强⼤的Perl正则表达式实例详解
⼀、介绍
正则表达式各语⾔都有⾃⼰的规范，但是基本都差不多，都是由元字符的组合来进⾏匹配；由于Nmap内嵌的服务与版本探测是使⽤的Perl正则规范，因此此篇博客记录⼀下Perl正则的相关内容，⽅便后期查阅。
⼆、Perl正则例⼦
下⾯的例⼦可能有不⾜之处，有些来源于博客，没有验证；
1. 匹配IP地址：\d+\.\d+\.\d+\.\d+
\d：匹配⼀个数字字符,\d+：匹配⼀次或多次数字字符。
\.：使⽤转义字符匹配'.'。
2. 匹配邮箱类似于123456@qq：/^[a-zA-Z0-9_\-.]+@[a-zA-Z0-9_\-]+.[a-zA-Z]+$/
        ^: 匹配开头
        $: 匹配结尾，这两个保证了这是连续的⼀串字符。
3. 匹配数字：m/^[0-9]+$/
      　由^开头由$结尾保证了只含有数字，如果只有结尾$，那么abc12这种也是可以的。
      　可⽤在输⼊校验，校验输⼊的是否是数字。
4. ⽤户输⼊温度（华⽒温度，摄⽒温度），编程进⾏转换
    m/^([-+]?[0-9]+)([CF])$/ ：匹配正负整数温度。
        [CF]: 匹配中括号其中的⼀个
        ?：匹配前⾯的⼦表达式0次或1次
        +：匹配前⾯的⼦表达式⼀次或多次
        perl通过临时变量$1,$2保存⼦表达式匹配的⽂本。$1保存的是数字，$2保存的是符号。
    m/^([-+]?[0-9]+(?:\.[0-9]*)?)\s*([CF])$/i) ：添加⽀持⼩数的温度匹配
perl语言学习
        临时变量保存的顺序与分组的开括号 ( 在表达式中的顺序有关(从左到右）；因此这个地⽅使⽤?:，代表该括号匹配的值不被临时变量保存。
        /i: 代表忽略⼤⼩写匹配，cf也匹配。
5. 匹配空⽩⾏
  ^$  : 开头之后马上结束：空⽩⾏，不包括任何字符
  \n\s*\r：
    \n匹配⼀个换⾏符，等价于 0a
    \s匹配任何空⽩字符，包括空格制表换页
    \r匹配⼀个回车符，等价于 0d
6. 匹配⾸尾空⽩字符：^\s*|\s*$
7. 匹配版本号1.3.0等
  [\d.]+
8. 匹配某个字符以外的所有字符：
  [^a]*表⽰匹配除a以外的所有字符，*代表0次或多次。
  [^abc]* 表⽰匹配除a、b、c以外的所有字符。
  ((?!win).)*表⽰匹配除单词win的其它所有字符
  Windows (?!95|98|NT|2000)' 能匹配 "Windows 3.1" 中的 "Windows"，但不能匹配
          "Windows 2000" 中的 "Windows"。
9. 匹配数字：
  ^\d+(\.\d+)?
    ^: 定义以什么开始；
    \d+: 表⽰匹配数字；
    ?: 表⽰内容可选；
匹配下⾯的内容：
  1）： {"service":"nutcracker", "source":"ubuntu", "version":"0.3.0",
  m|^\{"service":"nutcracker", "source":"([^"]+)", "version":"([\d.]+)",|
  2）：220 yzwb ESMTP MDaemon 10.1.2;
    m|^220[ -]([-.\w]+) ESMTP MDaemon (\d[-.\w]+);
  3）：AMQP 01 01 00\n
    m|^AMQP 01 01 00 0a$|：注意回车键\n对应16进制 0a,\r对应 0d.
  Nmap nmap-services-probe⽂件给出的匹配
三、正则元字符
元字符是正则表达式组成的基本元素。
字符描述
\将下⼀个字符标记为⼀个特殊字符、或⼀个原义字符、或⼀个后向引⽤、或⼀个⼋进制转义符。例如，'n' 匹配字符 "n"。'\n' 匹配⼀个换⾏符。序列 '\\' 匹配 "\" ⽽ "\(" 则匹配 "("。
^匹配输⼊字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性，^ 也匹配 '\n' 或 '\r' 之后的位置。
$匹配输⼊字符串的结束位置。如果设置了RegExp 对象的 Multiline 属性，$ 也匹配 '\n' 或 '\r' 之前的位置。
*匹配前⾯的⼦表达式零次或多次。例如，zo* 能匹配 "z" 以及 "zoo"。 * 等价于{0,}。
+匹配前⾯的⼦表达式⼀次或多次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等价于 {1,}。
匹配前⾯的⼦表达式零次或⼀次。例如，"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。? 等价于 {0,1}。
{n}n 是⼀个⾮负整数。匹配确定的 n 次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，但是能匹配 "food" 中的两个 o。
{n,}n 是⼀个⾮负整数。⾄少匹配n 次。例如，'o{2,}' 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood" 中的所有 o。'o{1,}'等价于 'o+'。'o{0,}' 则等价于 'o*'。
{n,m}m 和 n 均为⾮负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。刘， "o{1,3}" 将匹配 "fooooood" 中的前三个o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。
当该字符紧跟在任何⼀个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后⾯时，匹配模式是⾮贪婪的。⾮贪婪模式尽可能少的匹配所搜索的字符串，⽽默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 "oooo"，'o+?' 将匹配单个 "o"，⽽ 'o+' 将匹配所有 'o'。
.匹配除 "\n" 之外的任何单个字符。要匹配包括 '\n' 在内的任何字符，请使⽤象 '[.\n]' 的模式。
(pattern)匹配pattern 并获取这⼀匹配。所获取的匹配可以从产⽣的 Matches 集合得到，在VBScript 中使⽤ SubMatches 集合，在Visual Basic Scripting Edition 中则使⽤ $0…$9 属性。要匹配圆括号字符，请使⽤ '′或′'。
(?:pattern)匹配 pattern 但不获取匹配结果，也就是说这是⼀个⾮获取匹配，不进⾏存储供以后使⽤。这在使⽤ "或" 字符 (|)来组合⼀个模式的各个部分是很有⽤。例如， 'industr(?:y|ies) 就是⼀个⽐ 'industry|industries' 更简略的表达式。
(?
=pattern)正向预查，在任何匹配 pattern 的字符串开始处匹配查字符串。这是⼀个⾮获取匹配，也就是说，该匹配不需要获取供以后使⽤。例如， 'Windows (?=95|98|NT|2000)' 能匹配 "Windows 2000" 中的 "Windows" ，但不能匹配"Windows 3.1" 中的 "Windows"。预查不消耗字符，也就是说，在⼀个匹配发⽣后，在最后⼀次匹配之后⽴即开始下⼀次匹配的搜索，⽽不是从包含预查的字符之后开始。
(?!pattern)负向预查，在任何不匹配Negative lookahead matches the search string at any point where a string not matching pattern 的字符串开始处匹配查字符串。这是⼀个⾮获取匹配，也就是说，该匹配不需要获取供以后使⽤。例如'Windows (?!95|98|NT|2000)' 能匹配 "Windows 3.1" 中的 "Windows"，但不能匹配 "Windows 2000" 中的
"Windows"。预查不消耗字符，也就是说，在⼀个匹配发⽣后，在最后⼀次匹配之后⽴即开始下⼀次匹配的搜索，⽽不是从包含预查的字符之后开始
x|y匹配 x 或 y。例如，'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配 "zood" 或 "food"。
[xyz]字符集合。匹配所包含的任意⼀个字符。例如， '[abc]' 可以匹配 "plain" 中的 'a'。
[^xyz]负值字符集合。匹配未包含的任意字符。例如， '[^abc]' 可以匹配 "plain" 中的'p'。
[a-z]字符范围。匹配指定范围内的任意字符。例如，'[a-z]' 可以匹配 'a' 到 'z' 范围内的任意⼩写字母字符。
[^a-z]负值字符范围。匹配任何不在指定范围内的任意字符。例如，'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。
\b匹配⼀个单词边界，也就是指单词和空格间的位置。例如， 'er\b' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
\B匹配⾮单词边界。'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 匹配⼀个 Control-M 或回车符。 x 的值必须为 A-Z 或 a-z 之⼀。否则，将 c 视为⼀个原义的 'c' 字符。
\d匹配⼀个数字字符。等价于 [0-9]。
\D匹配⼀个⾮数字字符。等价于 [^0-9]。
\f匹配⼀个换页符。等价于 0c 和 \cL。
\n匹配⼀个换⾏符。等价于 0a 和 \cJ。
\r匹配⼀个回车符。等价于 0d 和 \cM。
\s匹配任何空⽩字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S匹配任何⾮空⽩字符。等价于 [^ \f\n\r\t\v]。
\t匹配⼀个制表符。等价于 09 和 \cI。
\v匹配⼀个垂直制表符。等价于 0b 和 \cK。
\w匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。
\W匹配任何⾮单词字符。等价于 '[^A-Za-z0-9_]'。
n匹配 n，其中 n 为⼗六进制转义值。⼗六进制转义值必须为确定的两个数字长。例如， ' 41' 匹配 "A"。' 041' 则等价于 ' 04' & "1"。正则表达式中可以使⽤ ASCII 编码。.
\num匹配 num，其中 num 是⼀个正整数。对所获取的匹配的引⽤。例如，'(.)\1' 匹配两个连续的相同字符。
\n标识⼀个⼋进制转义值或⼀个后向引⽤。如果 \n 之前⾄少 n 个获取的⼦表达式，则 n 为后向引⽤。否
则，如果 n 为⼋进制数字 (0-7)，则 n 为⼀个⼋进制转义值。
\nm 标识⼀个⼋进制转义值或⼀个后向引⽤。如果 \nm 之前⾄少有is preceded by at least nm 个获取得⼦表达式，
则 nm 为后向引⽤。如果 \nm 之前⾄少有 n 个获取，则 n 为⼀个后跟⽂字 m 的后向引⽤。如果前⾯的条件都不满⾜，若  n 和 m 均为⼋进制数字 (0-7)，则 \nm 将匹配⼋进制转义值 nm。
\nml如果 n 为⼋进制数字 (0-3)，且 m 和 l 均为⼋进制数字 (0-7)，则匹配⼋进制转义值 nml。
\un匹配 n，其中 n 是⼀个⽤四个⼗六进制数字表⽰的 Unicode 字符。例如， \u00A9 匹配版权符号 (?)。利⽤上述元字符，可以组合出所有想要的匹配模式。下⾯介绍⼏个常⽤的正则表达式.
匹配中⽂字符的正则表达式：[\u4e00-\u9fa5]
评注：匹配中⽂还真是个头疼的事，有了这个表达式就好办了
匹配双字节字符(包括汉字在内)： [^ 00- ff]
评注：可以⽤来计算字符串的长度（⼀个双字节字符长度计2，ASCII字符计1）
匹配空⽩⾏的正则表达式：\n\s*\r
评注：可以⽤来删除空⽩⾏
匹配HTML标记的正则表达式：<(\S*?)[^>]*>.*?</\1>|<.*? />
评注：⽹上流传的版本太糟糕，上⾯这个也仅仅能匹配部分，对于复杂的嵌套标记依旧⽆能为⼒
匹配⾸尾空⽩字符的正则表达式：^\s*|\s*$
评注：可以⽤来删除⾏⾸⾏尾的空⽩字符(包括空格、制表符、换页符等等)，⾮常有⽤的表达式
匹配Email地址的正则表达式：\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
评注：表单验证时很实⽤
匹配⽹址URL的正则表达式： [a-zA-z]+://[^\s]*
评注：⽹上流传的版本功能很有限，上⾯这个基本可以满⾜需求
匹配帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
评注：表单验证时很实⽤
匹配国内电话号码：\d{3}-\d{8}|\d{4}-\d{7}
评注：匹配形式如 0511-******* 或 021-********
匹配腾讯QQ号：[1-9][0-9]{4,}
评注：腾讯QQ号从10000开始
匹配中国：[1-9]\d{5}(?!\d)
评注：中国为6位数字
匹配⾝份证：\d{15}|\d{18}
评注：中国的⾝份证为15位或18位
匹配ip地址：\d+\.\d+\.\d+\.\d+
评注：提取ip地址时有⽤
匹配特定数字：
^[1-9]\d*$  //匹配正整数
^-[1-9]\d*$  //匹配负整数
^-?[1-9]\d*$  //匹配整数
^[1-9]\d*|0$  //匹配⾮负整数（正整数 + 0）
^-[1-9]\d*|0$  //匹配⾮正整数（负整数 + 0）
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$  //匹配正浮点数
^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$  //匹配负浮点数
^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$  //匹配浮点数
^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$  //匹配⾮负浮点数（正浮点数 + 0）
^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$  //匹配⾮正浮点数（负浮点数 + 0）
评注：处理⼤量数据时有⽤，具体应⽤时注意修正
匹配特定字符串：
^[A-Za-z]+$  //匹配由26个英⽂字母组成的字符串
^[A-Z]+$  //匹配由26个英⽂字母的⼤写组成的字符串
^[a-z]+$  //匹配由26个英⽂字母的⼩写组成的字符串
^[A-Za-z0-9]+$  //匹配由数字和26个英⽂字母组成的字符串
^\w+$  //匹配由数字、26个英⽂字母或者下划线组成的字符串
四、总结
  1）不同的场景、不同的语⾔，正则会有些许差别，只要掌握住基本的元字符以及相应的语⾔特性，真正⽤的时候花10⼏分钟时间熟悉⼀两个例⼦就能上⼿。
  2）Perl正则是⽬前最优的，包括特性，建议读者学⼀学，这对处理数据有很⼤的好处。
  3）在我理解，我们如果只是想达到我们抽取数据的⽬的，正则匹配的原理没有必要搞懂，会⽤就⾏。
好了，以上就是这篇⽂章的全部内容了，希望本⽂的内容对⼤家的学习或者⼯作具有⼀定的参考学习价值，如果有疑问⼤家可以留⾔交流，谢谢⼤家对的⽀持。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。