PHP 与 RegEx 浅析 001: 概述

PHP 得益于其简单易学的特性，从上世纪 90 年代一直流行至今。
对于本文所要讲到的正则表达式，PHP 也有相当完备的支持，甚至它提供了至少三套独立的正则引擎:

• preg - Perl Regular Expressions
• ereg - Extended Regular Expressions
• bm_ereg

由于 preg 在通常情况下速度与功能都要优于另外两者，所以本系列主要介绍 preg 引擎。

preg 属于 NFA 流派，是一组 Perl 兼容正则表达式 (PCRE，Perl Compatible Regular Expressions) 套件，十分完整的模拟了 Perl 语法和语义，并对拓展了许多 ereg 不具备的能力。

所有 preg 函数第一个参数均为 pattern，其中正则表达式会被一对分隔符表示(因为 preg 的作者希望它看起来更像 Perl)，最后还可能跟随模式修饰符。

例如：

 /<table\b/i

其中第一个 / 为分隔符，<table\b 为正则表达式，/ 为分隔符，i 为模式修饰符。

分隔符

无论是好是坏，这是一项硬性规定。我们可以使用除了下列元素外的任意 ASCII 字符作为分隔符：

• 数字
• 字母
• 反斜线 \
• 空白字符

正如前面例子中那样，分隔符成对出现，常见的有一对 /、! 或 #，此外，也可以使用：

• { 和 }
• ( 和 )
• < 和 >
• [ 和 ]

模式修饰符

允许出现的模式修饰符有：

• 标准修饰符：
  • x: 自由格式和注释模式，可以识别 ASCII 中空白字符，但不能识别 Unicode 中的空白字符，在正则表达式内部写作 (?x)
  • s: 点号通配模式，在正则表达式内部写作 (?s)
  • m: 增强的行锚点模式，在正则表达式内部写作 (?m)
  • i: 忽略大小写模式，在正则表达式内部写作 (?i)
• 特有修饰符：
  • u: 以 UTF-8 读取正则表达式和目标文本
  • X: 启用 PCRE 额外功能(extra stuff)，目前只有一个功能就是在出现无法识别的反斜线序列时报错，在正则表达式内部写作 (?X)
  • U: 交换 * 和 *？ 等的匹配优先含义，很少使用，在正则表达式内部写作 (?U)
  • e: 将 replacement 作为 PHP 代码(只用于 preg_replace)
  • A: 将整个匹配尝试锚定在起始位置，很少使用
  • D: 替换 $ 为 \z，$ 只能匹配 EOS 而不是 EOS 之前的换行符，除非使用了模式修饰符 m
  • S: 启用 PCRE 的 study 优化尝试

在表达式内部允许模式修饰符单独出现，来启用或停用某些特性，例如 (?i) 和 (？-i)。他们的作用持续到对应的结束括号，如果不存在则持续到正则表达式末尾。当然，你也可以使用模式修饰范围例如 (?i:...)、 (?-SM:...)，这里不做过多解释。