PHPRegex 不擒獲

PHPRegex 不捕獲
來源：http://www.iq662.com
替換

好了，現在終於到瞭解決3位或4位區號問題的時間了。Regex裡的替換指的是有幾種規則，如果滿足其中任意一種規則都應該當成匹配，具體方法是用|把不同的規則分隔開。聽不明白？沒關係，看例子：

0\d{2}-\d{8}|0\d{3}-\d{7}這個運算式能匹配兩種以連字號分隔的電話號碼：一種是三位區號，8位本地號(如010-12345678)，一種是4位區號，7位本地號(0376-2233445)。

\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}這個運算式匹配3位區號的電話號碼，其中區號可以用小括弧括起來，也可以不用，區號與本地號間可以用連字號或空格間隔，也可以沒有間隔。你可以試試用替換|把這個運算式擴充成也支援4位區號的。

\d{5}-\d{4}|\d{5}這個運算式用於匹配美國的郵遞區號。美國郵編的規則是5位元字，或者用連字號間隔的9位元字。之所以要給出這個例子是因為它能說明一個問題：使用替換時，順序是很重要的。如果你把它改成\d{5}|\d{5}-\d{4}的話，那麼就只會匹配5位的郵編(以及9位郵編的前5位)。原因是匹配替換時，將會從左至右地測試每個條件，如果滿足了某個條件的話，就不會去管其它的替換條件了。

Windows98|Windows2000|WindosXP這個例子是為了告訴你替換不僅僅能用於兩種規則，也能用於更多種規則。

分組

我們已經提到了怎麼重複單個字元；但如果想要重複一個字串又該怎麼辦？你可以用小括弧來指定子運算式(也叫做分組)，然後你就可以指定這個子運算式的重複次數了，你也可以對子運算式進行其它一些操作(教程後面會有介紹)。

(\d{1,3}\.){3}\d{1,3}是一個簡單的IP地址匹配運算式。要理解這個運算式，請按下列順序分析它：\d{1,3}代表1到3位的數字，(\d{1,3}\.}{3}代表三位元字加上一個英文句號(這個整體也就是這個分組)重複3次，最後再加上一個一到三位的數字(\d{1,3})。

不幸的是，它也將匹配256.300.888.999這種不可能存在的IP地址(IP地址中每個數字都不能大於255)。如果能使用算術比較的話，或許能簡單地解決這個問題，但是Regex中並不提供關於數學的任何功能，所以只能使用冗長的分組，選擇，字元類來描述一個正確的IP地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

理解這個運算式的關鍵是理解2[0-4]\d|25[0-5]|[01]?\d\d?，這裡我就不細說了，你自己應該能分析得出來它的意義。

後向引用

使用小括弧指定一個子運算式後，匹配這個子運算式的文本可以在運算式或其它程式中作進一步的處理。預設情況下，每個分組會自動擁有一個組號，規則是：以分組的左括弧為標誌，從左向右，第一個分組的組號為1，第二個為2，以此類推。

後向引用用於重複搜尋前面某個分組匹配的文本。例如，\1代表分組1匹配的文本。難以理解？請看樣本：

\b(\w+)\b\s+\1\b可以用來匹配重複的單詞，像go go, kitty kitty。首先是一個單詞，也就是單詞開始處和結束處之間的多於一個的字母或數字(\b(\w+)\b)，然後是1個或幾個空白符(\s+，最後是前面匹配的那個單詞(\1)。

你也可以自己指定子運算式的組號或組名。要指定一個子運算式的組名，請使用這樣的文法：(?\w+),這樣就把\w+的組名指定為Word了。要反向引用這個分組捕獲的內容，你可以使用\k,所以上一個例子也可以寫成這樣：\b(?\w+)\b\s*\k\b。

使用小括弧的時候，還有很多特定用途的文法。下面列出了最常用的一些：

表4.分組文法 捕獲
(exp) 匹配exp,並捕獲文本到自動命名的組裡
(?exp) 匹配exp,並捕獲文本到名稱為name的組裡
(?:exp) 匹配exp,不捕獲匹配的文本
位置指定
(?=exp) 匹配exp前面的位置
(?<=exp) 匹配exp後面的位置
(?!exp) 匹配後面跟的不是exp的位置
(?注釋
(?#comment) 這種類型的組不對Regex的處理產生任何影響，只是為了提供讓人閱讀注釋


我們已經討論了前兩種文法。第三個(?:exp)不會改變Regex的處理方式，只是這樣的組匹配的內容不會像前兩種那樣被捕獲到某個組裡面。

位置指定

接下來的四個用於尋找在某些內容(但並不包括這些內容)之前或之後的東西，也就是說它們用於指定一個位置，就像\b,^,$那樣，因此它們也被稱為零寬斷言。最好還是拿例子來說明吧：

(?=exp)也叫零寬先行斷言，它匹配文本中的某些位置，這些位置的後面能匹配給定的尾碼exp。比如\b\w+(?=ing\b)，匹配以ing結尾的單詞的前面部分(除了ing以外的部分)，如果在尋找I'm singing while you're dancing.時，它會匹配sing和danc。

(?<=exp)也叫零寬後行斷言，它匹配文本中的某些位置，這些位置的前面能給定的首碼匹配exp。比如(?<=\bre)\w+\b會匹配以re開頭的單詞的後半部分(除了re以外的部分)，例如在尋找reading a book時，它匹配ading。

假如你想要給一個很長的數字中每三位間加一個逗號(當然是從右邊加起了)，你可以這樣尋找需要在前面和裡面添加逗號的部分：((?<=\d)\d{3})*\b。請仔細分析這個運算式，它可能不像你第一眼看出來的那麼簡單。

下面這個例子同時使用了首碼和尾碼：(?<=\s)\d+(?=\s)匹配以空白符間隔的數字(再次強調，不包括這些空白符)。

負向位置指定

前面我們提到過怎麼尋找不是某個字元或不在某個字元類裡的字元的方法(反義)。但是如果我們只是想要確保某個字元沒有出現，但並不想去匹配它時怎麼辦？例如，如果我們想尋找這樣的單詞--它裡面出現了字母q,但是q後面跟的不是字母u,我們可以嘗試這樣：

\b\w*q[^u]\w*\b匹配包含後面不是字母u的字母q的單詞。但是如果多做測試(或者你思維足夠敏銳，直接就觀察出來了)，你會發現，如果q出現在單詞的結尾的話，像Iraq,Benq，這個運算式就會出錯。這是因為[^u]總是匹配一個字元，所以如果q是單詞的最後一個字元的話，後面的[^u]將會匹配q後面的單詞分隔字元(可能是空格，或者是句號或其它的什麼)，後面的\w+\b將會匹配下一個單詞，於是\b\w*q[^u]\w*\b就能匹配整個Iraq fighting。負向位置指定能解決這樣的問題，因為它只匹配一個位置，並不消費任何字元。現在，我們可以這樣來解決這個問題：\b\w*q(?!u)\w*\b。

零寬負向先行斷言(?!exp)，只會匹配尾碼exp不存在的位置。\d{3}(?!\d)匹配三位元字，而且這三位元字的後面不能是數字。

同理，我們可以用(?
一個更複雜的例子：(?<=<(\w+)>).*(?=<\/\1>)匹配不包含屬性的簡單HTML標籤內裡的內容。()指定了這樣的首碼：被角括弧括起來的單詞(比如可能是 )，然後是.*(任意的字串),最後是一個尾碼(?=<\/\1>)。注意尾碼裡的\/，它用到了前面提過的字元轉義；\1則是一個反向引用，引用的正是捕獲的第一組，前面的(\w+)匹配的內容，這樣如果首碼實際上是的話，尾碼就是了。整個運算式匹配的是和之間的內容(再次提醒，不包括首碼和尾碼本身)。

注釋

小括弧的另一種用途是能過文法(?#comment)來包含注釋。要包含注釋的話，最好是啟用“忽略模式裡的空白符”選項，這樣在編寫運算式時能任意的添加空格，Tab，換行，而實際使用時這些都將被忽略。啟用這個選項後，在#後面到這一行結束的所有文本都將被當成注釋忽略掉。例如，我們可以把上一個運算式寫成這樣：

(?<= # 尋找首碼，但不包含它 <(\w+)> # 尋找角括弧括起來的字母或數字(標籤) ) # 首碼結束 .* # 匹配任意文本 (?= # 尋找尾碼，但不包含它 <\/\1> # 尋找角括弧括起來的內容：前面是一個"/"，後面是先前捕獲的標籤 ) # 尾碼結束

貪婪與懶惰

當Regex中包含能接受重複的量詞(指定數量的代碼，例如*,{5,12}等)時，通常的行為是匹配儘可能多的字元。考慮這個運算式：a.*b，它將會匹配最長的以a開始，以b結束的字串。如果用它來搜尋aabab的話，它會匹配整個字串aabab。這被稱為貪婪匹配。

有時，我們更需要懶惰匹配，也就是匹配儘可能少的字元。前面給出的量詞都可以被轉化為懶惰匹配模式，只要在它後面加上一個問號?。這樣.*?就意味著匹配任意數量的重複，但是在能使整個匹配成功的前提下使用最少的重複。現在看看懶惰版的例子吧：

a.*?b匹配最短的，以a開始，以b結束的字串。如果把它應用於aabab的話，它會匹配aab和ab。

表5.懶惰量詞 *? 重複任意次，但儘可能少重複
+? 重複1次或更多次，但儘可能少重複
?? 重複0次或1次，但儘可能少重複
{n,m}? 重複n到m次，但儘可能少重複
{n,}? 重複n次以上，但儘可能少重複


還有些什麼東西沒提到

我已經描述了構造Regex的大量元素，還有一些我沒有提到的東西。下面是未提到的元素的列表，包含文法和簡單的說明。你可以在網上找到更詳細的參考資料來學習它們--當你需要用到它們的時候。如果你安裝了MSDN Library,你也可以在裡面找到關於.net下Regex詳細的文檔。

表6.尚未討論的文法 \a 警示字元(列印它的效果是電腦嘀一聲)
\b 通常是單詞分界位置，但如果在字元類裡使用代表退格
\t 定位字元，Tab
\r 斷行符號
\v 豎向定位字元
\f 換頁符
\n 分行符號
\e Escape
\0nn ASCII代碼中八進位代碼為nn的字元
\xnn ASCII代碼中十六進位代碼為nn的字元
\unnnn Unicode代碼中十六進位代碼為nnnn的字元
\cN ASCII控制字元。比如\cC代表Ctrl+C
\A 字串開頭(類似^，但不受處理多行選項的影響)
\Z 字串結尾或行尾(不受處理多行選項的影響)
\z 字串結尾(類似$，但不受處理多行選項的影響)
\G 當前搜尋的開頭
\p{name} Unicode中命名為name的字元類，例如\p{IsGreek}
(?>exp) 貪婪子運算式
(?-exp) 平衡組
(?-exp) 平衡組
(?im-nsx:exp) 在子運算式exp中改變處理選項
(?im-nsx) 為運算式後面的部分改變處理選項
(?(exp)yes|no) 把exp當作零寬正向先行斷言，如果在這個位置能匹配，使用yes作為此組的運算式；否則使用no
(?(exp)yes) 同上，只是使用空運算式作為no
(?(name)yes|no) 如果命名為name的組捕獲到了內容，使用yes作為運算式；否則使用no
(?(name)yes) 同上，只是使用空運算式作為no


一些我認為你可能已經知道的術語的參考


字元
程式處理文字時最基本的單位，可能是字母，數字，標點符號，空格，分行符號，漢字等等。
字串
0個或更多個字元的序列。
文本
文字，字串。
匹配
符合規則，檢驗是否符合規則，符合規則的部分。

