正則表達式進階應用:8 個必懂的核心概念
正則表達式(Regular Expression,簡稱 regex)功能強大,能在大量文字中精準找出需要的資訊。遺憾的是,基礎語法應付複雜結構往往力有未逮,這時候就需要一些進階技巧。以下整理八個常用概念,每個都配上可實際套用的範例。本文語法以 PHP(PCRE,與 Perl 相容)為例。

所有可重複多次的量詞預設都是貪婪的,會盡可能匹配最長的結果。加上 ? 就變成懶惰模式,只匹配到剛好符合為止;修飾符 U 則能把整條表達式的量詞都反轉。
// 貪婪:會一路吃到最後一個
preg_match('/<h1>.*<\/h1>/', $str, $matches);
// 懶惰:只匹配到第一個 就停
preg_match('/<h1>.*?<\/h1>/', $str, $matches);
{n,} 也有同樣的行為:
$str = 'hihihi oops hi';
preg_match('/(hi){2,}/', $str, $m); // $m[0] = 'hihihi'
preg_match('/(hi){2,}?/', $str, $m); // $m[0] = 'hihi'

反向引用是在表達式內部指向先前已捕獲的群組。\1 到 \9 依序對應各個括號群組。這個技巧在「開頭結尾必須成對」的場景特別有用:
$str = "\"This is a 'string'\"";
// 有問題:遇到單引號就提早結束
preg_match("/(\"|').*?(\"|')/", $str, $matches);
echo $matches[0]; // "This is a'
// 正確:閉合符號必須與開頭相同
preg_match('/("|').*?\1/', $str, $matches);
echo $matches[0]; // "This is a 'string'"
preg_replace 裡也能用,只是寫成 $1、$2:
$text = preg_replace('/<p>(.*?)<\/p>/', '<p>$1</p>', $html);
群組一多,\1…\9 就容易混淆。具名群組用 (?P<name>pattern) 定義,用 (?P=name) 引用,可讀性立刻提升:
/(?P<quote>"|').*?(?P=quote)/
preg_match('/(?P<quote>"|\')/', "'String'", $matches);
echo $matches[1]; // '
echo $matches['quote']; // ' —— 也能用群組名取值

字詞邊界 \b 是介於「字詞字元」(字母、數字、底線)與「非字詞字元」之間的位置,本身長度為零、不匹配任何實際字元。
想匹配單字 import,直接寫 /import/ 會誤中 important;加空格又會漏掉句首尾與標點後的情況:
/(^import | import | import$)/i /(^import(:|;|,)? | import(:|;|,)? | import(\.|\?|!)?$)/i // 越寫越複雜
用字詞邊界一行解決:
/\bimport\b/
相對的 \B 匹配「兩個字詞字元」或「兩個非字詞字元」之間的位置,用來找單字內部的片段很方便:
\Bhi\B // "this"、"hight" 會命中;"hi there" 不會

原子群組 (?>pattern) 是不可回溯的分組,一旦匹配成功就不再嘗試組內的其他回溯位置,主要用來提升效能。
/\b(engineer|engrave|end)\b/ // 匹配 "engineering" 時會白白嘗試三次 /\b(?>engineer|engrave|end)\b/ // engineer 失敗後直接放棄,省下無效嘗試
邏輯很直白:既然 engineer 都已經抵達字詞邊界卻失敗,比它更短的 engrave、end 更不可能成功。

遞歸用來處理嵌套結構,例如括號或 HTML 標籤,以 (?R) 代表再次套用整個子模式。
// 匹配任意層數的括號嵌套 /\(((?>[^()]+)|(?R))*\)/ // 匹配成对且可嵌套的 HTML 標籤 /< ([\w]+).*?>((?>[^<>]+)|((?R)))*<\/\1>/
第二個例子同時用到了群組捕獲標籤名、反向引用 \1 對應閉合標籤,以及遞歸處理任意層數的內嵌。

當替換規則無法用單純的字串表示時,就用 preg_replace_callback。例如把每個單字的開頭字母轉大寫:
function upper_case($matches) {
return strtoupper($matches[0]);
}
preg_replace_callback('/\b\w/', 'upper_case', $str);

正則越寫越複雜,日後要讀懂會越來越吃力。用 (?#註解) 可以在表達式內部寫說明:
/(?#數字)\d/
更實用的是 x 修飾符,它會讓引擎忽略表達式中的空白與換行,於是可以把長表達式拆行並逐行註解(真正要匹配的空白則寫成 [ ] 或 \s):
/ \d # 數字 [ ] # 空白 \w+ # 單字 /x
等價於 /\d(?#digit)[ ](?#space)\w+(?#word)/,但可讀性差異是天與地。如果這段正則會給別人維護,請務必加註解。
原作者 Karthik Viswanathan 是一位熱愛程式設計與網站開發的高中生,作品可見其部落格 Lateral Code。