正则指引——PHP

PHP

PHP内建了三套各自独立的正则引擎，分别是preg、ereg、mb_ereg。不过日常使用最多的是preg（preg表示PCRE Regex，PCRE表示Perl Compatible RegularExpression，常见的正则表达式写法都是兼容Perl的），本章的讲解也以preg为准

1、预备知识

PHP的正则表达式是以字符串文字指定的，不过又不同于普通的字符串文字，如果用一段字符串文字表示正则表达式，文字的首位必须加上分隔符（delimeter），通常使用的分隔符是斜线/，在4.0.4以上的版本中，也可以采用()、{}、<>、 $$ 这些成对的符号。不过()、{}、 $$ 等符号都是正则表达式中常用的元字符，如果用作分隔符，用作元字符时就也必须转义，非常烦琐，而/在正则表达式中没有特殊含义，所以一般推荐用/做分隔符，本章中也是如此。

你可能注意到了，上面的字符串文字是用单引号标注的。在PHP中，字符串既可以用双引号标注，也可以用单引号标注。两者的主要区别在于，双引号字符串可以插值，而单引号字符串不能；另外，双引号字符串会处理字符串转义，而单引号字符串不会。

如果不需要插值，使用双引号字符串的处理效率就不如单引号字符串，再加上双引号字符串用作正则表达式时还需要处理字符串转义，所以本章表示正则表达式时，都使用单引号字符串直接写出正则文字（除非是PHP 7中新出现的\u{xxxx}转义序列，它必须使用双引号字符串，否则编译不通过），而字符串文字则使用双引号字符串，方便识别\r、\n之类常见的转义序列。

下面介绍正则表达式匹配的函数preg_match( p a t t e r n , pattern, pattern,subject)。它接收两个参数，其中pattern是正则表达式，subject是需要匹配的文本；返回的是匹配发生的次数---如果能找到匹配则立刻停止，返回1，否则返回0；如果匹配过程中发生错误，则返回false。需要注意的是，它并不检查整个subject能否由pattern匹配。

注：因为PHP可以把int类型作为布尔判断的条件，0等价于false，其他值等价于true。在下面的代码里，为了形象起见，如果只关心preg_match()的返回值是否为0，则使用true和false来标识。

在正则表达式两端添加\A和\z，就可以判断整个subject能否由pattern匹配。

在有些PHP代码中，使用双引号字符串来表示正则表达式，某些时候，情况看起来有点奇怪。

尽管PHP的正则表达式用字符串文字给出，但它与常见的字符串不完全一样，主要是转义规则有所区别---如果某个转义序列可以由字符串识别，则对其进行转义处理；否则，将整个转义序列"原封不动"地保存下来。在处理正则表达式时，"原封不动"保存下来的文字，会作为正则文字，只进行正则转义处理。

这种现象可能很难理解：/\d/和/\d/看起来不同，却表示同样的正则表达式。所以，我推荐的做法是：正则表达式尽量使用单引号字符串，比如'/\d/'或'/\A/'；如果必须使用双引号字符串，尽量写为"/\d/"或"/\A/"，因为在大多数语言中都可以这么写。

关于mb_string

用过PHP的人大都知道PHP中的mb_string，它用来处理多字节字符构成的字符串（multibyte-string），不会将多字节字符拆散为多个单字节字符。比如用mb_strpos()来计算偏移值，得到偏移值的单位就是字符，而不是字节。

相应的，mb_string中也提供了正则表达式函数，比如mb_ereg_match()、mb_ereg_replace()、mb_regex_encoding()等，其功能类似对应的preg函数，具体情况请参考http://www.php.net/manual/en/ref.mbstring.php。

按照文档说明，在设定mb_regex_encoding()之后，可以正确处理非Unicode编码的正则表达式，但实际使用中往往容易出现各种奇怪的问题（例如上面提到的 $正则$ 的错误匹配，即便设定了GBK编码，也会出现），所以一般不推荐这样使用正则表达式。

PHP 7与Unicode

历史上，PHP一直没有很好的办法来处理Unicode。比如我们知道"正"字的Unicode码值是U+6B63，但是没法在代码里通过\u6B63这样的方式来指定它。PHP虽然提供了\x的转义序列，但只支持两位十六进制数，所以\u6B63会被解释为3个字符：k（码值为6B的字符）、6、3。

这个问题在PHP 7中得到了很好的解决，新提供的\u{xxxx}转义序列完美支持了通过码值指定Unicode字符的方式。而且转义序列不限于4位，也就是说，超出BMP之外的其他Unicode字符（包括Emoji）也可以通过这种方式来指定。所以如果使用PHP 7，最好统一使用\u{xxxx}转义序列。同时要注意的是，一旦使用了这种转义序列，就必须使用双引号字符串。

2、正则功能详解

2.1、列表

下表列出了PHP中的正则功能。

2.2、字符组

PHP中的正则引擎可以正确识别ASCII编码，但无法正确识别GBK编码，因此无法避免GBK编码环境中的"错误匹配"问题。

解决的办法是采用Unicode编码环境（以Unicode编码保存源文件），并在正则表达式末尾的分隔符之后加上模式修饰符u，它指定Unicode模式，也就是按UTF-8编码解释正则表达式。

只有在指定Unicode模式之后，点号才能准确匹配多字节字符。

PHP的正则表达式中（注意，不是字符串中）支持使用\x{hex}通过码值表示字符，其中的hex是4位十六进制数，所以可以用 $\\x{4E00}-\\x{9FFF}$ 来匹配汉字字符，但是此时一定不能忘记u修饰符。

如果使用的是PHP 7，也可以直接使用新提供的\u{hex}，此时可以不使用u修饰符，但必须使用双引号字符串。

在PHP中也可以直接使用POSIX字符组，所有的POSIX字符组都只能匹配ASCII字符，即便指定了Unicode模式也是这样。

2.3、Unicode属性

从PHP 5.1.0开始，PHP支持使用Unicode属性，方法是\p{N}和\P{N}，其中N为Unicode Property，而且此时一定不能忘记u修饰符。

\p{N}可以匹配"任何一个具备指定Unicode Property的字符"，而\P{N}匹配"任何一个不具备指定UnicodeProperty的字符"，以表示大写字母的Lu为例。

\P{N}也可以等价表示为\p{^N}：

因为PHP中可以使用Unicode Script（☞129），所以可以用\p{Han}来匹配中文字符。

2.4、字符组简记法

在PHP中，\d、\D、\w、\W、\s、\S都采用字符组简记法的ASCII匹配规则，即便指定了Unicode模式，也如此。

2.5、单词边界

在PHP中，\w采用ASCII匹配规则，所以\b能匹配位置的某一侧必须出现 $0-9a-zA-Z_$ ，另一侧不能出现 $0-9a-zA-Z_$ 。

前面讲过，PHP处理双引号字符串时，会将字符串文字中无法识别的转义序列保留下来，所以"/\d/"和"/\d/"是没有差别的。值得注意的是，"/\b/"和"/\b/"也是没有差别的，因为PHP的字符串转义并不能识别转义序列\b。

2.6、行起始/结束位置

在PHP的正则表达式中，^匹配的是"行开始的位置"，在默认情况下，它只能匹配"整个字符串的开始位置"；如果指定使用多行模式（Multiline Mode），^可以匹配字符串内部的文本行的开始位置；而\A无论在什么情况下都匹配"整个字符串的开始位置"。

在默认情况下，PHP中的$、\Z、\z匹配的是整个字符串的结束位置（如果结束位置有换行符，则$和\Z匹配这个换行符之前的位置）；使用多行模式会影响到$的匹配，这时候它可以匹配文本内部行的结束位置；如果要进行严格准确的验证，则应当使用\z。

2.7、环视

PHP中的肯定顺序环视(?=...)和否定顺序环视(?!...)内可以嵌套任意形式的子表达式。

PHP的逆序环视中能使用的表达式，必须匹配固定长度的文本，否则会报错。如果表达式中出现了多选结构，而各个分支能匹配的文本长度不一致，那么这个多选结构必须位于表达式的顶层，而且只能出现竖线|，类似bull|donkey，而不能出现括号，比如(bull|donkey)。

2.8、匹配模式

下表列出了PHP中常用的匹配模式。

PHP中指定匹配模式的方式有两种：在结尾分隔符之后加上模式对应的字母，或者在正则表达式的开头用(?modifier)的方式表示。注意：在PHP中没有通过预定义常量指定模式的方法。

其中Unicode模式有些特殊，它只能在末尾分隔符之后使用，不能使用(?modifier)的记法。

PHP也支持用(?-modifier)结束某个模式的作用范围。

2.9、纯文本模式

在\Q和\E之内，所有的元字符和特殊结构都失去特殊意义，只能匹配它们对应的字符本身。

2.10、捕获分组的引用

在PHP中，如果要在正则表达式内部引用捕获分组，则应当使用\num记法，其中num为对应捕获分组的编号。

如果要在替换时引用捕获分组，则应当使用 n u m 记法，不过更好的办法是使用 num记法，不过更好的办法是使用 num记法，不过更好的办法是使用{num}记法，这样可以避免二义性。

如果希望在replacement字符串中表示$字符，则必须使用\$转义。

PHP支持命名分组，分组的记法是(?P...)，在表达式中引用的记法为(?P=name)（在5.2.2版本以后可以使用\k或者\k'name'，在5.2.4版本之后可以使用\k{name}和\g{name}），在替换中，却只能通过数字编号来引用。

需要指出的是，如果进行正则表达式替换，replacement中不能使用命名分组，只能使用数字编号分组。

3、正则API简介

3.1、PREG常量说明

preg系列函数有可能用到预定义的常量，所以先介绍这些常量。

3.1.1、PREG_PATTERN_ORDER

仅用于preg_match_all()，在匹配结果的matches数组中，matches $0$ 保存每次匹配成功时捕获的全部文本（也就是编号为0的捕获分组匹配的文本）；matches $1$ 保存每次匹配成功时编号为1的捕获分组匹配的文本；依此类推。

3.1.2、PREG_SET_ORDER

仅用于preg_match_all()，在匹配结果的matches数组中，matches $0$ 保存每一次匹配成功时，整个表达式以及各捕获分组匹配的文本；matches $1$ 保存第2次匹配成功时，整个表达式以及各捕获分组匹配的文本；依此类推。

3.1.3、PREG_SPLIT_OFFSET_CAPTURE

在PHP 4.3.0以上版本中可用，仅用于preg_split()中。如果设定了这个常量，每次匹配之后，会返回后面的字符串的偏移值。请注意，返回值是一个数组，其中每个元素都是一个数组，包含偏移值为0的匹配的字符串，以及它在文本中的偏移值，从1开始。

3.1.4、PREG_OFFSET_CAPTURE

在PHP 4.3.0以上版本中可用，其功能类似PREG_SPLIT_OFFSET_CAPTURE，但它用于preg_match()和preg_matchall()，如果此时指定PREG_SPLIT_OFFSET_CAPTURE，则会报错。

3.1.5、PREG_SPLIT_NO_EMPTY

在preg_split()中使用它，返回结果中不会包含空字符串。

3.1.6、PREG_SPLIT_DELIMI_CAPTURE

在PHP 4.0.5以上版本中可用，在preg_slipt()中使用它，则会捕获正则表达式中的捕获括号所匹配的文本。

下面几个常量都是preg_last_error()返回的。

3.1.7、PREG_NO_ERROR

在PHP 5.2.0以上版本中可用，如果没有错误，则返回它。

3.1.8、PREG_INTERNAL_ERROR

在PHP 5.2.0以上版本中可用，如果PCRE发生了内部错误，则返回它。

3.1.9、PREG_BACKTRACK_LIMIT_ERROR

在PHP 5.2.1以上版本中可用，如果尝试匹配时超过了回溯限制，则返回它。

3.1.10、PREG_RECURSION_LIMIT_ERROR

在PHP 5.2.0以上版本中可用，如果匹配时超过了递归限制，则返回它。

3.1.11、PREG_BAD_UTF8_ERROR

在PHP 5.2.0以上版本中可用，如果在UTF-8模式下正则表达式中出现了不合法的UTF-8数据，则返回它。

3.1.12、PREG_BAD_UTF8_OFFSET_ERROR

在PHP 5.3.0以上版本中可用，如果在UTF-8模式下起始偏移值对应的不是有效的UTF-8码值，则返回它。

3.1.13、PCRE_VERSION

在PHP 5.2.4以上版本中可用，返回PCRE版本号和发布日期。

3.2、preg_quote

这个函数用来"包装"字符串str。如果需要把这个字符串用作正则表达式，又要保证其中元字符都没有特殊含义（比如处理用户输入的内容），则可以使用它。

虽然在PHP中使用正则表达式时必须在首尾加上分隔符（delimiter），但分隔符可以使用多种字符。所以，preg_quote()中的delimiter是可选参数；尽管一般用斜线/做分隔符，但在默认情况下，str中的斜线并不会转义，除非显式指定使用/作为分隔符。

如果要由某个字符串生成正则表达式，同时保证其中不包含任何元字符，可以用下面的办法（别忘了加上分隔符）。

也可以直接在字符串两端加上\Q和\E。

3.3、preg_ grep

这个函数用来"筛选"数组，input数组中所有能由正则表达式pattern匹配的字符串会被筛选出来，重新组成一个数组，作为结果返回。

如果可选参数flags设定为常量PREG_GREP_INVERT，则进行"反向筛选"，也就是说，input中所有pattern不能匹配的字符串都被筛选出来，重新组成一个数组，作为结果返回。

flags参数在PHP 4.2.0以后才加入。

3.4、preg_match

这是很常用的函数，它在subject中查找pattern的匹配，返回匹配的次数。但是，它会在第一次匹配成功之后停下来，直接返回1；如果始终不能匹配成功，则返回0；如果发生错误，则返回false。

根据preg_match()的返回值，可以方便地进行数据验证，但是注意在正则表达式的首尾加上\A和\z，确保它验证的是整个字符串。下面以验证6到8位数字的字符串为例。

可选参数matches用来保存匹配结果，如果匹配成功，它包含一个元素，即首次匹配的结果，否则数组为空。

如果pattern中出现了捕获分组，则在matches数组中与捕获分组编号对应的元素保存该捕获分组匹配的文本。

可选参数flags控制匹配结果中是否保存匹配发生的位置，如果设置为常量PREG_OFFSET_CAPTURE，则保存匹配发生的位置，否则可以设置为0。

应该注意的是，位置的单位是字节，而不是字符。

可选参数offset控制匹配从subject的哪个位置开始。

注意：这里位置的单位也是字节，而不是字符。

flags参数和PREG_OFFSET_CAPTURE都是PHP 4.3.0之后加入的，offset参数则是PHP 4.3.3之后加入的。

3.5、preg_match_all

这个函数与preg_match()相似，不同的是，它可以一次性找出正则表达式pattern在字符串subject中所有的匹配，返回匹配的次数；如果始终无法匹配，则返回0；如果出错，则返回false。在preg_match_all()中，同样也可以用matches数组来保存匹配结果。

如果pattern中出现了捕获型括号，则matches的每个元素都是数组，它保存对应编号的捕获分组在历次匹配中匹配到的文本。

可以看到，matches数组的第0个元素对应两次匹配时整个pattern匹配的文本（也就是第0个捕获分组匹配的文本），第1个元素对应两次匹配时pattern中第1个捕获分组匹配的文本，第2个元素对应两次匹配时pattern中第2个捕获分组匹配的文本。这是默认的方式，flags显式设定为PREG_PATTERN_ORDER也是这样。

如果你在其他语言中使用过正则表达式，可能会觉得这样非常别扭，因为一般的逻辑中，匹配结果集中的每个元素对应到"每次匹配"的结果，而不是"每个分组匹配"的结果。如果希望采用更符合惯例的逻辑，需要将flags设定为PREG_SET_ORDER。

flags参数也可以设定为PREG_OFFSET_CAPTURE，这样matches的结果相比PREG_PATTERN_ORDER，就多出了匹配发生的位置信息（同样，单位是字节）。

PREG_OFFSET_CAPTURE都是PHP 4.3.0之后加入的，而offset参数则是PHP 4.3.3之后加入的，如果你使用的PHP版本不够高，可能无法使用这两项功能。

3.6、preg_last_error

这个函数返回最近一次调用preg系列方法时出现的错误，如果没有出错，则返回PREG_NO_ERROR，其他错误可以参考"PREG常量说明"。

3.7、preg_replace

这个函数用来进行正则表达式替换，将subject中的pattern替换为replacement。pattern用于匹配需替换文本的正则表达式，可以是单个字符串，也可以是字符串数组；replacement 表示希望替换成的文本，可以在其中引用匹配的相关信息。如果要引用分组，推荐使用${num}的记法，这种记法没有二义性，不会引起混淆。

如果要在replacement中使用$符号，则必须使用\$转义。

subject表示要进行替换操作的对象，它可以是单个字符串，也可以是字符串数组。如果是字符串，则返回的是字符串；如果是数组，则返回的是数组，同时数组中的每个元素都会进行替换操作。

另外还有两个可选参数，其中limit在PHP 4.0.2以上版本中可用，表示pattern在subject中最多能匹配的次数，默认值为-1，表示不限次数；count在PHP 5.1.0以上版本中可用，如果传入了这个参数，匹配完成后会将它赋值为匹配实际发生的次数。

3.8、preg_replace_callback

这个函数的功能类似preg_replace()，不同的是，它不会简单地把pattern能匹配的文本替换成其他文本，而是通过callback函数来处理，这样大大增加了灵活性，callback接收的参数是一个match数组（而不是字符串），返回字符串。下面的代码借助这个函数，把所有单词统一为首字母大写格式。

如果觉得这样很麻烦，也可以用create_function()定义匿名函数。

在PHP 5.3.0以上版本中还可以直接定义匿名函数。

3.9、preg_filter

这个函数类似preg_replace()，唯一的区别在于，它返回的是确实发生过查找-替换的字符串：如果subject是字符串，且发生了查找-替换，则返回替换之后的字符串，否则返回NULL；如果subject是数组，且其中有元素发生了查找-替换，则返回这些发生了查找-替换的元素构成的数组，否则返回空数组。

PHP 5.2.0之后提供了另一个函数filter_var()，它通过预定义的过滤器来判断字符串的值，进行常用的过滤，而不需要显式用到正则表达式，如果判断成功则返回字符串，否则返回false。常见的过滤器包括：

FILTER_VALIDATE_EMAIL：验证是否为E-mail
FILTER_VALIDATE_FLOAT：验证是否为浮点型
FILTER_VALIDATE_INT：验证是否为整型
FILTER_VALIDATE_IP：验证是否是合法IP
FILTER_VALIDATE_URL：验证是否是合法URL

以下是示例代码：

3.10、preg_split

这个函数用来切分字符串，返回切分所得的字符串数组。pattern匹配的文本作为切分的分隔，而subject 则是切分的字符串。

limit是可选参数，它设定pattern匹配的次数。如果设定了limit，那么返回数组包含limit个元素，也就是说，最多进行limit-1次切分。如果limit设为-1、0、null，都表示"不设定上限"，也就是"切分尽可能多"。

flags是可选参数，用于控制返回的数据，还可以选择常量PREG_SPLIT_NO_EMPTY，它要求返回数组忽略空字符串。

有可能引起混淆的是limit和PREG_SPLIT_NO_EMPTY同时作用的情况，limit设定的并不是"返回数组的长度"，而是"pattern匹配的次数"，所以并不会"先全部切分，再过滤数组"。

3.11、preg_replace_callback_array

这是PHP 7新增的函数，功能与preg_replace_callback()类似。在preg_replace_callback()中，可以定义一个函数来对匹配结果进行复杂的替换操作，但有些时候单个函数仍然不够，我们希望在替换操作中进行更复杂的操作，preg_replace_callback_array()就可以做到这点，它传入一组函数，可以对匹配结果进行分门别类的处理。下面的代码借助这个函数，把所有T字母开头的单词变为首字母大写，其他字母开头的单词变为全大写。

4、常见的正则操作举例

4.1、验证

4.2、提取

逐个提取

一次性提取

4.3、替换

简单替换

在replacement中使用$