3.1　认识正则表达式

正则表达式就是用某种模式去匹配一类字符串的一种公式。通俗地讲，就是用一个“字符串”描述一个特征，然后验证另一个“字符串”是否符合这个特征的公式。

比如“ab+”描述的特征是：一个a和任意个b。那么ab、abb、abbbbbbbbbb都符合这个特征，而字符串ad显然是不符合的。

正则表达式可应用到各个方面。在常用的高级编辑器中，几乎都支持正则表达式，如Word、EditPlus、UltraEdit、Vim等。

正则表达式在〈span class="keylink"〉编程〈/span〉语言中更是得到大规模〈span class="keylink"〉推广〈/span〉。现在的语言几乎都是原生的，都可从语法上支持正则表达式，尤其在Perl的推动下，〈span class="keylink"〉PHP〈/span〉、〈span class="keylink"〉Java〈/span〉、.NET、〈span class="keylink"〉Java〈/span〉Script等语言都支持丰富的正则语法；不支持的可以通过一些包实现扩展。每种语言中对正则表达式的支持有所不同，其中Perl和.NET对正则表达式的支持最为强大，而〈span class="keylink"〉JavaScript〈/span〉对正则表达式的支持则比较“朴素”。

注意　本节所讲的一些特性，并不是在所有语言中都支持。
〈/dd〉〈/dl〉 3.1.1　PHP中的正则函数

正则表达式看起来总是那么古怪，以至于许多人对其望而生畏。首先要澄清一些概念：虽然不同语言间正则语法大同小异，但实际上正则表达式的实现有多种引擎（如非确定性有穷自动机NFA、确定性有穷自动机DFA），其表现又有多种风格（如〈span class="keylink"〉Java〈/span〉Script有自己的朴素正则、Perl有一套高级而强大的正则、.NET也有自己的一套正则风格）。另外，还有人可能容易混淆〈span class="keylink"〉PHP〈/span〉中的preg和ereg。

简单地说，〈span class="keylink"〉PHP〈/span〉中有两套正则函数，两者功能差不多：

1）由PCRE库提供的函数，以“preg_”为前缀命名。

PCRE（Perl Compatible Regular Expression，兼容Perl的正则表达式）由Philip Hazel于1997年开发。现代的〈span class="keylink"〉编程〈/span〉语言和软件中一般都使用PCRE库。

2）由POSIX扩展提供的函数，以“ereg_”为前缀命名。

POSIX（Portable Operating System Interface of UNIX，UNIX可移植操作〈span class="keylink"〉系统〈/span〉接口）由一系列规范构成，定义了UNIX操作〈span class="keylink"〉系统〈/span〉应支持的功能，所以“POSIX风格的正则表达式”也就是“关于正则表达式的POSIX规范”，定义了BRE（Basic Regular Expression，基本型正则表达式）和ERE（Extended Regular Express，扩展型正则表达式）两大流派。通常UNIX的一些工具和较老的软件中会使用POSIX风格的正则。另外，一些〈span class="keylink"〉数据库〈/span〉中也提供了POSIX风格的正则表达式。

自PHP 5.3以后，就不再推荐使用POSIX正则函数库，若程序中使用了则会报Deprecated级别的错误，这种情况通常在一些较老的代码中比较常见。其实使用或不使用POSIX正则函数库二者本质上没多大差别，主要是一些表现形式、语法和扩展功能的差别。
〈/dd〉〈/dl〉3.1.2　正则表达式的组成

在Windows资源管理器中查找文件以及批处理文件时，可使用通配符“？”和“？”表示匹配一组字符，这和正则表达式类似，“？”表示一个不确定的字符，而“？”则表示任意多个不确定字符。比如下面是删除本地垃圾文件批处理的部分代码：

del /f /s /q %systemdrive%＼*.tmp

del /f /s /q %systemdrive%＼*._mp

del /f /s /q %systemdrive%＼*.log

del /f /s /q %systemdrive%＼*.gid

del /f /s /q %systemdrive%＼*.chk

del /f /s /q %systemdrive%＼*.old

需要注意的是，这里的“？”和“*”称为“通配符”，而不是正则表达式。

在〈span class="keylink"〉PHP〈/span〉里，一个正则表达式分为三个部分：分隔符、表达式和修饰符。

分隔符：可以是除了字母、数字、反斜线及空白字符以外的任何字符（比如/、!、#、%、|、~等）。经常使用的分隔符是正斜线（/）、hash符号（#）以及取反符号（~）。考虑到可读性，为了避免和反斜线混淆，一般不使用正斜线做分隔符。

表达式：由一些特殊字符和非特殊的字符串组成，比如“［a-z0-9_-］+@［a-z0-9_-.］+”可以匹配一个简单的电子邮件字符串。

修饰符：用于开启或者关闭某种功能/模式。
〈/dd〉〈/dl〉3.1.3　测试工具的使用

在学习过程中，建议下载RegexTester工具验证和测试正则表达式，也可使用Firefox的扩展Regular Expression Tester进行测试，其界面如图3-1所示。

本书以后测试都将利用此工具进行，而不再写〈span class="keylink"〉PHP〈/span〉代码测试。

注意　这个工具测试的代码不一定能在〈span class="keylink"〉PHP〈/span〉中通过，反之PHP中合法的正则表达式在此工具里也不一定能测试通过。其中的道理前面已经讲过了，不同语言实现的正则表达式略有区别。

下面，就来开始最简单的正则表达式入门的介绍。
3.2　正则表达式中的元字符

假设要在一篇文章里查找“he”，可以使用正则表达式“he”。这几乎是最简单的正则表达式，它可以精确匹配这样的字符串：由两个字符组成，前一个字符是“h”，后一个是“e”。通常，处理正则表达式的工具会提供一个忽略大小写的选项，如果选中这个选项，它可以匹配“he”、“HE”、“He”、“hE”这四种情况中的任意一种。

但是很多单词里包含“he”这两个连续的字符，比如“her”、“heet”等。用“he”来查找，这些单词中的“he”也会被找出来。如果要精确地查找“he”这个单词，应该使用以下形式：

＼bhe＼b

“＼b”是正则表达式规定的一个特殊代码，代表单词的开头或结尾，也就是单词的分界处。虽然通常英文单词是由空格、标点符号或者换行来分隔，但是“＼b”并不匹配这些单词分隔字符中的任何一个，它只匹配一个位置。

“＼b”匹配位置的精确说法：前一个字符和后一个字符不全是（一个是，一个不是或不存在）“＼w”。

假如要找“he”后面不远处跟着一个“is”，应该表示如下：

＼bhe＼b.*＼bis＼b

这里，点号（.）是元字符，匹配除了换行符以外的任意字符。“*”同样是元字符，不过它代表的不是字符，也不是位置，而是数量——它指定“*”前边的内容可以连续重复使用任意次以使整个表达式得到匹配。因此，“.”和“*”连在一起就意味着任意数量的、不包含换行的字符。现在，“＼bhe＼b.*＼bis＼b”的意思很明显：先是一个单词he，然后是任意个任意字符（但不能是换行符），最后是is这个单词。
〈/dd〉〈/dl〉3.2.1　什么是元字符

元字符（Meta-Characters）是正则表达式中具有特殊意义的专用字符，用来规定其前导字符（即位于元字符前面的字符）在目标对象中的出现模式。通过前面的例子，我们已经知道几个很有用的元字符。正则表达式里有很多元字符，常用元字符如表3-1所示。

下面看一些例子。

1）匹配以字母“a”开头的单词：

＼ba＼w*＼b

以上表达式先是某个单词开始处（＼b），然后是字母“a”，接着是任意数量的字母或数字（＼w*），最后是单词结束处（＼b），匹配的单词如adandon、action、a等。

2）匹配1个或更多连续的数字：

＼d+

以上表达式可以匹配0、1、555等。这里的元字符+和*类似，不同的是，*匹配重复任意次（可能是0次），而+则匹配重复1次或更多次。

3）匹配刚好6个字符的单词：

＼b＼w{6}＼b

以上表达式匹配action、123456、ste_ph等。

注意　正则表达式里“单词”指不少于1个的连续字母和数字。

如果同时使用其他元字符，则能构造出功能更强大的正则表达式。比如下面这个例子：

0＼d＼d-＼d＼d＼d＼d＼d＼d＼d＼d

匹配字符串：以0开头，然后是2个数字，1个连字符，最后是8个数字，也就是中国部分地区的电话号码，如010-12345678。

这里“＼d”是元字符，匹配1位数字（0、1、2……）。“-”不是元字符，只匹配它本身——连字符（或者减号，或者中横线，或者随你怎么称呼它）。

为了避免那么多烦人的重复，也可以这样写这个表达式：

0＼d{2}-＼d{8}
这里＼d后面{2}和{8}的意思是，前面＼d必须连续重复匹配2次和8次。

思考题　使用“he”、“＼bhe＼b”分别查找句子“he is a good student ,the most proud of his mother.With him,she hold the hope.”有多少种匹配结果？

下面重点介绍几个常用元字符。
3.2.2　起始和结束元字符

元字符中有两个用来匹配位置：

^：匹配字符串的开始。

$：匹配字符串的结束。

元字符“^”、“＄”与“＼b”有点类似。“^”匹配字符串的开头，“＄”匹配结尾。这两个代码在验证输入内容时非常有用，比如某网站如果要求填写QQ号必须为5～11位数字时，可以使用：

^＼d{5,11}$
这里{5,11}表示重复次数不能少于5次，不能多于11次，否则都不匹配。因为使用“^”和“＄”，所以输入的整个字符串都要和＼d{5,11}匹配。也就是说，整个输入必须是5～11个数字，如果输入QQ号能匹配这个正则表达式，就符合要求。如果输入含有5～11个数字，但不是完整数字串，而只是一串字符的一部分，也不能匹配成功，如图3-2所示。

从图中就能清晰地看出“^＼d{5,11}＄”的确切含义。我想，你也能猜测到它和正则表达式＼d{5,11}的区别。为了加深印象，分别使用下面4个正则表达式看一下效果：

^＼d{5,11}$　// 匹配起始和结束位置都是数字的，且连续5～11位

＼d{5,11}$// 匹配结束位置是数字的，且连续5～11位

^＼d{5,11}// 匹配起始位置是数字的，且连续5～11位

＼d{5,11}// 匹配连续的5～11位数字

很自然，在一行中，前三个正则表达式结果只可能有一个匹配结果，而最后一个正则表达式则可以有多个匹配成功的结果。因为一行只可能有一个开始位置和一个结束位置。

注意　我们在正则表达式处理工具处勾选Multiline选项，即多行选项，^和＄的意义就变成匹配行的开始处和结束处，否则将把整个输入视作一个字符串，忽视换行符。可以试着把多行选项去除后再看看效果。如果用过Vim编辑器，就知道命令“d^”和“d＄”的作用了。
3.2.3　点号

点号（.）是使用频率最高的元字符。例如，在做采集时抓取页面，要匹配某DIV里的内容，就需要用到点号匹配。下面代码是抓取本地HTML页面的一部分：

〈title〉我的博客〈/title〉

要匹配这个网页的标题应该怎么办呢？很简单，使用点号匹配全部字符，如下：

〈title〉.*<＼/title>〈/title〉

这样就可以抓取你想要的任何内容了，包括DIV、SPAN等。

思考题　延伸思路，是不是还可以抓取页面的字符集？要判断这个页面有多少张图片是不是也很容易？只要找到特征字符就可以。试一下，看看和预想的结果是否一致。

 3.2.4　量词

下面是一些例子：

1）匹配Windows后面跟1个或更多数字：

Windows＼d+

2）表示index后面紧跟0个或1个数字，：

index＼d？

以上表达式匹配index、index1、index9这样的文件名，但不匹配index10、indexa这样的文件名。

3）匹配一行第一个单词（或整个字符串第一个单词，具体匹配哪种，得看选项设置）：

^＼w+

提示　在学习量词的过程中，要注意*和？这两个量词。前面提到过通配符的概念，通配符里也有这两个符号，要注意它们之间的区别。

3.3.1　字符组

3.3　正则表达式匹配规则

我们已经学习“*”、“-”、“？”等元字符，它们都有各自的特殊含义。如果想匹配没有预定义元字符的字符集合，或者表达式和已知定义相反，或者存在多种匹配情况，应该怎么办？本节就介绍几种常用匹配规则。

3.3.1　字符组

查找数字、字母、空白很简单，因为已经有了对应这些字符集合的元字符，但是如果想匹配没有预定义元字符的字符集合（比如元音字母a、e、i、o、u），方法很简单，只需要在方括号里列出它们。

例如［aeiou］匹配任何一个英文元音字母，［.？!］匹配标点符号（“.”、“？”或“!”），c［aou］t匹配“cat”、“cot”、“cut”这三个单词，而“caout”则不匹配。

注意　［］匹配单个字符，尽管看起来［］里有好多字符。

也可以指定字符范围，例如［0-9］的含意与＼d完全一致：代表一位数字；同理［a-z0-9A-Z_］完全等同于＼w（如果只考虑英文）。

字符组很简单，但是一定要弄清楚字符组中什么时候需要转义。
〈/dd〉〈/dl〉3.3.2　转义

如果想查找或匹配元字符本身，比如查找*、？等就出现问题：没办法指定，因为它们会被解释成别的意思。这时就使用＼来取消这些字符的特殊意义。因此，应该使用＼.和＼*。当然，查找＼本身用＼＼。这叫做转义。

通俗地讲，转义就是防止特殊字符被解析，或者说用某个符号表示另一个特殊符号。例如：unibetter＼.com匹配unibetter.com，C:＼＼Windows匹配C:＼Windows。

在〈span class="keylink"〉Java〈/span〉Script或者〈span class="keylink"〉PHP〈/span〉中都接触过转义的概念。例如，〈span class="keylink"〉Java〈/span〉Script中要弹出一个对话框，对话框中需要分成两行显示，用HTML的
标签或者在源代码里手工换行都不行，应该用＼r＼n表示换行并新起一行，如下所示：

alert("警告：

操作无效");　　　　　　　　　　　// 错误

alert("警告
操作无效");// 错误

alert("警告＼r＼n操作无效");// 正确写法
在〈span class="keylink"〉PHP〈/span〉里使用反斜杠（＼）表示转义，＼Q和＼E也可以在模式中忽略正则表达式元字符，比如:

＼d+＼Q.$.＼E$

以上表达式先匹配一个或多个数字，紧接着一个点号，然后一个＄，再然后一个点号，最后是字符串末尾。也就是说，＼Q和＼E之间的元字符都会作为普通字符用来匹配。

正则表达式是不是遇到这些特殊字符就该转义呢？答案显然是否定的。转义只有在一定条件下，比如可能引起歧义或者被误解析的情况下才需要。有些情况并不需要转义这些“特殊”字符，并且在时转义也是无效的。这需要不断尝试并积累经验。看一个例子：

<？php

$reg="#［aby＼}］#";

$str= 'a＼bc［］{}';

preg_match_all($reg, $str, $m);

var_dump($m);

在字符组中匹配“a”、“b”、“y”和“}”中任意一个，由于“}”是元字符，具有特殊意义，所以这里进行转义，使用“＼{”表示“{”。

但是实际上，这个转义是多余的。虽然“}”是元字符，具有特殊意义，但是在字符组中，“}”却无法发挥意义，不会引起歧义，所以不需要转义。在这里“＼{”和“{”是等价的。

既然转义符“＼”是多余的，那么会不会被当作普通字符呢？字符串＄str里有“＼”，但是可以从代码运行结果中看出，“＼”字符并没有被匹配，也就是说正则表达式“#［abc＼}］#”中，虽然“＼”转义符是多余的，但是也并没有被当作普通字符进行匹配。

如果确实要把“＼”当作普通字符匹配，正则表达式需要写成：

#［}ab＼＼＼y］#

前面提到，不是所有出现特殊字符的地方都要转义。例如，以下正则表达式可以匹配“cat”、“c？t”、“c)t”等字符：

c［aou？*)］t

其中“？”和“？”等特殊字符都不需要转义。原因很简单，字符组里匹配的是单个字符，这些特殊字符不会引起歧义。

字符组里可以使用转义吗？可以，例如“c［＼d］d”可以匹配“c1d”、“c2d”等。下面是复杂的表达式：

＼(？0＼d{2}［) -］？＼d{8}

“(”和“)”也是元字符（后面在分组章节会提到），所以在这里需要使用转义。这个表达式可以匹配几种格式的电话号码，例如(010)88886666、022-22334455或02912345678等。首先是转义符“＼(”，表示出现0或1次（？），然后是一个0，后面跟着两个数字（＼d{2}），然后是“)”、“-”或空格中的一个，出现1次或不出现（？），最后是八个数字（＼d{8}）。

 3.3.3　反义
〈/dd〉〈dt〉

    有些时候，查找的字符不属于某个字符类，或者表达式和已知定义相反（比如除了数字以外其他任意字符），这时需要用到反义。常用反义如表3-3所示。


    

    反义有一个比较明显的特征，就是和一些已知元字符相反，并且为大写形式。比如“＼d”表示数字，而“＼D”就表示非数字。看一些实际的例子。

    1）不包含空白符的字符串：

    ＼S+
    2）用尖括号括起来、以a开头的字符串：

    〈a〉］+>

    比如，要匹配字符串“〈/a〉百度”，这个正则表达式匹配的结果就是“”。

    提示　“^”在这里是“非”的意思，不要和表示开头的“^”混淆。那怎么区分呢？很简单，表示开始位置的“^”只能用在正则表达式最前端，而表示取反的“^”只用在字符组中，即只在中括号里出现。记住这一点，就不会搞混了。

    日常工作中反义用得不多，因为扩大了范围。例如程序里的变量，第一个字符不允许是数字，一般使用“^［a-zA-Z_］”表示，而不会使用“＼D”，因为“＼D”扩大了范围，包括所有非数字的字符，显然，变量命名不仅仅要求第一个字符不是数字，也不能是其他除了26个大小写字母和下画线以外的字符。因此，不要随意使用反义，以免无形中扩大范围，而使自己没有考虑到。〈/dt〉〈dd〉3.3.4　分支〈/dd〉〈dt〉

分支就是存在多种可能的匹配情况。例如，匹配“cat”或者“hat”，可以写成［ch］at；要匹配“cat”、“hat”、“fat”、“toat”，很显然不能用字符组匹配的方式。这里表明前面的匹配字符可以是c、h、f或者to，而［］只能匹配单个字符，此时可用分支形式，即：

(c| h| f| to)at

其中括号里的表达式将视作一个整体（后面会讲到分组的概念），“|”表示分支，即可能存在的多种情况，可以匹配多个字符。分支的功能更强大，字符组方式只能对单个字符“分支”，而分支可以是多个字符以及更复杂的表达式。但对于单字符的情况，字符组的效率更高。也就是说，能使用字符组就不用分支。

看到这里，你可能会有疑问：表达式“［ch］at”括号里面是可能的匹配，分支也是表示可能的匹配，那么“［ch］at”是否可以写成“(c|h)at”呢？答案显然是可以的，“［ch］at=(c|h)at”。

注意　括号匹配会捕获文本，如果不需要捕获文本，上面的例子可以使用“(？:)”，后面还会讲到。

正则表达式分支条件指有几种规则，无论满足其中哪一种规则都能匹配，具体方法是用“|”把不同规则分隔开，例如：

0＼d{2}-＼d{8}| 0＼d{3}-＼d{7}

这个表达式能匹配两种以连字号分隔的电话号码：一种是3位区号，8位本地号（如010-12345678），一种是4位区号，7位本地号（如0376-2233445）。匹配3位区号的电话号码表达式如下：

＼(0＼d{2}＼)［- ］？＼d{8}| 0＼d{2}［- ］？＼d{8}

其中区号可以用小括号括起来，也可以不用，区号与本地号间可以用连字号或空格间隔，也可以没有间隔。可以试试用分支条件把这个表达式扩展成同时支持4位区号。

例如，美国邮编规则是5位数字，或者用连字号间隔的9位数字。匹配表达式如下：

＼d{5}-＼d{4}| ＼d{5}

另外，使用分支条件时，要注意各个条件的顺序。如果改成以下形式，就只匹配5位邮编以及9位邮编的前5位：

＼d{5}| ＼d{5}-＼d{4}

注意　匹配分支条件时，将从左到右测试每个条件，如果满足某个分支，就不会再考虑其他条件。
3.3.5　分组〈/dt〉〈dd〉重复单个字符只需要直接在字符后面加上限定符，但如果想重复多个字符又该怎么办呢？可以用小括号指定子表达式，然后规定这个子表达式的重复次数，也可以对子表达式进行其他一些操作。这就是本节介绍的分组，常用分组语法如表3-4所示。




注释　　(？#comment)提供注释辅助阅读，不对正则表达式的处理产生任何影响

例如，简单的IP地址匹配表达式如下：

(＼d{1,3}＼.){3}＼d{1,3}

要理解以上表达式，应按下列顺序分析：

1）匹配1～3位的数字：

＼d{1,3}

2）匹配3位数字加上1个英文句号（分组），重复3次（最后加上一个1~3位的数字）：

(＼d{1,3}＼.){3}

IP地址中每个数字都不能大于255，所以严格来说这个正则表达式是有问题的。因为它将匹配256.300.888.999这种不可能存在的IP地址。如果能使用算术比较，或许能简单地解决这个问题，但是正则表达式中没有提供关于数学的任何功能，所以只能使用冗长的分组、选择、字符类来描述一个正确IP地址，如下所示：

((2［0-4］＼d|25［0-5］|［01］？＼d＼d？)＼.){3}(2［0-4］＼d|25［0-5］|［01］？＼d＼d？)

思考题　理解这个表达式的关键是理解“2［0-4］＼d|25［0-5］|［01］？＼d＼d？”，读者应该能分析出它的意义。

默认情况下，每个分组会自动拥有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组，其组号为1，第二个为2，以此类推；分组0对应整个正则表达式。

也可以自己指定子表达式的组名，语法如下：

？〈word〉＼w+

把尖括号换成单引号也行，如下所示：

？'Word'＼w+

这样就把＼w+组名指定为Word。

提示　组号分配远没有这么简单。组号分配过程是要从左向右扫描两遍：第一遍只给未命名组分配，第二遍只给命名组分配。因此，所有命名组的组号都大于未命名的组号。可以使用语法(？:exp)剥夺一个分组对组号分配的参与权。〈/word〉〈/dd〉〈dt〉3.3.6　反向引用〈/dt〉〈dd〉

反向引用用于重复搜索前面某个分组匹配的文本。首先看示例，“＼1”代表分组1匹配的文本：

＼b(＼w+)＼b＼s+＼1＼b

以上表达式可以匹配重复的单词，例如go go或者kitty kitty。首先这个表达式是一个单词，也就是单词开始处和结束处之间大于一个的字母或数字，即“＼b(＼w+)＼b”，这个单词会被捕获到编号为1的分组中，然后是1个或几个空白符(＼s+)，最后是分组1中捕获的内容（也就是前面匹配的那个单词），即＼1，这样就相当于把所匹配的重复一次。

要反向引用分组捕获的内容，可以使用“＼k〈word〉”，所以上个例子也可以写成这样：〈/word〉

＼b(？〈word〉＼w+)＼b＼s+＼k〈word〉＼b〈/word〉〈/word〉

例如，要捕获字符串“＼"This is a 'string'＼"”引号内的字符，如果使用以下正则表达式：

(＼"| ').*？(＼"| ')

将返回“"This is a'”。显然，这并不是我们想要的内容。这个表达式从第一个双引号开始匹配，遇到单引号之后就错误地结束匹配。这是因为表达式里包含"|'，也就是双引号（"）和单引号（'）均可。要修正这个问题，可以用到反向引用。

表达式“＼1,＼2,…,＼9”是对前面已捕获子内容的编号，可以作为对这些编组的“指针”引用。在此例中，第一个匹配的引号就由1代表。可以这么写成：

("|＼').*？＼1

如果使用命名捕获组，可以写成：

(？P〈quote〉"| ').*？(？P=quote)〈/quote〉

看〈span class="keylink"〉PHP〈/span〉使用反向引用的例子。

在很多〈span class="keylink"〉论坛〈/span〉中都会看到UBB标签代码。UBB标签最早的设计是用来在〈span class="keylink"〉论坛〈/span〉和留言本里代替HTML，实现一些简单的HTML效果，同时防止滥用HTML出现安全问题。例如，HTML中粗体的标签是：

〈strong〉粗体〈/strong〉

或者：

〈strong〉粗体〈/strong〉

而UBB标签则是：

［b］粗体［/b］

UBB标签以其更好的安全性，目前已经成为论坛发帖的代码标准，只不过不同论坛产品的叫法不一样而已。

最终，UBB标签还是要解析成HTML代码，才能让〈span class="keylink"〉浏览器〈/span〉认识。这个过程是怎样实现的呢？下面以URL标签为例解释。

例如，UBB标签“［url］1.gif［/url］”用于插入表情。在解析时，需要把1.gif换成实际路径，并且需要用HTML的IMG标签进行替换，方法如下所示：

<？php

$str='［url］1.gif［/url］［url］2.gif［/url］［url］3.gif［/url］';

$s=preg_replace("#＼［url＼］(？〈word〉＼d＼.gif)＼［＼/url＼］#","〈img src="http://image.ai.com/upload/$1" alt="" /〉",$str);〈/word〉

var_dump($s);

运行结果如下：

string(141)"〈img src="http://image.ai.om/upload/1.gif" alt="" /〉

〈img src="http://image.ai.com/upload/2.gif" alt="" /〉

〈img src="http://image.ai.com/upload/3.gif" alt="" /〉"

是不是很简单？一个简易表情标签就这样实现了。

这里再给出一个表达式实现同样的效果：

<？php

$str='［url］1.gif［/url］［url］2.gif［/url］［url］3.gif［/url］';

$s=preg_replace("#＼［url＼］(.*？)＼［＼/url＼］#","<img

src=http://image.ai.com/upload/$1>",$str);

var_dump($s);

提示　这个正则表达式涉及贪婪/懒惰匹配知识，后面会进一步介绍。
〈/dd〉〈/dl〉3.3.7　环视〈/dd〉〈dt〉

断言用来声明一个应该为真的事实。正则表达式中，只有当断言为真时才会继续进行匹配。断言匹配的是一个事实，而不是内容。本节介绍四个断言，它们用于查找在某些内容（但并不包括这些内容）之前或之后，也就是一个位置（如＼b、^、＄）应该满足的一定条件（即断言），因此也称为零宽断言。

1.顺序肯定环视(？=exp)

零宽度正预测先行断言，又称顺序肯定环视，断言自身出现位置的后面能匹配表达式exp。

比如，匹配以“ing”结尾的单词前面部分（除了“ing”以外的部分）：

＼b＼w+(？=ing＼b)
以上表达式查找以下句子时，会匹配“sing”和“danc”：

I'm singing while you're dancing.
2.逆序肯定环视(？<=exp)

零宽度正回顾后发断言，又称逆序肯定环视，断言自身出现位置的前面能匹配表达式exp。

比如，以re开头的单词的后半部分（除了re以外的部分）：

(？<=＼bre)＼w+＼b

以上表达式在查找以下句子时匹配“ading”：

reading a book

假如在很长的数字中，每3位间加1个逗号（当然是从右边加起），可以在前面和里面添加逗号的部分：

((？<=＼d)＼d{3})+＼b

用以上表达式对“1234567890”进行查找，结果是“，234，567，890”。这里的逗号只是匹配需要添加逗号的位置，还没有实际添加逗号。

下面这个例子同时使用这两种断言，匹配以空白符间隔的数字（再次强调，不包括这些空白符）：

(？<=＼s)＼d+(？=＼s)

前面提到过反义，用来查找不是某个字符或不在某个字符类里的字符。如果只是想要确保某个字符没有出现，但并不想去匹配它时怎么办？例如，如果想查找这样的单词——出现字母q，但是q后面跟的不是字母u。可以尝试这样：

＼b＼w*q［^u］＼w*＼b

以上表达式匹配包含后面不是字母u的字母q的单词。但是如果多做几次测试就会发现，如果q出现在单词的结尾，例如Iraq、Benq，这个表达式就会出错。这是因为［^u］总要匹配一个字符，如果q是单词的最后一个字符，后面的“［^u］”将会匹配q后面的单词分隔符（可能是空格、句号或其他），后面的“＼w*＼b”将会匹配下一个单词，于是以上表达式就能匹配整个Iraq fighting。

逆序肯定环视能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。现在，解决这个问题如下所示：

＼b＼w*q(？!u)＼w*＼b

3.顺序否定环视(？!exp)

零宽度负预测先行断言，又称顺序否定环视，断言此位置的后面不能匹配表达式“exp”。例如：

1）匹配3位数字，而且这3位数字的后面不能是数字：

＼d{3}(？!＼d)

2）匹配不包含连续字符串abc的单词：

＼b((？!abc)＼w)+＼b

如果匹配的单词是c开头、t结尾，中间有一个字符，但不能是u（也就是说，整个单词不能是cut），直接用“c［^u］t”就可以了，若中间的字符不能是a或u（也就是说，整个单词不能是cat或cut），则表达式改为“c［^au］t”。

如果认真读过关于排除型字符组的章节的读者肯定会知道，这个表达式能匹配的只是cot之类的单词，因为中间的排除型字符组“［^au］”必须匹配一个字符。可是，如果还想匹配chart、conduct和court怎么办？最简单的想法是：去掉排除型字符组的长度限制，改成“c［^au］+t”。

不幸的是，这样行不通，因为这个表达式的意思是：c和t之间由多于一个“除a或u之外的字符”构成，而chart、conduct和court都包含a或u。

我们发现，其实要否定的是“单个出现的a或u”，而不仅仅是“出现的a或u”，所以才出现这样的问题。要解决这个问题，就应当把意思准确表达出来，变成“在结尾的t之前，不允许只出现一个a或u”。想到这一步，就可以用顺序否定环视(？!…)来解决。表示在这个位置向右，不允许出现子表达式能够匹配的文本，把子表达式规定为“［au］t＼b”（最后的“＼b”很重要，它出现在t之后，保证t是单词的结尾字母）。有了限制，匹配a和t之间文本的表达式就随意很多，可以用匹配单词字符的简记法“＼w”表示，于是整个表达式变成：

c(？!［au］t ＼b)＼w+t

注意　这里出现的并不是排除型字符组“［^au］”，而是普通的字符组［au］，因为顺序否定环视本身已经表示了否定。

进一步思考，整个匹配文本中都不能出现字符串“cat”，要怎么办呢？这个正则表达式应该是：

^(？:(？!cat).)+$

即在文本中的任意位置，都不能出现该字符串。

4.逆序否定环视(？〈!--exp)〈/p--〉

零宽度负回顾后发断言，又称逆序否定环视，可以用(？〈!--exp)断言此位置的前面不能匹配表达式exp。例如，前面不是小写字母的7位数字：〈/p--〉

(？〈!--［a-z］)＼d{7}〈/p--〉

分析以下表达式，匹配不包含属性的简单HTML标签内的内容：

(？<=<(＼w+)>).*(？=<＼/＼1>)

以上表达式最能表现零宽断言的真正用途。(<？(＼w+)>)指定前缀为：被尖括号括起来的单词（比如可能是“〈strong〉”），然后是“.*”（任意的字符串），最后是一个后缀(？=<＼/＼1>)。注意后缀里的“＼/”，用到了前面提过的字符转义；“＼1”则是反向引用，引用的正是捕获的第一组，即前面(＼w+)匹配的内容，如果前缀实际上是“〈strong〉”，后缀就是“〈/strong〉”。整个表达式匹配的是“〈strong〉”和“〈/strong〉”之间的内容（再次提醒，不包括前缀和后缀本身）。〈/strong〉

总体而言，环视相当于对“所在位置”附加一个条件，难点就在于找到这个“位置”。这一点解决了，环视就没有什么秘密可言了。
〈/dd〉〈/dl〉3.3.8　贪婪/懒惰匹配模式〈/dt〉〈dd〉

    当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。例如以下表达式将匹配以a开始，以b结束的最长字符串：

    a.*b

    如果用来搜索“aabab”，它会匹配整个字符串“aabab”。这就是贪婪匹配。

    有时，需要匹配尽可能少的字符，也就是懒惰匹配。前面给出的限定符都可以转化为懒惰匹配模式，只要在后面加上一个问号。例如“.*？”就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。例如，匹配以a开始、以b结束的最短字符串，正则表达式如下：

    a.*？b

    把上述表达式应用于aabab，如果只考虑“.*？”这个表达式，最先会匹配到aab（1~3字符）和ab（第2~3个字符）这两组字符。

    为什么第一个匹配是aab（第1～3个字符）而不是ab（第2～3个字符）？简单地说，正则表达式有另一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高优先权。

    常用懒惰限定符如表3-5所示。


    

    懒惰模式匹配原理简单来说，是在匹配和不匹配都可以的情况下，优先不匹配，记录备选状态，并将匹配控制交给正则表达式的下一个匹配字符。当后面的匹配失败时，回溯，进行匹配。关于回溯以及正则表达式效率等高级内容，可以查阅《精通正则表达式》一书。

    在3.3.6节涉及懒惰匹配，把该节的例子稍作更改：

    <？php

    $str='［url］1.gif［/url］［url］2.gif［/url］［url］3.gif［/url］';

    $s=preg_replace("#＼［url＼］(.*)＼［＼/url＼］#","〈img src="http://image.aiyooyoo.om/upload/$1" alt="" /〉",$str);

    var_dump($s);

    在贪婪模式下，由于匹配表达式是“.*”，即任意字符出现任意次，这个正则表达式会一直匹配［url］后的内容，直到遇到结束条件“［＼/”。匹配结果如图3-3所示。


    

    提示　实际开发中，涉及贪婪模式与懒惰模式的地方是很多的。在一定情况下，使用懒惰模式可以减少回溯，提高效率。


3.4.1　正则表达式的逻辑关系〈/dd〉〈dt〉

    3.4　构造正则表达式

    在构造和理解正则表达式的过程中，通常都是由简到繁的过程，如果理解正则表达式内部间的关系，就可以把比较复杂的正则表达式拆分成几个小块来理解，从而帮助消化。

    3.4.1　正则表达式的逻辑关系

    正则表达式之间的逻辑关系可以简单地用与、或、非来描述，如表3-6所示。


    

    通常来说，正则表达式可以看做这三种逻辑关系的组合。下面分析这三种逻辑。

    1.与

    “与”是正则表达式中最普遍的逻辑关系。一般来说，如果正则表达式中的元素没有任何量词（比如*、？、+）修饰，就是“与”关系。比如正则表达式：

    abc

    表示必须同时出现a、b、c三个字符。

    连续字符是“与”关系的最佳代表。此外，有些环视结构也可以表达“与”关系。比如顺序肯定环视（？=exp）表示自身出现的位置后面能匹配表达式exp，换而言之，就是在它后面必须出现表达式exp。例如：

    ＼w+(？=ing)

    表示单词的后面必须是ing结尾。

    除了顺序肯定环视外，逆序肯定环视也能表达“与”关系。

    比如匹配DIV标签里的内容，例如〈div〉logo中的logo，就可用以下正则表达式来匹配：

    (？<=〈div〉).*(？=)

    “(？<=〈div〉)”表示自身（即要匹配的部分）出现的位置前面匹配表达式“〈div〉”，“(？=〈/div〉)”表示它的后面需要匹配表达式“”，中间的“.*”就是匹配到的内容。

    2.或

    “或”是正则表达式中容易出现的逻辑关系。

    如果“或”代表元素可以出现，也可以不出现，或者出现的次数不确定，可以用量词来表示“或”关系。比如以下表达式表示在此处，字符a可以出现，也可以不出现：

    ？a？？

    以下表达式表示在此处，字符串ab必然要出现1次，也可以出现无限多次：

    『(ab)+』

    如果“或”表示出现的是某个元素的一个，那么可以使用字符组。比如以下正则表达式表示此处出现的字符是a、b、c中的任何一个：

    ［abc］

    如果要匹配多个字符，则使用分支结构（…|…）。比如匹配单词foot及其复数形式，就可以用正则表达式：

    f(oo| ee)t

    或者使用以下形式：

    f［oe］{2}t

    3.非

    提到“非”，最容易想到正则表达式中的反义和“^”元字符。比如“＼d”表示数字，那么其对应的＼D就表示非数字；［a］表示a字符，那么［^a］就表示这个字符不是a。

    “非”关系最常用来匹配成对的标签，例如双引号字符串的匹配，首尾两个双引号很容易匹配，其中的内容肯定不是双引号（暂不考虑转义的情况），所以可以用［^"］表示，其长度不确定，用*来限定，所以整个表达式如下：

    ［^"］*

    比如，需要匹配HTML里成对的A标签，先匹配左尖括号，紧接着是a字符，后面可以是任意内容，最后是一个右尖括号。在这对括号之间可以出现空格、字母、数字、引号等字符，但是不能出现“>”字符，于是就可以用排除型字符组“［^>］”来表示。再加上后面的配对标签，整个表达式如下：

    〈a〉］*>.*<＼/a>

    运行下面这段代码验证这个表达式：

    <？php

    $reg="#〈/a〉〈a〉］*>(.*)<＼/a>#";

    $str= '〈/a〉baidusomesohu';

    preg_match_all($reg, $str, $m);

    var_dump($m);

    运行结果如下：

    array(2) {

    ［0］ =>

    array(1) {

    ［0］ =>

    string(74) "baidusomesohu"

    }

    ［1］ =>

    array(1) {

    ［0］ =>

    string(43) "baidusomesohu"

    }

    }
    发现结果不符合预期，出现了嵌套匹配。原因在于A标签之间的文本忘了做排除型匹配，于是修改后的正则表达式就成了“〈a〉］*>(［^<>］*)<＼/a>”。经过修改后就符合预期了。

    除了反义和排除型字符组外，否定环视也能表示“非”这种关系。比如有一串文字：“ab〈/a〉

one
cde〈div〉fgh〈img src="" alt="" /〉”。现在需要匹配除P标签外的所有标签。换而言之，就是先匹配所有HTML标签，可以使用如下表达式：

    ］+>

    匹配闭合的“〈xxx〉”或“〈/xxx〉”标签，然后再排除“XXX”或“/XXX”部分是P的标签，于是使用顺序否定环视，用表达式：

    (？!/？p＼b)

    排除了“<”或“
    <(？!/？p＼b)［^>］+>

    通过上面的分析得到正则表达式中的“与或非”关系及其代表语法，如表3-7所示。〈/dt〉〈dd〉3.4.2　运算符优先级〈/dd〉〈dt〉〈p style="text-align: center"〉正则表达式从左到右进行计算，并遵循优先级顺序，这与算术表达式非常类似。表3-8说明了各种正则表达式运算符的优先级顺序，其中优先级从上到下、由高到低排列。


字符的优先级比替换运算符高，替换运算符允许m|food与m或food匹配。要匹配mood或food，使用括号创建子表达式，从而产生如下表达式：

(m| f)ood
〈/dd〉〈/dl〉
〈/dt〉〈/dl〉
     3.5.2　匹配E-mail地址

    运用学过的知识，我们实现简单的E-mail识别。

    E-mail最简单的形式为user@domain.com。其中，user为用户名，domain为域名，com为后缀；当然，后缀还可以是net、name、cn等。一般用户名由3个以上的字母和数字组成，当然也不能太长，允许出现下画线。中间一个@符号，后面的域名长度为1～64位，后缀长度一般为2～5位，如下所示：

    ＼w{3,16}@＼w{1,64}＼.＼w{2,5}

    以上表达式匹配用户名长度3～16位，紧跟一个@符号，然后是1～64位的域名，再然后是dot（.号），最后是2~5位的后缀。这个正则表达式还存在一些问题，比如xxx_yyy@yahoo.com.cn这样的地址，后面的.cn就无法匹配到。这就需要进一步学习。

    Regular Expression Tester工具提供一些预定义的正则表达式，它提供的匹配E-mail的正则表达式如下：

    ^［a-z0-9_＼-］+(＼.［_a-z0-9＼-］+)*@(［_a-z0-9＼-］+＼.)+(［a-z］{2}| aero| arpa| biz| com| coop| edu| gov| info| int| jobs| mil| museum| name| nato| net| org| pro| travel)$



    这个表达式很长，使用字符组和分支条件语法，很好地解决了com.cn这样多个后缀域名的问题。相信现在读者对于匹配电话号码、QQ号等应该能得心应手了。




3.5.3　转义在数据安全中的应用

数据安全是任何一款软件设计中都需要考虑的问题。从技术层面讲，数据安全就是保护存储和使用的数据不被窃听、盗取和破坏。这可能是由外部因素造成的，比如由于过滤不严格造成SQL注入漏洞、提升脚本执行权限等，也有可能是由代码内部设计造成的，如死循环、低效率的语句造成服务器性能下降以致影响访问。

社会学意义上的数据安全则更广泛。比如，在在线购物商城的设计中，由于设计者错误地使用自增ID作为商品的单据流水号，竞争对手或有心人很容易分析出这个商城的每日销售量，进而估算出销售额、利润等商业机密数据。

在程序中要保证数据的安全，除了要保证代码内部运行的可靠外，最主要的就是严格处理外部数据，即秉持“一切输入输出都是不可靠的”理论，这就要求我们做好数据过滤和验证。PHP编程中最简单的过滤机制就是转义，即对用户的输入和输出进行转义和过滤。图3-4所示是简单的留言本。

简单留言本的演示代码如下：


〈pre class="code"〉简单留言本的演示代码如下：〈form action="" method="POST"〉〈textarea name="content"〉〈/textarea〉〈input value="留言" type="submit" /〉<？phpecho $_POST［'content'］;〈pre class="code"〉？>程序中没有任何的输入输出过滤，当在留言框中输入以下内容时得到如图3-5所示的页面。 〈style〉Body{background:#000000}〈/style〉很显然，由于输入含有CSS代码和JavaScript代码，没有对其进行处理便原样输出，导致页面被篡改。这就是常说的“XSS攻击”。针对上面的情况，只需在接收数据时使用htmlspecialchars函数，把代码中的特殊字符转为HTML实体，这样在输出时就不会使页面受影响了。这些特殊字符主要是“"”、“'”、“&”、“<”、“>”。比如把“”转为“”，就可以阻止大部分XSS攻击。注　HTML中规定字符实体引用（HTML Entities）还有对应的数字型实体（NCR），实际上是对这个实体的编号。比如，HTML Entities的格式“<”，NCR的格式“<”或“<”，均表示“<”字符。有的时候，不希望出现这些无意义的字符，因为既然页面不允许这些HTML标签，那就干脆过滤掉，而不是显示出来，这样页面就不会留下恶意攻击者所留下的这些代码。要达到这个目的，就需要借助正则表达式。比如，要过滤所有HTML标签的正则表达式如下所示：<＼/？［^>］+>// 过滤所有HTML标签这个正则表达式匹配嵌套的尖括号，一个“＼/？”表示斜杠可有可无，这样就匹配标签的起始和关闭位置。“［^>］+”意思是：不是右尖括号的字符重复一次和更多次。为什么不是“？”呢？因为HTML标签里至少也是一个字符，如〈strong〉，而<>不是合法HTML标签，最后关闭右尖括号。用下面字符测试：〈strong〉strong〈/strong〉〈img src="a.jpg/" alt="" /〉其匹配情况如图3-6所示。 从图中可以看出，运行结果基本符合我们的需求。同理，还可以只保留部分HTML标签，既不造成安全问题，又能使页面内容更丰富，这就可以利用UBB代码功能来实现。前面提到过用正则表达式实现UBB标签的功能比较麻烦，但在这里只需要白名单功能，即只保留比较“安全”的标签，通过PHP内置的strip_tags函数可以容易做到。这个函数用于从字符串中去除HTML和PHP标记，仅保留参数中指定的标签。演示代码如下所示：<？php$text = '〈/strong〉

Test paragraph.
〈!-- Comment --〉 〈a href="#fragment"〉Other text〈/a〉';echo strip_tags($text);echo "＼n";// 允许

和 〈a〉echo strip_tags($text, '〈/a〉

〈a〉');？>〈/a〉
〈/form〉〈/pre〉
另外，在SQL语句构造中，当字符含有引号的时候，可能造成SQL解析和执行失败。这样就要求转义。一种处理办法是把引号转义成实体，另一种处理办法是使用addslashes函数把其转义。我们通常会使用后者。

addslashes函数返回一个字符串，该字符串为了数据库查询语句等的需要在某些字符前加上了反斜线。这些字符是单引号（'）、双引号（"）、反斜线（＼）与NUL（NULL字符）。

注意　为了处理更多情况，还需要特别注意“%”、“'”等特殊字符。如果能转义则进行转义，没有对应的转义时，则进行过滤。