常用的正規表達式
常用正規表達式
正規表達式用于字元串處理、表單驗證等場合，實用高效。現将一些常用的表達式收集于此，以備不時之需。
使用者名：/^[a-z0-9_-]{3,16}$/
密碼：/^[a-z0-9_-]{6,18}$/
十六進制值：/^#?([a-f0-9]{6}|[a-f0-9]{3})$/
電子郵箱：/^([a-z0-9_\.-]+)@([\da-z\.-]+)\.([a-z\.]{2,6})$/
URL：/^(https?:\/\/)?([\da-z\.-]+)\.([a-z\.]{2,6})([\/\w \.-]*)*\/?$/
IP 位址：/^(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)$/
HTML 标簽：/^<([a-z]+)([^<]+)*(?:>(.*)<\/\1>|\s+\/>)$/
Unicode編碼中的漢字範圍：/^[u4e00-u9fa5],{0,}$/
比對中文字元的正規表達式： [\u4e00-\u9fa5]
評注：比對中文還真是個頭疼的事，有了這個表達式就好辦了
比對雙位元組字元(包括漢字在内)：[^\x00-\xff]
評注：可以用來計算字元串的長度（一個雙位元組字元長度計2，ASCII字元計1）
比對空白行的正規表達式：\n\s*\r
評注：可以用來删除空白行
比對HTML标記的正規表達式：<(\S*?)[^>]*>.*?</\1>|<.*? />
評注：網上流傳的版本太糟糕，上面這個也僅僅能比對部分，對于複雜的嵌套标記依舊無能為力
比對首尾空白字元的正規表達式：^\s*|\s*$
評注：可以用來删除行首行尾的空白字元(包括空格、制表符、換頁符等等)，非常有用的表達式
比對Email位址的正規表達式：\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
評注：表單驗證時很實用
比對網址URL的正規表達式：[a-zA-z]+://[^\s]*
評注：網上流傳的版本功能很有限，上面這個基本可以滿足需求
比對帳号是否合法(字母開頭，允許5-16位元組，允許字母數字下劃線)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
比對國内電話号碼：\d{3}-\d{8}|\d{4}-\d{7}
評注：比對形式如 0511-4405222 或 021-87888822
比對騰訊QQ号：[1-9][0-9]{4,}
評注：騰訊QQ号從10000開始
比對中國大陸郵政編碼：[1-9]\d{5}(?!\d)
評注：中國大陸郵政編碼為6位數字
比對身份證：\d{15}|\d{18}
評注：中國大陸的身份證為15位或18位
比對ip位址：\d+\.\d+\.\d+\.\d+
評注：提取ip位址時有用
比對特定數字：
^[1-9]\d*$ //比對正整數
^-[1-9]\d*$ //比對負整數
^-?[1-9]\d*$ //比對整數
^[1-9]\d*|0$ //比對非負整數（正整數 + 0）
^-[1-9]\d*|0$ //比對非正整數（負整數 + 0）
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$ //比對正浮點數
^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$ //比對負浮點數
^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$ //比對浮點數
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$ //比對非負浮點數（正浮點數 + 0）
^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$ //比對非正浮點數（負浮點數 + 0）
評注：處理大量資料時有用，具體應用時注意修正
比對特定字元串：
^[A-Za-z]+$ //比對由26個英文字母組成的字元串
^[A-Z]+$ //比對由26個英文字母的大寫組成的字元串
^[a-z]+$ //比對由26個英文字母的小寫組成的字元串
^[A-Za-z0-9]+$ //比對由數字和26個英文字母組成的字元串
^\w+$ //比對由數字、26個英文字母或者下劃線組成的字元串
表達式全集
正規表達式有多種不同的風格。下表是在PCRE中元字元及其在正規表達式上下文中的行為的一個完整清單：
| 字元 | 描述 |
|---|---|
| \ | 将下一個字元标記為一個特殊字元、或一個原義字元、或一個向後引用、或一個八進制轉義符。例如，“ |
| ^ | 比對輸入字元串的開始位置。如果設定了RegExp對象的Multiline屬性，^也比對“ |
| $ | 比對輸入字元串的結束位置。如果設定了RegExp對象的Multiline屬性，$也比對“ |
| * | 比對前面的子表達式零次或多次。例如，zo*能比對“ |
| + | 比對前面的子表達式一次或多次。例如，“ |
| ? | 比對前面的子表達式零次或一次。例如，“ |
| {n} | n是一個非負整數。比對确定的n次。例如，“ |
| {n,} | n是一個非負整數。至少比對n次。例如，“ |
| {n,m} | m和n均為非負整數，其中n<=m。最少比對n次且最多比對m次。例如，“ |
當該字元緊跟在任何一個其他限制符（*,+,?，{n}，{n,}，{n,m}）後面時，比對模式是非貪婪的。非貪婪模式盡可能少的比對所搜尋的字元串，而預設的貪婪模式則盡可能多的比對所搜尋的字元串。例如，對于字元串“ | |
| . | 比對除“ |
| (pattern) | 比對pattern并擷取這一比對。所擷取的比對可以從産生的Matches集合得到，在VBScript中使用SubMatches集合，在JScript中則使用$0…$9屬性。要比對圓括号字元，請使用“ |
| (?:pattern) | 比對pattern但不擷取比對結果，也就是說這是一個非擷取比對，不進行存儲供以後使用。這在使用或字元“ |
| (?=pattern) | 正向預查，在任何比對pattern的字元串開始處比對查找字元串。這是一個非擷取比對，也就是說，該比對不需要擷取供以後使用。例如，“ |
| (?!pattern) | 負向預查，在任何不比對pattern的字元串開始處比對查找字元串。這是一個非擷取比對，也就是說，該比對不需要擷取供以後使用。例如“ |
| x|y | 比對x或y。例如，“ |
| [xyz] | 字元集合。比對所包含的任意一個字元。例如，“ |
| [^xyz] | 負值字元集合。比對未包含的任意字元。例如，“ |
| [a-z] | 字元範圍。比對指定範圍内的任意字元。例如，“ |
| [^a-z] | 負值字元範圍。比對任何不在指定範圍内的任意字元。例如，“ |
| \b | 比對一個單詞邊界，也就是指單詞和空格間的位置。例如，“ |
| \B | 比對非單詞邊界。“ |
| \cx | 比對由x指明的控制字元。例如，\cM比對一個Control-M或回車符。x的值必須為A-Z或a-z之一。否則，将c視為一個原義的“ |
| \d | 比對一個數字字元。等價于[0-9]。 |
| \D | 比對一個非數字字元。等價于[^0-9]。 |
| \f | 比對一個換頁符。等價于\x0c和\cL。 |
| \n | 比對一個換行符。等價于\x0a和\cJ。 |
| \r | 比對一個回車符。等價于\x0d和\cM。 |
| \s | 比對任何空白字元，包括空格、制表符、換頁符等等。等價于[\f\n\r\t\v]。 |
| \S | 比對任何非空白字元。等價于[^\f\n\r\t\v]。 |
| \t | 比對一個制表符。等價于\x09和\cI。 |
| \v | 比對一個垂直制表符。等價于\x0b和\cK。 |
| \w | 比對包括下劃線的任何單詞字元。等價于“ |
| \W | 比對任何非單詞字元。等價于“ |
| \xn | 比對n，其中n為十六進制轉義值。十六進制轉義值必須為确定的兩個數字長。例如，“ |
| \num | 比對num，其中num是一個正整數。對所擷取的比對的引用。例如，“ |
| 辨別一個八進制轉義值或一個向後引用。如果\n之前至少n個擷取的子表達式，則n為向後引用。否則，如果n為八進制數字（0-7），則n為一個八進制轉義值。 | |
| \nm | 辨別一個八進制轉義值或一個向後引用。如果\nm之前至少有nm個獲得子表達式，則nm為向後引用。如果\nm之前至少有n個擷取，則n為一個後跟文字m的向後引用。如果前面的條件都不滿足，若n和m均為八進制數字（0-7），則\nm将比對八進制轉義值nm。 |
| \nml | 如果n為八進制數字（0-3），且m和l均為八進制數字（0-7），則比對八進制轉義值nml。 |
| \un | 比對n，其中n是一個用四個十六進制數字表示的Unicode字元。例如，\u00A9比對版權符号（?）。 |
以下是以PHP的文法所寫的示例
驗證字元串是否隻含數字與英文，字元串長度并在4~16個字元之間
<?php
$str = 'a1234';
if (preg_match("^[a-zA-Z0-9]{4,16}$", $str)) {
echo "驗證成功";
} else {
echo "驗證失敗";
}
?>
簡易的台灣身份證字号驗證
<?php
$str = 'a1234';
if (preg_match("/^\w[12]\d{8}$/", $str)) {
echo "驗證成功";
} else {
echo "驗證失敗";
}
?>
以下示例是用 Perl 語言寫的，與上面的示例功能相同
print $str = "a1234" =~ m:^[a-zA-Z0-9]{4,16}$: ? "COMFIRM" : "FAILED";
print $str = "a1234" =~ m"^\w[12]\d{8}$" ? "COMFIRM" : "INVAILD";
如何寫出高效率的正規表達式
如果純粹是為了挑戰自己的正則水準，用來實作一些特效（例如使用正規表達式計算質數、解線性方程），效率不是問題；如果所寫的正規表達式隻是為了滿足一兩次、幾十次的運作，優化與否差別也不太大。但是，如果所寫的正規表達式會百萬次、千萬次地運作，效率就是很大的問題了。我這裡總結了幾條提升正規表達式運作效率的經驗（工作中學到的，看書學來的，自己的體會），貼在這裡。如果您有其它的經驗而這裡沒有提及，歡迎賜教。
為行文友善，先定義兩個概念。
誤比對：指正規表達式所比對的内容範圍超出了所需要範圍，有些文本明明不符合要求，但是被所寫的正則式“擊中了”。例如，如果使用\d{11}來比對11位的手機号，\d{11}不單能比對正确的手機号，它還會比對98765432100這樣的明顯不是手機号的字元串。我們把這樣的比對稱之為誤比對。
漏比對：指正規表達式所比對的内容所規定的範圍太狹窄，有些文本确實是所需要的，但是所寫的正則沒有将這種情況囊括在内。例如，使用\d{18}來比對18位的身份證号碼，就會漏掉結尾是字母X的情況。
寫出一條正規表達式，既可能隻出現誤比對（條件寫得極寬松，其範圍大于目标文本），也可能隻出現漏比對（隻描述了目标文本中多種情況種的一種），還可能既有誤比對又有漏比對。例如，使用\w+\.com來比對.com結尾的域名，既會誤比對abc_.com這樣的字串（合法的域名中不含下劃線，\w包含了下劃線這種情況），又會漏掉ab-c.com這樣的域名（合法域名中可以含中劃線，但是\w不比對中劃線）。
精準的正規表達式意味着既無誤比對且無漏比對。當然，現實中存在這樣的情況：隻能看到有限數量的文本，根據這些文本寫規則，但是這些規則将會用到海量的文本中。這種情況下，盡可能地（如果不是完全地）消除誤比對以及漏比對，并提升運作效率，就是我們的目标。本文所提出的經驗，主要是針對這種情況。
掌握文法細節。正規表達式在各種語言中，其文法大緻相同，細節各有千秋。明确所使用語言的正則的文法的細節，是寫出正确、高效正規表達式的基礎。例如，perl中與\w等效的比對範圍是[a-zA-Z0-9_]；perl正則式不支援肯定逆序環視中使用可變的重複（variable repetition inside lookbehind，例如(?<=.*)abc），但是.Net文法是支援這一特性的；又如，JavaScript連逆序環視（Lookbehind,如(?<=ab)c）都不支援，而perl和python是支援的。《精通正規表達式》第3章《正規表達式的特性和流派概覽》明确地列出了各大派系正則的異同，這篇文章也簡要地列出了幾種常用語言、工具中正則的比較。對于具體使用者而言，至少應該詳細了解正在使用的那種工作語言裡正則的文法細節。
先粗後精，先加後減。使用正規表達式文法對于目标文本進行描述和界定，可以像畫素描一樣，先大緻勾勒出架構，再逐漸在局步實作細節。仍舉剛才的手機号的例子，先界定\d{11}，總不會錯；再細化為1[358]\d{9}，就向前邁了一大步（至于第二位是不是3、5、8，這裡無意深究，隻舉這樣一個例子，說明逐漸細化的過程）。這樣做的目的是先消除漏比對（剛開始先盡可能多地比對，做加法），然後再一點一點地消除誤比對（做減法）。這樣有先有後，在考慮時才不易出錯，進而向“不誤不漏”這個目标邁進。
留有餘地。所能看到的文本sample是有限的，而待比對檢驗的文本是海量的，暫時不可見的。對于這樣的情況，在寫正規表達式時要跳出所能見到的文本的圈子，開拓思路，作出“戰略性前瞻”。例如，經常收到這樣的垃圾短信：“發*票”、“發#漂”。如果要寫規則屏蔽這樣煩人的垃圾短信，不但要能寫出可以比對目前文本的正規表達式 發[*#](?:票|漂)，還要能夠想到 發.(?:票|漂|飄)之類可能出現的“變種”。這在具體的領域或許會有針對性的規則，不多言。這樣做的目的是消除漏比對，延長正規表達式的生命周期。
明确。具體說來，就是謹慎用點号這樣的元字元，盡可能不用星号和加号這樣的任意量詞。隻要能确定範圍的，例如\w，就不要用點号；隻要能夠預測重複次數的，就不要用任意量詞。例如，寫析取twitter消息的腳本，假設一條消息的xml正文部分結構是<span class=”msg”>…</span>且正文中無尖括号，那麼<span class=”msg”>[^<]{1,480}</span>這種寫法的思路要好于<span class=”msg”>.*</span>，原因有二：一是使用[^<]，它保證了文本的範圍不會超出下一個小于号所在的位置；二是明确長度範圍，{1,480}，其依據是一條twitter消息大緻能的字元長度範圍。當然，480這個長度是否正确還可推敲，但是這種思路是值得借鑒的。說得狠一點，“濫用點号、星号和加号是不環保、不負責任的做法”。
不要讓稻草壓死駱駝。每使用一個普通括号()而不是非捕獲型括号(?:…)，就會保留一部分記憶體等着你再次通路。這樣的正規表達式、無限次地運作次數，無異于一根根稻草的堆加，終于能将駱駝壓死。養成合理使用(?:…)括号的習慣。
甯簡勿繁。将一條複雜的正規表達式拆分為兩條或多條簡單的正規表達式，程式設計難度會降低，運作效率會提升。例如用來消除行首和行尾空白字元的正規表達式s/^\s+|\s+$//g;，其運作效率理論上要低于s/^\s+//g; s/\s+$//g; 。這個例子出自《精通正規表達式》第五章，書中對它的評論是“它幾乎總是最快的，而且顯然最容易了解”。既快又容易了解，何樂而不為？工作中我們還有其它的理由要将C==(A|B)這樣的正規表達式拆為A和B兩條表達式分别執行。例如，雖然A和B這兩種情況隻要有一種能夠擊中所需要的文本模式就會成功比對，但是如果隻要有一條子表達式（例如A）會産生誤比對，那麼不論其它的子表達式（例如B）效率如何之高，範圍如何精準，C的總體精準度也會因A而受到影響。
巧妙定位。有時候，我們需要比對的the，是作為單詞的the（兩邊有空格），而不是作為單詞一部分的t-h-e的有序排列（例如together中的the）。在适當的時候用上^，$，\b等等定位錨點，能有效提升找到成功比對、淘汰不成功比對的效率。
正規表達式： http://114.xixik.com/regex/
HTML轉義字元： http://114.xixik.com/character/