WEB安全之PHP基础（九）：正则表达式

正则表达式

正则表达式

正则表达式简介

正则表达式是用于描述字符排列和匹配模式的一种语法规则。它主要用于字符串的模式分割、匹配、查找及替换操作。到目前为止，我们前面所用过的精确（文本）匹配也是一种正则表达式。
在PHP中，正则表达式一般是由正规字符和一些特殊字符（类似于通配符）联合构成的一个文本模式的程序性描述。
正则表达式较重要和较有用的角色是验证用户数据的有效性检查。PHP中，正则表达式有三个作用：
1.匹配，也常常用于从字符串中析取信息。
2.用新文本代替匹配文本。
3.将一个字符串拆分为一组更小的信息块。

正则表达式的基本语法

PCRE库函数中，正则匹配模式使用分隔符与元字符组成，分隔符可以是非数字、非反斜线、非空格的任意字符。经常使用的分隔符是正斜线(/)、hash符号(#) 以及取反符号(~)
元字符是用于构造规则表达式的具有特殊含义的字符。如果要在正则表达式中包含元字符本身，必须在其前加上”\”进行转义
简单的匹配

元字符说明*0次、1次或多次匹配其前的原子+1次或多次匹配其前的原子?0次或1次匹配其前的原子|匹配两个或多个选择^匹配字符串串首的原子$匹配字符串串尾的原子[]匹配方括号中的任一原子[^]匹配除方括号中的原子外的任何字符{m}表示其前原子恰好出现m次{m,n}表示其前原子至少出现m次，至少出现n次(n>m){m,}表示其前原子出现不少于m次()整体表示一个原子.匹配除换行之外的任何一个字符

输出一个数组
*0次1次或多次
没有也能匹配
+一次或多次
? 0次或1次匹配其前的原子
| 匹配两个或多个选择
^ 匹配字符串串首的原子
$ 匹配字符串串尾的原子
[] 匹配方括号中的任一原子
[^] 匹配除方括号中的原子外的任何字符
{m} 表示其前原子恰好出现m次
连着4次
{m,n} 表示其前原子至少出现m次，至多出现n次(n>m)
{m,} 表示其前原子出现不少于m次
() 整体表示一个原子
加括号后有两个数组
. 匹配除换行之外的任何一个字符

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"$"分别指定字符串的开始和结束。例如，在字符串“Tom and Jerry chased each other in the house until tom’s uncel come in”中元字符“^” 置于字符串的开始确保模式匹配出现在字符串首端；^Tom元字符“$” 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

精确查找
以a开头，以n结尾

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：“?”、“*”、“+”。他们主要的不同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<[A-Za-z][A-Za-z0-9]*>可以匹配“

”、“”或“”等HTML标签，并且不严格的控制大小写。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。例子十六进制数字，匹配表达式是0?[ xX][0-9a-fA-F]+,可以匹配“0x9B3C”或者“X800”等。元字符 “.”元字符“.”匹配除换行符外任何一个字符，相当于[^\n](Unix系统)或[^\r\n](windows系统)。例如：pr.y可以匹配的字符串“prey”、“pray”或“pr%y”等。通常可以使用“.*”组合来匹配除换行符外的任何字符。在一些书籍中也称其为“全匹配符” 或 “单含匹配符”。例如：^a.*z$表示可以匹配字母“a”开头，字母“z”结束的任意不包括换行符的字符串。.+也可以完成类似的匹配功能所不同的是其至少匹配一个字符。^a.+z$将不匹配字符串“az”。

大小写
i大小写不区分
重复匹配
元字符“{}”准确地指定原子重复的次数，指定所匹配的原子出现的次数。
“{m}”表示其前原子恰好出现m次；
“{m，n}”表示其前原子至少出现m次，至多出现n次；
“{m，}”表示其前原子出现不少于m次。

例如：zo{1,3}m只能匹配字符串“zom”、“zoom”、或“zooom”。zo{3}m只能匹配字符串“zooom”zo{3，}m可以匹配以  “z” 开头，“m”结束，中间至少为3个“o”的字符串。 bo{0,1}u可以匹配字符串“bought a butter”  中的“bou”和“bu”,等价于bo?u。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。

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|lemonPOSIX风格预定义的正则表达式的字符类： [[:alnum:]]  字母和数字字符 [[:alpha:]]大小写字母 [[:lower:]]小写字母 [[:upper:]]大写字母 [[:digit:]]数字0-9 [[:xdigit:]]十六进制数字 [[:punct:]]标点符号，包括上档键!@ [[:blank:]]TAB制表符和空格 [[:space:]]任何空白字符,换行,回车符 [[:cntrl:]]控制字符（TAB，退格）

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

特殊字符

所谓特殊字符，就是一些有特殊含义的字符，如上面说的”.txt”中的，简单的说就是表示任何字符串的意思。如果要查找文件名中有＊的文件，则需要对＊进行转义，即在其前加一个\。ls *.txt。正则表达式有以下特殊字符。
匹配点
匹配斜杠

模式匹配的顺序

在使用正则表达式时，需要注意匹配的顺序。通常，正则表达式按照由左至右的顺序依次匹配。

// A code blockvar foo = 'bar';

模式匹配的顺序（从高到低）

顺序元字符说明     1（）     模式单元     2？* +{}    重复匹配     3 ^$    边界限制     4            |    模式选择

.能匹配，但要转义

元字符表

字符描述

\将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符。例如，’n’ 匹配字符 “n”。’\n’ 匹配一个换行符。序列 ‘\\’ 匹配 “\” 而 “\(” 则匹配 “(”。^匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性，^ 也匹配 ‘\n’ 或 ‘\r’ 之后的位置。$匹配输入字符串的结束位置。如果设置了RegExp 对象的 Multiline 属性，$ 也匹配 ‘\n’ 或 ‘\r’ 之前的位置。*匹配前面的子表达式零次或多次。例如，zo* 能匹配 “z” 以及 “zoo”。* 等价于{0,}。+匹配前面的子表达式一次或多次。例如，’zo+’ 能匹配 “zo” 以及 “zoo”，但不能匹配 “z”。+ 等价于 {1,}。?匹配前面的子表达式零次或一次。例如，”do(es)?” 可以匹配 “do” 或 “does” 中的”do” 。? 等价于 {0,1}。{n}n 是一个非负整数。匹配确定的 n 次。例如，’o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的两个 o。{n,}n 是一个非负整数。至少匹配n 次。例如，’o{2,}’ 不能匹配 “Bob” 中的 ‘o’，但能匹配 “foooood” 中的所有 o。’o{1,}’ 等价于 ‘o+’。’o{0,}’ 则等价于 ‘o*’。{n,m}m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，”o{1,3}” 将匹配 “fooooood” 中的前三个 o。’o{0,1}’ 等价于 ‘o?’。请注意在逗号和两个数之间不能有空格。?当 该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 “oooo”，’o+?’ 将匹配单个 “o”，而 ‘o+’ 将匹配所有 ‘o’。.匹配除 “\n” 之外的任何单个字符。要匹配包括 ‘\n’ 在内的任何字符，请使用象 ‘[.\n]’ 的模式。(pattern)匹配 pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在JScript 中则使用 $0…$9 属性。要匹配圆括号字符，请使用 ‘′或‘’。(?:pattern)匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 “或” 字符 (|) 来组合一个模式的各个部分是很有用。例如， ‘industr(?:y|ies) 就是一个比 ‘industry|industries’ 更简略的表达式。(?=pattern)正向预查，在任何匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如，’Windows (?=95|98|NT|2000)’ 能匹配 “Windows 2000″ 中的 “Windows” ，但不能匹配 “Windows 3.1″ 中的 “Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。(?!pattern)负向预查，在任何不匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如’Windows (?!95|98|NT|2000)’ 能匹配 “Windows 3.1″ 中的 “Windows”，但不能匹配 “Windows 2000″ 中的 “Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始x|y匹配 x 或 y。例如，’z|food’ 能匹配 “z” 或 “food”。’(z|f)ood’ 则匹配 “zood” 或 “food”。[xyz]字符集合。匹配所包含的任意一个字符。例如， ‘[abc]’ 可以匹配 “plain” 中的 ‘a’。[^xyz]负值字符集合。匹配未包含的任意字符。例如， ‘[^abc]’ 可以匹配 “plain” 中的’p'。[a-z]字符范围。匹配指定范围内的任意字符。例如，’[a-z]’ 可以匹配 ‘a’ 到 ‘z’ 范围内的任意小写字母字符。[^a-z]负值字符范围。匹配任何不在指定范围内的任意字符。例如，’[^a-z]’ 可以匹配任何不在 ‘a’ 到 ‘z’ 范围内的任意字符。\b匹配一个单词边界，也就是指单词和空格间的位置。例如， ‘er\b’ 可以匹配”never” 中的 ‘er’，但不能匹配 “verb” 中的 ‘er’。\B匹配非单词边界。’er\B’ 能匹配 “verb” 中的 ‘er’，但不能匹配 “never” 中的 ‘er’。\cx匹配由 x 指明的控制字符。例如， \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 ‘c’ 字符。\d匹配一个数字字符。等价于 [0-9]。\D匹配一个非数字字符。等价于 [^0-9]。\f匹配一个换页符。等价于 \x0c 和 \cL。\n匹配一个换行符。等价于 \x0a 和 \cJ。\r匹配一个回车符。等价于 \x0d 和 \cM。\s匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。\S匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。\t匹配一个制表符。等价于 \x09 和 \cI。\v匹配一个垂直制表符。等价于 \x0b 和 \cK。\w匹配包括下划线的任何单词字符。等价于’[A-Za-z0-9_]’。\W匹配任何非单词字符包括下划线。等价于 ‘[^A-Za-z0-9_]’。\xn匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，’\x41′ 匹配 “A”。’\x041′ 则等价于 ‘\x04′ & “1″。正则表达式中可以使用 ASCII 编码。.\num匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。例如，’(.)\1′ 匹配两个连续的相同字符。\n标识一个八进制转义值或一个向后引用。如果 \n 之前至少 n 个获取的子表达式，则 n 为向后引用。否则，如果 n 为八进制数字 (0-7)，则 n 为一个八进制转义值。\nm标 识一个八进制转义值或一个向后引用。如果 \nm 之前至少有 nm 个获得子表达式，则 nm 为向后引用。如果 \nm 之前至少有 n 个获取，则 n 为一个后跟文字 m 的向后引用。如果前面的条件都不满足，若 n 和 m 均为八进制数字 (0-7)，则 \nm 将匹配八进制转义值 nm。\nml如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。\un匹配 n，其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如， \u00A9 匹配版权符号 (?)。