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.com：/^[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
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。
参考地址：https://segmentfault.com/a/1190000004375773（精通正则表达式（第三版））
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\x0a
\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\x0d
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"Windows3.1"中的"Windows"，但不能匹配
"Windows2000"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）：220yzwb.netESMTPMDaemon10.1.2;
m|^220[-]([-.\w]+)ESMTPMDaemon(\d[-.\w]+);
3）：AMQP\x01\x01\x00\n
m|^AMQP\x01\x01\x00\x0a$|:注意回车键\n对应16进制\x0a,\r对应\x0d.
Nmapnmap-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VisualBasicScriptingEdition中则使用 $0…$9 属性。要匹配圆括号字符，请使用'
(?: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找字符串。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"Windows2000"中的"Windows"，但不能匹配"Windows3.1"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Negativelookaheadmatchesthesearchstringatanypointwhereastringnotmatching pattern 的字符串开始处匹配查找字符串。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"Windows3.1"中的"Windows"，但不能匹配"Windows2000"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\x0c和\cL。
\n
匹配一个换行符。等价于\x0a和\cJ。
\r
匹配一个回车符。等价于\x0d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\x09和\cI。
\v
匹配一个垂直制表符。等价于\x0b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_]'。
\xn
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，'\x41'匹配"A"。'\x041'则等价于'\x04'&"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isprecededbyatleast 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)：[^\x00-\xff]
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*?)[^>]*>.*?|<.*?/>
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0511-4405222或021-87888822
匹配腾讯QQ号：[1-9][0-9]{4,}
评注：腾讯QQ号从10000开始
匹配中国邮政编码：[1-9]\d{5}(?!\d)
评注：中国邮政编码为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，谢谢大家对毛票票的支持。