經常使用正則表達式大全,如何寫出高效率的正則表達式?

經常使用正則表達式

正則表達式用於字符串處理、表單驗證等場合，實用高效。現將一些經常使用的表達式收集於此，以備不時之需。

用戶名：/^[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 地址：/^(?:(?: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+\/>)$/

Unicode編碼中的漢字範圍：/^[u4e00-u9fa5],{0,}$/

匹配中文字符的正則表達式： [\u4e00-\u9fa5]
評註：匹配中文還真是個頭疼的事，有了這個表達式就好辦了

匹配雙字節字符(包括漢字在內)：[^\x00-\xff]
評註：能夠用來計算字符串的長度（一個雙字節字符長度計2，ASCII字符計1）

匹配空白行的正則表達式：\n\s*\r
評註：能夠用來刪除空白行

匹配HTML標記的正則表達式：<(\S*?)[^>]*>.*?</\1>|<.*? />
評註：網上流傳的版本太糟糕，上面這個也僅僅能匹配部分，對於複雜的嵌套標記依舊無能爲力

匹配首尾空白字符的正則表達式：^\s*|\s*$
評註：能夠用來刪除行首行尾的空白字符(包括空格、製表符、換頁符等等)，很是有用的表達式

匹配Email地址的正則表達式：\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
評註：表單驗證時很實用

匹配網址URL的正則表達式：[a-zA-z]+://[^\s]*
評註：網上流傳的版本功能頗有限，上面這個基本能夠知足需求

匹配賬號是否合法(字母開頭，容許5-16字節，容許字母數字下劃線)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
評註：表單驗證時很實用

匹配國內電話號碼：\d{3}-\d{8}|\d{4}-\d{7}
評註：匹配形式如 0511-4405222 或 021-87888822

匹配騰訊QQ號：[1-9][0-9]{4,}
評註：騰訊QQ號從10000開始

匹配中國大陸郵政編碼：[1-9]\d{5}(?!\d)
評註：中國大陸郵政編碼爲6位數字

匹配身份證：\d{15}|\d{18}
評註：中國大陸的身份證爲15位或18位

匹配ip地址：\d+\.\d+\.\d+\.\d+
評註：提取ip地址時有用

匹配特定數字：
^[1-9]\d*$　 　 //匹配正整數
^-[1-9]\d*$ 　 //匹配負整數
^-?[1-9]\d*$　　 //匹配整數
^[1-9]\d*|0$　 //匹配非負整數（正整數 + 0）
^-[1-9]\d*|0$　　 //匹配非正整數（負整數 + 0）
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$　　 //匹配正浮點數
^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$　 //匹配負浮點數
^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$　 //匹配浮點數
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$　　 //匹配非負浮點數（正浮點數 + 0）
^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$　　//匹配非正浮點數（負浮點數 + 0）
評註：處理大量數據時有用，具體應用時注意修正

匹配特定字符串：
^[A-Za-z]+$　　//匹配由26個英文字母組成的字符串
^[A-Z]+$　　//匹配由26個英文字母的大寫組成的字符串
^[a-z]+$　　//匹配由26個英文字母的小寫組成的字符串
^[A-Za-z0-9]+$　　//匹配由數字和26個英文字母組成的字符串
^\w+$　　//匹配由數字、26個英文字母或者下劃線組成的字符串

表達式全集

正則表達式有多種不一樣的風格。下表是在PCRE中元字符及其在正則表達式上下文中的行爲的一個完整列表：

字符	描述
\	將下一個字符標記爲一個特殊字符、或一個原義字符、或一個向後引用、或一個八進制轉義符。例如，「n」匹配字符「n」。「\n」匹配一個換行符。序列「\\」匹配「\」而「\(」則匹配「(」。
^	匹配輸入字符串的開始位置。若是設置了RegExp對象的Multiline屬性，^也匹配「\n」或「\r」以後的位置。
$	匹配輸入字符串的結束位置。若是設置了RegExp對象的Multiline屬性，$也匹配「\n」或「\r」以前的位置。
*	匹配前面的子表達式零次或屢次。例如，zo*能匹配「z」以及「zoo」。*等價於{0,}。
+	匹配前面的子表達式一次或屢次。例如，「zo+」能匹配「zo」以及「zoo」，但不能匹配「z」。+等價於{1,}。
?	匹配前面的子表達式零次或一次。例如，「do(es)?」能夠匹配「do」或「does」中的「do」。?等價於{0,1}。
{n}	n是一個非負整數。匹配肯定的n次。例如，「o{2}」不能匹配「Bob」中的「o」，可是能匹配「food」中的兩個o。
{n,}	n是一個非負整數。至少匹配n次。例如，「o{2,}」不能匹配「Bob」中的「o」，但能匹配「foooood」中的全部o。「o{1,}」等價於「o+」。「o{0,}」則等價於「o*」。
{n,m}	m和n均爲非負整數，其中n<=m。最少匹配n次且最多匹配m次。例如，「o{1,3}」將匹配「fooooood」中的前三個o。「o{0,1}」等價於「o?」。請注意在逗號和兩個數之間不能有空格。
?	當該字符緊跟在任何一個其餘限制符（*,+,?，{n}，{n,}，{n,m}）後面時，匹配模式是非貪婪的。非貪婪模式儘量少的匹配所搜索的字符串，而默認的貪婪模式則儘量多的匹配所搜索的字符串。例如，對於字符串「oooo」，「o+?」將匹配單個「o」，而「o+」將匹配全部「o」。
.	匹配除「\n」以外的任何單個字符。要匹配包括「\n」在內的任何字符，請使用像「[.\n]」的模式。
(pattern)	匹配pattern並獲取這一匹配。所獲取的匹配能夠從產生的Matches集合獲得，在VBScript中使用SubMatches集合，在JScript中則使用$0…$9屬性。要匹配圓括號字符，請使用「\(」或「\)」。
(?:pattern)	匹配pattern但不獲取匹配結果，也就是說這是一個非獲取匹配，不進行存儲供之後使用。這在使用或字符「(|)」來組合一個模式的各個部分是頗有用。例如「industr(?:y|ies)」就是一個比「industry|industries」更簡略的表達式。
(?=pattern)	正向預查，在任何匹配pattern的字符串開始處匹配查找字符串。這是一個非獲取匹配，也就是說，該匹配不須要獲取供之後使用。例如，「Windows(?=95|98|NT|2000)」能匹配「Windows2000」中的「Windows」，但不能匹配「Windows3.1」中的「Windows」。預查不消耗字符，也就是說，在一個匹配發生後，在最後一次匹配以後當即開始下一次匹配的搜索，而不是從包含預查的字符以後開始。
(?!pattern)	負向預查，在任何不匹配pattern的字符串開始處匹配查找字符串。這是一個非獲取匹配，也就是說，該匹配不須要獲取供之後使用。例如「Windows(?!95|98|NT|2000)」能匹配「Windows3.1」中的「Windows」，但不能匹配「Windows2000」中的「Windows」。預查不消耗字符，也就是說，在一個匹配發生後，在最後一次匹配以後當即開始下一次匹配的搜索，而不是從包含預查的字符以後開始
x|y	匹配x或y。例如，「z|food」能匹配「z」或「food」。「(z|f)ood」則匹配「zood」或「food」。
[xyz]	字符集合。匹配所包含的任意一個字符。例如，「[abc]」能夠匹配「plain」中的「a」。
[^xyz]	負值字符集合。匹配未包含的任意字符。例如，「[^abc]」能夠匹配「plain」中的「p」。
[a-z]	字符範圍。匹配指定範圍內的任意字符。例如，「[a-z]」能夠匹配「a」到「z」範圍內的任意小寫字母字符。
[^a-z]	負值字符範圍。匹配任何不在指定範圍內的任意字符。例如，「[^a-z]」能夠匹配任何不在「a」到「z」範圍內的任意字符。
\b	匹配一個單詞邊界，也就是指單詞和空格間的位置。例如，「er\b」能夠匹配「never」中的「er」，但不能匹配「verb」中的「er」。
\B	匹配非單詞邊界。「er\B」能匹配「verb」中的「er」，但不能匹配「never」中的「er」。
\cx	匹配由x指明的控制字符。例如，\cM匹配一個Control-M或回車符。x的值必須爲A-Z或a-z之一。不然，將c視爲一個原義的「c」字符。
\d	匹配一個數字字符。等價於[0-9]。
\D	匹配一個非數字字符。等價於[^0-9]。
\f	匹配一個換頁符。等價於\x0c和\cL。
\n	匹配一個換行符。等價於\x0a和\cJ。
\r	匹配一個回車符。等價於\x0d和\cM。
\s	匹配任何空白字符，包括空格、製表符、換頁符等等。等價於[\f\n\r\t\v]。
\S	匹配任何非空白字符。等價於[^\f\n\r\t\v]。
\t	匹配一個製表符。等價於\x09和\cI。
\v	匹配一個垂直製表符。等價於\x0b和\cK。
\w	匹配包括下劃線的任何單詞字符。等價於「[A-Za-z0-9_]」。
\W	匹配任何非單詞字符。等價於「[^A-Za-z0-9_]」。
\xnn	匹配n，其中n爲十六進制轉義值。十六進制轉義值必須爲肯定的兩個數字長。例如，「\x41」匹配「A」。「\x041」則等價於「\x04&1」。正則表達式中可使用ASCII編碼。.
\num	匹配num，其中num是一個正整數。對所獲取的匹配的引用。例如，「(.)\1」匹配兩個連續的相同字符。
\n	標識一個八進制轉義值或一個向後引用。若是\n以前至少n個獲取的子表達式，則n爲向後引用。不然，若是n爲八進制數字（0-7），則n爲一個八進制轉義值。
\nm	標識一個八進制轉義值或一個向後引用。若是\nm以前至少有nm個得到子表達式，則nm爲向後引用。若是\nm以前至少有n個獲取，則n爲一個後跟文字m的向後引用。若是前面的條件都不知足，若n和m均爲八進制數字（0-7），則\nm將匹配八進制轉義值nm。
\nml	若是n爲八進制數字（0-3），且m和l均爲八進制數字（0-7），則匹配八進制轉義值nml。
\unnnn	匹配n，其中n是一個用四個十六進制數字表示的Unicode字符。例如，\u00A9匹配版權符號（?）。

如何寫出高效率的正則表達式

若是純粹是爲了挑戰本身的正則水平，用來實現一些特效（例如使用正則表達式計算質數、解線性方程），效率不是問題；若是所寫的正則表達式只是爲了滿 足一兩次、幾十次的運行，優化與否區別也不太大。可是，若是所寫的正則表達式會百萬次、千萬次地運行，效率就是很大的問題了。我這裏總結了幾條提高正則表 達式運行效率的經驗（工做中學到的，看書學來的，本身的體會），貼在這裏。若是您有其它的經驗而這裏沒有說起，歡迎賜教。

爲行文方便，先定義兩個概念。

誤匹配：指正則表達式所匹配的內容範圍超出了所須要範圍，有些文本明明不符合要求，可是被所寫的正則式「擊中了」。例如，若是使用\d{11}來匹配11位的手機號，\d{11}不單能匹配正確的手機號，它還會匹配98765432100這樣的明顯不是手機號的字符串。咱們把這樣的匹配稱之爲誤匹配。

漏匹配：指正則表達式所匹配的內容所規定的範圍太狹窄，有些文本確實是所須要的，可是所寫的正則沒有將這種狀況囊括在內。例如，使用\d{18}來匹配18位的身份證號碼，就會漏掉結尾是字母X的狀況。

寫出一條正則表達式，既可能只出現誤匹配（條件寫得極寬鬆，其範圍大於目標文本），也可能只出現漏匹配（只描述了目標文本中多種狀況種的一種），還可能既有誤匹配又有漏匹配。例如，使用\w+\.com來匹配.com結尾的域名，既會誤匹配abc_.com這樣的字串（合法的域名中不含下劃線，\w包含了下劃線這種狀況），又會漏掉ab-c.com這樣的域名（合法域名中能夠含中劃線，可是\w不匹配中劃線）。

精準的正則表達式意味着既無誤匹配且無漏匹配。固然，現實中存在這樣的狀況：只能看到有限數量的文本，根據這些文本寫規則，可是這些規則將會用到海 量的文本中。這種狀況下，儘量地（若是不是徹底地）消除誤匹配以及漏匹配，並提高運行效率，就是咱們的目標。本文所提出的經驗，主要是針對這種狀況。

掌握語法細節。正則表達式在各類語言中，其語法大體相同，細節各有千秋。明確所使用語言的正則的語法的細節，是寫出正確、高效正則表達式的基礎。例如，perl中與\w等效的匹配範圍是[a-zA-Z0-9_]；perl正則式不支持確定逆序環視中使用可變的重複（variable repetition inside lookbehind，例如(?<=.*)abc），可是.Net語法是支持這一特性的；又如，JavaScript連逆序環視（Lookbehind,如(?<=ab)c） 都不支持，而perl和python是支持的。《精通正則表達式》第3章《正則表達式的特性和流派概覽》明確地列出了各大派系正則的異同，這篇文章也簡要 地列出了幾種經常使用語言、工具中正則的比較。對於具體使用者而言，至少應該詳細瞭解正在使用的那種工做語言里正則的語法細節。

先粗後精，先加後減。使用正則表達式語法對於目標文本進行描述和界定，能夠像畫素描同樣，先大體勾勒出框架，再逐步在局步實現細節。仍舉剛纔的手機號的例子，先界定\d{11}，總不會錯；再細化爲1[358]\d{9}， 就向前邁了一大步（至於第二位是否是三、五、8，這裏無心深究，只舉這樣一個例子，說明逐步細化的過程）。這樣作的目的是先消除漏匹配（剛開始先儘量多 地匹配，作加法），而後再一點一點地消除誤匹配（作減法）。這樣有先有後，在考慮時纔不易出錯，從而向「不誤不漏」這個目標邁進。

留有餘地。所能看到的文本sample是有限的，而待匹配檢驗的文本是海量的，暫時不可見的。對於這樣的狀況，在寫正則表達 式時要跳出所能見到的文本的圈子，開拓思路，做出「戰略性前瞻」。例如，常常收到這樣的垃圾短信：「發*票」、「發#漂」。若是要寫規則屏蔽這樣煩人的垃 圾短信，不但要能寫出能夠匹配當前文本的正則表達式 發[*#](?:票|漂)，還要可以想到 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，很少言。這樣作的目的是消除漏匹配，延長正則表達式的生命週期。

明確。具體說來，就是謹慎用點號這樣的元字符，儘量不用星號和加號這樣的任意量詞。只要能確 定範圍的，例如\w，就不要用點號；只要可以預測重複次數的，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>且正文中無尖括號，那麼<span class=」msg」>[^<]{1,480}</span>這種寫法的思路要好於<span class=」msg」>.*</span>，緣由有二：一是使用[^<]，它保證了文本的範圍不會超出下一個小於號所在的位置；二是明確長度範圍，{1,480}，其依據是一條twitter消息大體能的字符長度範圍。固然，480這個長度是否正確還可推敲，可是這種思路是值得借鑑的。說得狠一點，「濫用點號、星號和加號是不環保、不負責任的作法」。

不要讓稻草壓死駱駝。每使用一個普通括號()而不是非捕獲型括號(?:…)，就會保留一部份內存等着你再次訪問。這樣的正則表達式、無限次地運行次數，無異於一根根稻草的堆加，終於能將駱駝壓死。養成合理使用(?:…)括號的習慣。

寧簡勿繁。將一條複雜的正則表達式拆分爲兩條或多條簡單的正則表達式，編程難度會下降，運行效率會提高。例如用來消除行首和行尾空白字符的正則表達式s/^\s+|\s+$//g;，其運行效率理論上要低於s/^\s+//g; s/\s+$//g; 。這個例子出自《精通正則表達式》第五章，書中對它的評論是「它幾乎老是最快的，並且顯然最容易理解」。既快又容易理解，何樂而不爲？工做中咱們還有其它的理由要將C==(A|B)這 樣的正則表達式拆爲A和B兩條表達式分別執行。例如，雖然A和B這兩種狀況只要有一種可以擊中所須要的文本模式就會成功匹配，可是若是隻要有一條子表達式 （例如A）會產生誤匹配，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的整體精準度也會因A而受到影響。

巧妙定位。有時候，咱們須要匹配的the，是做爲單詞的the（兩邊有空格），而不是做爲單詞一部分的t-h-e的有序排列（例如together中的the）。在適當的時候用上^，$，\b等等定位錨點，能有效提高找到成功匹配、淘汰不成功匹配的效率。