zA-Z0-9\-.]+$

解释如下：
^[a-zA-Z0-9_\-.]+
表示“至少由一个字母、数字、下画线、连字符、点号或者这些字符组合为开始的字符串”。
注意，当在一个字符类的开始或末尾处使用点号时，点号将失去其特殊通配符的意义，只能成为一个点号字符。

@表示匹配字符“@” 

子表达式[a-zA-Z0-9\-]+ 与包含文字数字字符和连字符的主机名匹配。请注意，我们去除了连字符，因为它是方括号内的特殊字符。

字符组合“\.”匹配“.”字符。在字符类外部使用点号，必须对其转义，使其匹配一个点号字符。

子表达式[a-zA-Z0-9\-.]+$ 匹配域名剩下部分，它包含字母、数字和连字符，如果需要还可以包含更多的点号直到字符串的末尾。

九、用正则表达式查找子字符串

用正则表达式查找子字符串，这是正则表达式的主要应用。
在PHP中，可以使用的并且用于匹配POSIX风格正则表达式的两个函数是ereg()和eregi()。( eregi()除了不区分大小写外，其他功能与ereg()一样 )
ereg()函数原型如下：

int ereg(string pattern, string search, array [matches]);

该函数搜索字符串serch，在pattern中寻找与正则表达式相匹配的字符串。如果发现了pattern的子表达式相匹配的字符串，这些字符将会存储在数组matches中，每个数组元素对应一个子表达式。
例如：

if (!eregi( '^[a-zA-Z0-9_\-.]+@[a-zA-Z0-9\-]+\.[a-zA-Z0-9\-.]+$', $email)){
	echo "<p>That is not a valid eamil address.</p>";
	exit;
}

注：PHP中的ereg()函数存在截断漏洞，在CTF比赛中可能会用到，可参考下面这篇文章ereg()截断漏洞

十、用正则表达式替换子字符串

正则表达式也可用来查找和替换子字符串，与此相关的两个函数是ereg_replace()和eregi_replace(),其原型如下所示：

string ereg_replace(string pattern, string replacement, string serch);

该函数在字符串serch中查找正则表达式pattern的字符串，并用字符串replacement来替换。
函数eregi_replace()除了不区分大小写外，其他与ereg_replace()相同。

十一、用正则表达式分割字符串

另一个实用的正则表达式函数是split()，它的原型如下所示：

array split(string pattern, string search[, int max]);

这个函数将字符串search分割成符合正则表达式模式的子字符串，然后将子字符串返回到一个数组中。整数max指定进入数组中的元素个数。
该函数对分割电子邮件地址、域名或日期非常有用，例如，

$address = "username@example.com";
$arr = split ("\.|@ ", $address);
while (list($key, $value) = each($arr)){
	echo "<br>".$value;
}

以上代码将主机名分割成5个部分并将它们分别输出到一行：

username
@
example
.
com