DIV CSS 佈局教程網

常用正則表達式整理與寫出高效 Regex 的實務建議
編輯:JavaScript綜合知識     

正則表達式的兩大用途

正則表達式(Regular Expression)在電腦科學中,是指一個用來描述或匹配某組符合特定語法規則的字串的單一字串。實務上它主要用於兩件事:驗證與搜尋/替換。

用於驗證時,通常要在前後分別加上 ^ 與 $,以匹配整個待驗證的字串;用於搜尋或替換時,是否加這組限定則依需求而定,有些情況改用 \b word boundary 會更合適。下表所列的常用式,除少數例外均未加任何前後限定,請依需要自行處理。

常用驗證用正則

用途正則表達式
網址(URL)[a-zA-z]+://[^\s]*
IP 位址((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)
電子郵件\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
QQ 號碼[1-9]\d{4,}
HTML 標記(含內容或自閉合)<(.*)(.*)>.*<\/\1>|<(.*) \/>
高強度密碼(數字/大寫/小寫/符號四者皆有,8 位以上)(?=^.{8,}$)(?=.*\d)(?=.*\W+)(?=.*[A-Z])(?=.*[a-z])(?!.*\n).*$
日期(年-月-日)(\d{4}|\d{2})-((0?([1-9]))|(1[1|2]))-((0?[1-9])|([12]([1-9]))|(3[0|1]))
日期(月/日/年)((0?[1-9]{1})|(1[1|2]))\/(0?[1-9]|([12][1-9])|(3[0|1]))\/(\d{4}|\d{2})
時間(時:分,24 小時制)((1|0?)[0-9]|2[0-3]):([0-5][0-9])
漢字[\u4e00-\u9fa5]
中文及全形標點符號[\u3000-\u301e\ufe10-\ufe19\ufe30-\ufe44\ufe50-\ufe6b\uff01-\uffee]
中國大陸固定電話(\d{4}-|\d{3}-)?(\d{8}|\d{7})
中國大陸手機號碼1\d{10}
中國大陸郵遞區號[1-9]\d{5}
身份證號(15 或 18 位)\d{15}(\d\d[0-9xX])?
非負整數\d+
正整數[0-9]*[1-9][0-9]*
負整數-[0-9]*[1-9][0-9]*
整數-?\d+
小數(-?\d+)(\.\d+)?

另一組常見寫法(含前後限定)

用戶名:      /^[a-z0-9_-]{3,16}$/
密碼:        /^[a-z0-9_-]{6,18}$/
十六進位值:  /^#?([a-f0-9]{6}|[a-f0-9]{3})$/
電子郵件:    /^([a-z0-9_\.-]+)@([\da-z\.-]+)\.([a-z\.]{2,6})$/
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 標籤:   /^<([a-z]+)([^<]+)*(?:>(.*)<\/\1>|\s+\/>)$/
帳號(字母開頭,5-16 字節): /^[a-zA-Z][a-zA-Z0-9_]{4,15}$/
台灣身份證:  /^[A-Z][12]\d{8}$/
匹配空白行:  \n\s*\r
匹配首尾空白:^\s*|\s*$
匹配雙字節字元:[^\x00-\xff]

其中「匹配雙字節字元」可以用來計算字串長度:一個雙字節字元算 2、ASCII 字元算 1。「匹配首尾空白」則常用來刪除行首行尾的空格、定位字元與換頁符,非常實用。

元字元速查

字元說明
\把下一個字元標記為特殊字元、原義字元、向後引用或八進位轉義。例如 \n 匹配換行符,\\ 匹配反斜線本身,\( 匹配左括號。
^匹配輸入字串的起始位置。若啟用 Multiline 屬性,也匹配 \n 或 \r 之後的位置。
$匹配輸入字串的結束位置。Multiline 時也匹配 \n 或 \r 之前的位置。
*前面的子式零次或多次,等價於 {0,}。如 zo* 能匹配 "z" 與 "zoo"。
+前面的子式一次或多次,等價於 {1,}。如 zo+ 能匹配 "zo" 與 "zoo",但不能匹配 "z"。
?前面的子式零次或一次,等價於 {0,1}。如 do(es)? 可匹配 "do" 或 "does"。
{n}恰好匹配 n 次。如 o{2} 不能匹配 "Bob" 中的 o,但能匹配 "food" 中的兩個 o。
{n,}至少匹配 n 次。如 o{2,} 能匹配 "foooood" 中的所有 o。o{1,} 等價於 o+。
{n,m}至少 n 次、最多 m 次(n ≤ m)。如 o{1,3} 匹配 "fooooood" 中的前三個 o。逗號兩側不可有空格。
?(跟在量詞後)使該量詞變成非貪婪模式,盡可能少匹配。對 "oooo" 而言,o+? 只匹配一個 o,而 o+ 匹配全部。
.匹配除 \n 之外的任一單一字元。要包含 \n 請用 [\s\S]。
(pattern)匹配 pattern 並擷取結果,可透過 $1…$9 取用。要匹配括號字元請用 \( 或 \)。
(?:pattern)匹配但不擷取,這是非捕獲型分組。用於組合時較省資源,如 industr(?:y|ies) 比 industry|industries 簡潔。
(?=pattern)正向預查(lookahead)。如 Windows(?=95|98|NT|2000) 能匹配 "Windows2000" 中的 Windows,但不能匹配 "Windows3.1"。預查不消耗字元。
(?!pattern)負向預查。如 Windows(?!95|98|NT|2000) 能匹配 "Windows3.1" 但不能匹配 "Windows2000"。
x|y匹配 x 或 y。如 z|food 匹配 "z" 或 "food";(z|f)ood 匹配 "zood" 或 "food"。
[xyz]字元集合,匹配其中任一字元。如 [abc] 可匹配 "plain" 中的 a。
[^xyz]負值集合,匹配未列出的字元。如 [^abc] 可匹配 "plain" 中的 p。
[a-z]字元範圍,匹配指定範圍內任一字元。
[^a-z]負值範圍,匹配不在指定範圍內的任一字元。
\b匹配單字邊界,即單字與空白之間的位置。如 \erb 可匹配 "never" 中的 er,但不能匹配 "verb" 中的。
\B匹配非單字邊界。\BerB 能匹配 "verb" 中的 er,但不能匹配 "never"。
\d / \D數字/非數字字元,等價於 [0-9] 與 [^0-9]。
\s / \S空白字元(含空格、定位、換頁)/非空白字元。
\w / \W單字第元(含下劃線,等價 [A-Za-z0-9_])/非單字第元。
\n \r \f \t \v分別為換行、回車、換頁、定位、垂直定位字元。
\xn匹配 n(十六進位轉義值,必須為確定的兩位數字)。如 \x41 匹配 "A"。
\num向後引用第 num 個擷取結果。如 (.)\1 匹配兩個連續相同的字元。
\un匹配以四位十六進位表示的 Unicode 字元。如 \u00A9 匹配著作權符號。

程式語言中的實例

PHP 驗證字串是否只含數字與英文字母、長度在 4 到 16 字元之間:

$str = 'a1234';
if (preg_match("^[a-zA-Z0-9]{4,16}$", $str)) {
    echo "驗證成功";
} else {
    echo "驗證失敗";
}

簡易的台灣身份證字號驗證:

$str = 'A123456789';
if (preg_match("/^[A-Z][12]\d{8}$/", $str)) {
    echo "驗證成功";
} else {
    echo "驗證失敗";
}

Perl 版本的寫法:

print $str = "a1234" =~ m:^[a-zA-Z0-9]{4,16}$: ? "COMFIRM" : "FAILED";
print $str = "a1234" =~ m"^[A-Z][12]\d{8}$"    ? "COMFIRM" : "INVAILD";

如何寫出高效率的正則表達式

如果純粹是為了挑戰自己的正則功力,用來實現一些特效(例如用正則計算質數、解線性方程式),效率不是問題;如果寫的正則只跑幾十次,優化的差別也不大。但如果它會被執行百萬次、千萬次,效率就是關鍵了。

先定義兩個概念。誤匹配是指匹配範圍超出了所需,有些明明不符合的文字卻被「擊中」了。例如用 \d{11} 匹配 11 位手機號,它不只會匹配正確的手機號,也會匹配 98765432100 這種明顯不是號碼的字串。漏匹配則相反,是描述範圍太窄,有些確實符合的情況沒被涵蓋。例如用 \d{18} 匹配 18 位身份證,就會漏掉結尾是字母 X 的情形。

精準的正則意味著既無誤匹配也無漏匹配。以下幾條經驗可以降低兩者並提升效能。

1. 掌握語法細節

正則在各種語言中語法大致相同,細節各有千秋。明確了解所用語言的規則是基礎。例如 Perl 中與 \w 等效的範圍是 [a-zA-Z0-9_];Perl 不支援在後行環視中使用可變重複(如 (?<=.*)abc),但 .NET 支援;JavaScript 連普通的後行環視都不支援,而 Perl 與 Python 支援。至少應該詳細了解你正在使用的那種語言裡正則的具體行為。

2. 先粗後精,先加後減

可以像畫素描一樣,先大致勾勒框架,再逐步補上細節。仍以上面的手機號為例,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。這樣做的目的是先盡可能多地匹配(做加法,消除漏匹配),然後一點一點收緊條件(做減法,消除誤匹配)。有先有後,思考時才不易出錯。

3. 留有余地

你能看到的樣本文字是有限的,而待匹配的文字是海量的。寫規則時要跳出所見的圈子,作出「戰略性前瞻」。例如常收到「發*票」、「發#漂」這類垃圾訊息,如果只寫 發[*#](?:票|漂),很快又會出現「發.飄」這種變種。寫成 發.(?:票|漂|飄) 能延長正則的生命週期。

4. 明確,慎用點號與任意量詞

只要能確定範圍的(例如 \w),就不要用點號;只要能預測重複次數的,就不要用星號或加號。假設要擷取一則訊息的 XML 正文,且正文中無角括號,那麼 [^<]{1,480} 的思路會好過 .*,原因有二:一是 [^<] 保證範圍不會超出下一個小於號的位置;二是明確限定長度,避免貪婪匹配把後面的內容也吃進來。說得直白些,濫用點號、星號和加號是不負責任的做法。

5. 不要讓稻草壓死駱駝

每使用一個普通括號 () 而非非捕獲型括號 (?:...),就會保留一部分記憶體等著你再次訪問。這樣的正則若被執行無限次,無異於一根根稻草堆加。養成合理使用 (?:...) 的習慣。

6. 寧簡勿繁

把一條複雜的正則拆成兩條或多條簡單的,編程難度會降低,執行效率也會提升。例如消除行首行尾空白的 s/^\s+|\s+$//g;,其效率理論上要低於拆成兩步:

s/^\s+//g;
s/\s+$//g;

書中對它的評論是「它幾乎總是最快的,而且顯然最容易理解」。既快又容易理解,何樂而不為。實務上還有另一個理由要拆分:若 C == (A|B) 而其中 A 會產生誤匹配,那麼不論 B 多麼精準高效,C 的整體精準度都會被 A 拖累。拆開分別執行,就能各自處理。

7. 巧妙定位

有時候我們要匹配的 the 是作為獨立單字的 the(兩側有空白),而不是作為單字一部分的 t-h-e 排列(例如 together 裡的 the)。在適當的時候用上 ^、$、\b 這些定位錨點,能有效提升找到成功匹配、淘汰不成功匹配的效率——因為錨點讓引擎可以提早放棄不可能的路徑。

最後提醒:正則不是萬靈丹

有幾類任務不該硬用正則。解析 HTML 或 JSON 是最典型的例子——這些格式支援任意層次的巢狀結構,而正則本質上是有限狀態的自動機,無法處理無限深度。請用專門的 parser。驗證電子郵件 也是:RFC 定義的合法格式極其複雜,網路上流傳的那些「完整 email 正則」往往長達數百字元且仍有漏洞,實務上寄一封信確認存在與可收信,遠比正則可靠。

此外,上表中的多數表達式都經過反覆測試,但因為不同語言與工具的正則「流派」略有差異,實際使用前請依你的環境做簡單調整與測試。特別是/\d、\w 在非 ASCII 環境下的行為,各語言的預設值並不一致。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved