一、介紹
正則表達式各語言都有自己的規范，但是基本都差不多，都是由元字符的組合來進行匹配；由于Nmap內嵌的服務與版本探測是使用的Perl正則規范，因此此篇博客記錄一下Perl正則的相關內容，方便后期查閱。
二、Perl正則例子
下面的例子可能有不足之處，有些來源于博客，沒有驗證；
1. 匹配IP地址：\d+\.\d+\.\d+\.\d+
\d:匹配一個數字字符,\d+:匹配一次或多次數字字符。
\.:使用轉義字符匹配'.'。
2. 匹配郵箱類似于[email protected]： /^[a-zA-Z0-9_\-.]+@[a-zA-Z0-9_\-]+.[a-zA-Z]+$/
^: 匹配開頭
$: 匹配結尾，這兩個保證了這是連續的一串字符。
3. 匹配數字：m/^[0-9]+$/
由^開頭由$結尾保證了只含有數字，如果只有結尾$,那么abc12這種也是可以的。
可用在輸入校驗，校驗輸入的是否是數字。
4. 用戶輸入溫度（華氏溫度，攝氏溫度），編程進行轉換
m/^([-+]?[0-9]+)([CF])$/ ：匹配正負整數溫度。
[CF]: 匹配中括號其中的一個
?：匹配前面的子表達式0次或1次
+：匹配前面的子表達式一次或多次
perl通過臨時變量$1,$2保存子表達式匹配的文本。$1保存的是數字，$2保存的是符號。
m/^([-+]?[0-9]+(?:\.[0-9]*)?)\s*([CF])$/i) ：添加支持小數的溫度匹配
臨時變量保存的順序與分組的開括號 ( 在表達式中的順序有關(從左到右）；因此這個地方使用?:，代表該括號匹配的值不被臨時變量保存。
/i: 代表忽略大小寫匹配，cf也匹配。
參考地址：https://segmentfault.com/a/1190000004375773（精通正則表達式（第三版））
5. 匹配空白行
^$ : 開頭之后馬上結束：空白行，不包括任何字符
\n\s*\r ：
\n匹配一個換行符，等價于\x0a
\s匹配任何空白字符，包括空格制表換頁
\r匹配一個回車符，等價于\x0d
6. 匹配首尾空白字符： ^\s*|\s*$
7. 匹配版本號1.3.0等
[\d.]+
8. 匹配某個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).)* 表示匹配除單詞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. 匹配數字：
^\d+(\.\d+)?
^: 定義以什么開始；
\d+: 表示匹配數字；
?: 表示內容可選；
匹配下面的內容：
1）： {"service":"nutcracker", "source":"ubuntu", "version":"0.3.0",
m|^\{"service":"nutcracker", "source":"([^"]+)", "version":"([\d.]+)",|
2）：220 yzwb.net ESMTP MDaemon 10.1.2;
m|^220[ -]([-.\w]+) ESMTP MDaemon (\d[-.\w]+);
3）：AMQP\x01\x01\x00\n
m|^AMQP\x01\x01\x00\x0a$|:注意回車鍵\n對應16進制\x0a,\r對應\x0d.
Nmap nmap-services-probe文件給出的匹配
三、正則元字符
元字符是正則表達式組成的基本元素。
| 字符 | 描述 |
| \ | 將下一個字符標記為一個特殊字符、或一個原義字符、或一個 后向引用、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。如果設置了 RegExp 對象的 Multiline 屬性，^ 也匹配 '\n' 或 '\r' 之后的位置。 |
| $ | 匹配輸入字符串的結束位置。如果設置了RegExp 對象的 Multiline 屬性，$ 也匹配 '\n' 或 '\r' 之前的位置。 |
| * | 匹配前面的子表達式零次或多次。例如，zo* 能匹配 "z" 以及 "zoo"。 * 等價于{0,}。 |
| + | 匹配前面的子表達式一次或多次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等價于 {1,}。 |
| ? | 匹配前面的子表達式零次或一次。例如，"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。? 等價于 {0,1}。 |
| {n} | n 是一個非負整數。匹配確定的 n 次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，但是能匹配 "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" 中的所有 o。'o{1,}' 等價于 'o+'。'o{0,}' 則等價于 'o*'。 |
| {n,m} | m 和 n 均為非負整數，其中n <= m。最少匹配 n 次且最多匹配 m 次。劉， "o{1,3}" 將匹配 "fooooood" 中的前三個 o。'o{0,1}' 等價于 '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他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面時，匹配模式是非貪婪的。非貪婪模式盡可能少的匹配所搜索的字符串，而默認的貪婪模式則盡可能多的匹配所搜索的字符串。例如，對于字符串 "oooo"，'o+?' 將匹配單個 "o"，而 'o+' 將匹配所有 'o'。 |
| . | 匹配除 "\n" 之外的任何單個字符。要匹配包括 '\n' 在內的任何字符，請使用象 '[.\n]' 的模式。 |
| (pattern) |
匹配pattern 并獲取這一匹配。所獲取的匹配可以從產生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在Visual Basic Scripting Edition 中則使用 $0…$9 屬性。要匹配圓括號字符，請使用 ' |
| (?: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，不進行存儲供以后使用。這在使用 "或" 字符 (|) 來組合一個模式的各個部分是很有用。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，該匹配不需要獲取供以后使用。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"。預查不消耗字符，也就是說，在一個匹配發生后，在最后一次匹配之后立即開始下一次匹配的搜索，而不是從包含預查的字符之后開始。 |
| (?!pattern) | 負向預查，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，該匹配不需要獲取供以后使用。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"。預查不消耗字符，也就是說，在一個匹配發生后，在最后一次匹配之后立即開始下一次匹配的搜索，而不是從包含預查的字符之后開始 |
| 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]' 可以匹配 "plain" 中的 'a'。 |
| [^xyz] | 負值字符集合。匹配未包含的任意字符。例如， '[^abc]' 可以匹配 "plain" 中的'p'。 |
| [a-z] | 字符范圍。匹配指定范圍內的任意字符。例如，'[a-z]' 可以匹配 'a' 到 'z' 范圍內的任意小寫字母字符。 |
| [^a-z] | 負值字符范圍。匹配任何不在指定范圍內的任意字符。例如，'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范圍內的任意字符。 |
| \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' 可以匹配"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 的值必須為 A-Z 或 a-z 之一。否則，將 c 視為一個原義的 'c' 字符。 |
| \d | 匹配一個數字字符。等價于 [0-9]。 |
| \D | 匹配一個非數字字符。等價于 [^0-9]。 |
| \f | 匹配一個換頁符。等價于 \x0c 和 \cL。 |
| \n | 匹配一個換行符。等價于 \x0a 和 \cJ。 |
| \r | 匹配一個回車符。等價于 \x0d 和 \cM。 |
| \s | 匹配任何空白字符，包括空格、制表符、換頁符等等。等價于 [ \f\n\r\t\v]。 |
| \S | 匹配任何非空白字符。等價于 [^ \f\n\r\t\v]。 |
| \t | 匹配一個制表符。等價于 \x09 和 \cI。 |
| \v | 匹配一個垂直制表符。等價于 \x0b 和 \cK。 |
| \w | 匹配包括下劃線的任何單詞字符。等價于'[A-Za-z0-9_]'。 |
| \W | 匹配任何非單詞字符。等價于 '[^A-Za-z0-9_]'。 |
| \xn | 匹配 n，其中 n 為十六進制轉義值。十六進制轉義值必須為確定的兩個數字長。例如， '\x41' 匹配 "A"。'\x041' 則等價于 '\x04' & "1"。正則表達式中可以使用 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后向引用。如果 \n 之前至少 n 個獲取的子表達式，則 n 為后向引用。否則，如果 n 為八進制數字 (0-7)，則 n 為一個八進制轉義值。 |
| \nm | 標識一個八進制轉義值或一個后向引用。如果 \nm 之前至少有is preceded by at least nm 個獲取得子表達式，則 nm 為后向引用。如果 \nm 之前至少有 n 個獲取，則 n 為一個后跟文字 m 的后向引用。如果前面的條件都不滿足，若 n 和 m 均為八進制數字 (0-7)，則 \nm 將匹配八進制轉義值 nm。 |
| \nml | 如果 n 為八進制數字 (0-3)，且 m 和 l 均為八進制數字 (0-7)，則匹配八進制轉義值 nml。 |
| \un | 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 (?)。 |
利用上述元字符，可以組合出所有想要的匹配模式。下面介紹幾個常用的正則表達式.
匹配中文字符的正則表達式： [\u4e00-\u9fa5]
評注：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]
評注：可以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
評注：可以用來刪除空白行
匹配HTML標記的正則表達式： <(\S*?)[^>]*>.*?</\1>|<.*? />
評注：網上流傳的版本太糟糕，上面這個也僅僅能匹配部分，對于復雜的嵌套標記依舊無能為力
匹配首尾空白字符的正則表達式： ^\s*|\s*$
評注：可以用來刪除行首行尾的空白字符(包括空格、制表符、換頁符等等)，非常有用的表達式
匹配Email地址的正則表達式： \w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
評注：表單驗證時很實用
匹配網址URL的正則表達式： [a-zA-z]+://[^\s]*
評注：網上流傳的版本功能很有限，上面這個基本可以滿足需求
匹配帳號是否合法(字母開頭，允許5-16字節，允許字母數字下劃線)： ^[a-zA-Z][a-zA-Z0-9_]{4,15}$
評注：表單驗證時很實用
匹配國內電話號碼： \d{3}-\d{8}|\d{4}-\d{7}
評注：匹配形式如 0511-4405222 或 021-87888822
匹配騰訊QQ號： [1-9][0-9]{4,}
評注：騰訊QQ號從10000開始
匹配中國郵政編碼： [1-9]\d{5}(?!\d)
評注：中國郵政編碼為6位數字
匹配身份證： \d{15}|\d{18}
評注：中國的身份證為15位或18位
匹配ip地址： \d+\.\d+\.\d+\.\d+
評注：提取ip地址時有用
匹配特定數字：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
^[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） |
評注：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：
|
1
2
3
4
5
6
7
8
9
|
^[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 |
四、總結
1）不同的場景、不同的語言，正則會有些許差別，只要掌握住基本的元字符以及相應的語言特性，真正用的時候花10幾分鐘時間熟悉一兩個例子就能上手。
2）Perl正則是目前最優的，包括特性，建議讀者學一學，這對處理數據有很大的好處。
3）在我理解，我們如果只是想達到我們抽取數據的目的，正則匹配的原理沒有必要搞懂，會用就行。
好了，以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對服務器之家的支持。
原文鏈接：http://www.cnblogs.com/liun1994/p/7047472.html
