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 $,以匹配整個待驗證的字串;用於搜尋或替換時,是否加這組限定則依需求而定,有些情況改用 \b word boundary 會更合適。下表所列的常用式,除少數例外均未加任何前後限定,請依需要自行處理。
| 用途 | 正則表達式 |
|---|---|
| 網址(URL) | [a-zA-z]+://[^\s]* |
| IP 位址 | ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?) |
| 電子郵件 | \w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)* |
| QQ 號碼 | [1-9]\d{4,} |
| HTML 標記(含內容或自閉合) | <(.*)(.*)>.*<\/\1>|<(.*) \/> |
| 高強度密碼(數字/大寫/小寫/符號四者皆有,8 位以上) | (?=^.{8,}$)(?=.*\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+)? |
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。
| 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。 |
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。
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。
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。
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。
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。
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。
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。
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。
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。