高级正则表达式专题

Tue, 02 Feb 2010 05:14:10 +0000

说起正则表达式，可以一直上溯至对人类神经系统如何工作的早期研究。Warren McCulloch和Walter Pitts这两位神经生理学家研究出一种数学方式来描述这些神经网络。

1956年，一位叫Stephen Kleene的美国数学家在McCulloch和Pitts早期工作的基础上，发表了一篇标题为“神经网事件的表示法”的论文，引入了正则表达式的概念。正则表达式就是用来描述他称为“正则集的代数”的表达式，因此采用“正则表达式”这个术语。

随后，发现可以将这一工作应用于使用Ken Thompson的计算搜索算法的一些早期研究，Ken Thompson是Unix的主要发明人。正则表达式的第一个实用应用程序就是Unix中的qed编辑器。

这个专题主要是为了提高大家对正则表达式的认识和高级的使用。

1 使用正则表达式来检测HTML是否关闭

function check_html($html) {
    preg_match_all("/<([a-zA-Z0-9]+)\\s*[^\\/>]*>/",$html,$start_tags);
    preg_match_all("/<\\/([a-zA-Z0-9]+)>/", $html, $end_tags);
    if(count($start_tags[1]) != count($end_tags[1])) return false;
    for($i = 0; $i < count($start_tags[1]); $i++) {
        if(!in_array($start_tags[1][$i], $end_tags[1])) return false;
    }
    return true;
}

解释：

/<([a-zA-Z0-9]+)\\s*[^\\/>]*>/这个模式是用来匹配HTML的标记（如：、

、

等等，但是除了
这种）的，并且在$start_tags保持着标签的名字（如：head、div等）。而/<\\/([a-zA-Z0-9]+)>/这个模式是用来匹配闭合的HTML标记(如：,

等)的。并且在$end_tags中保持这闭合的标签名。然后我们用count($start_tags[1]) != count($end_tags[1])这个条件语句来判断开始的标记跟闭合的标记是否相等，不相等就说明没闭合。最后用in_array($start_tags[1][$i], $end_tags[1])来判断开始标跟闭合的标记是否相等。至此，我们就完成了HTML的匹配了！

2 匹配E-mail格式

function check_email($email) {
if(preg_match("/^[\w\d!#$%&'*+-\/=?^`{|}~]+(\.[\w\d!#$%&'*+-\/=?^`{|}~]+)*@([a-z\d][-a-z\d]*[a-z\d]\.)+[a-z][-a-z\d]*[a-z]$/", $eamil)) return true;
return false;
}

解释：

不要被/^[\w\d!#$%&'*+-\/=?^`{|}~]+(\.[\w\d!#$%&'*+-\/=?^`{|}~]+)*@([a-z\d][-a-z\d]*[a-z\d]\.)+[a-z][-a-z\d]*[a-z]$/这条模式给吓跑了，其实也很简单的。前部分[\w\d!#$%&'*+-\/=?^`{|}~]+(\.[\w\d!#$%&'*+-\/=?^`{|}~]+)*只是匹配符合RFC-2882标准的E-mail地址允许出现的字符，就是英文字母,数字跟一些符号，有兴趣可以查询RFC-2882手册，而([a-z\d][-a-z\d]*[a-z\d]\.)+就是匹配HOST的。最后[a-z][-a-z\d]*[a-z]就是匹配顶级域名的（如：.com、.org）。

3 非贪心模式

有时候使用正则表达式的时候，你会发现有以下的问题：

preg_match('/".*"/', 'Tony say:"hello", Jack say: "Hi"', $matches);
print_r($matches);

很惊奇的你会发现匹配的是这样的内容"hello", Jack say: "Hi"，而不是"hello"和"Hi"。这就是贪心匹配引起的。在贪心匹配中，正则表达式会尽可能的匹配最多的字符，所以出现了第一种情况，但是我们想要的是第二种情况，那我们要怎么做呢？

我们可以使用非贪心匹配，将刚才的模式改为/".*?"/这样就可以看见我们想要的结果了。*?这个就是非贪心匹配模式。还有另外一种就是+?。
 *?：前面的字符可以出现任意多次，但是遇到*?后的一个字符即停止匹配。
 +?：前面的字符可以出现一次或者多次，但是遇到+?后的一个字符即停止匹配。

4 检测一个用户密码是否安全

function is_good_pw($pw) {
    if(preg_match('/(?=.*[0-9])(?=.*[a-z])(?=.*[A-Z]).{8,16}/', $pw)) {
        return true;
    }
    return false;
}

解释：

在本例中，我们使用了/(?=.*[0-9])(?=.*[a-z])(?=.*[A-Z]).{8,16}/模式来匹配我们的密码。在这个模式中，我们使用了正则表达式中的前瞻模式(?=)。(?=.*[0-9])这个是匹配密码中有数字，而(?=.*[a-z])是匹配密码中有小写字母，最后(?=.*[A-Z])就是匹配密码中有大写字母。而.{8,16}这个就是匹配密码是由8至16个字符组成的。那么我们的密码就需要有数字，大写字母和小写字母组成的就属于安全的密码了～

5 匹配一个网站中的所有链接

function get_links($link) {
    $html = file_get_contents($link);
    $html = str_replace("\n", "", $html);
    $html = preg_replace('/    $html = preg_replace('/<\/a>/', "\n", $html);
    preg_match_all('/.*?<\/a>/', $html, $matches);
    return($matches);
}

在这个例子中，我们想用file_get_contents来取得一个网页的内容。然后用str_replace("\n", "", $html)把所有的换行去掉。再用preg_replace('//', "\n", $html)来把所有的.....模式另起一行。最后就用preg_match_all('/.*?<\/a>/', $html, $matches)匹配链接模式。/.*?<\/a>/就是匹配.....这种模式的正则表达式。那我们为什么要把.....链接另起一行呢？？因为在/.*?<\/a>/模式中，.*是不能匹配换行的，所以就如和不在同一行就不能匹配了！！所以我们要这样做！

[评论] 高级正则表达式专题

Tue, 02 Feb 2010 05:22:51 +0000

学到了很多啊。

向东博客 专注WEB应用 构架之美 --- 构架之美，在于尽态极妍 | 应用之美，在于药到病除

高级正则表达式专题

[评论] 高级正则表达式专题

向东博客专注WEB应用构架之美 --- 构架之美，在于尽态极妍 | 应用之美，在于药到病除