PHP 中使用正则表达式的那些坑

Published on 2015 / 07 / 27 , Updated on 2015 / 08 / 17

最近弄关键词匹配，主要用的正则表达式。之前一直没写过PHP的正则表达式的代码，一番折腾之后表示这其中好多坑。

慎用 |

任务场景是需要在一段字符串中匹配多个关键字。一开始想当然的使用了|拼接全部的关键字作为pattern，然后直接preg_match解决问题。
但我这样想当然的做法在Code Review的时候被拒，理由是可能存在安全等问题。
因为PHP内存限制，pattern过长会造成段异常，而且这样使用性能很低。正确的做法是每一个关键词都是pattern，运行n次preg_match函数。

// 一次匹配（不推荐）
$pattern = implode('|', $keywords);
$ret = preg_match('/' . $pattern . '/u', $subject, $matches);

// 多次匹配
foreach ($keywords as $keyword) {
    $ret = preg_match('/' . $keyword . '/u', $subject, $matches);
    if ($ret) break;
}

在我的测试中，字符串在一万、十万甚至百万长度的时候都是下面多次匹配快于上面的一次匹配，时间差甚至能达到九倍。
想想原因其实很简单，因为上面和下面的逻辑本质上是一样的，但是下面因为一次只匹配一个单词，很自然的能用一些高性能的字符串匹配算法，如KMP。
上面的很长的pattern，反而不好使用各种优化算法，只能用最原始的方法，性能当然会下降。

那|应该用在什么场合呢？

在拆分开不便于程序代码理解的时候使用。当使用|可以使代码更加直观简洁，使逻辑更加易于理解，那就放心大胆的用。
当决定要使用正则表达式，其实不太需要考虑性能问题，一般来说性能差别不会很大。

preg_quote 注意添加分隔符

php提供了preg_match函数用于转义正则表达式字符，但是需要注意，这个函数仅仅转义正则表达式的特殊字符“ . \ + * ? [ ^ ] $ ( ) { } = ! < > | : -”。
其中并不包含分隔符，调用这个函数的时候最好把使用的分隔符也作为delimiter参数传递进去。

1 2	// '/'是最通用的分隔符。 $keywords = preg_quote($keywords, '/');

\\\\ 才能在正则表达式中表示 ‘\‘字符

在编写正则表达式反转义函数的时候，我遇到了这个问题。这个函数很简单，就是去掉所有带’\‘字符前的’\‘，但是弄起来总是不对。
在仔细看完PHP文档之后，我终于理清了逻辑。

“\\\\“这是写在代码中的，首先PHP会理解一次，”\\“会表示’\‘，这样传给正则的字符串就是是”\\“。
然后正则表达式再理解一次，这时”\\“对应的就是’\‘字符。在使用’\‘的时候一定要考虑这些情况。

1 2	# $keywords 就是需要反转义的字符串 preg_replace_callback("/\\\\./u", function ($matches) { return substr($matches[0],1);}, $keywords);

善用模式修饰符

php正则表达式中，分隔符之后是可以添加模式修饰符的，这里可以参阅PHP文档。

我最常用的是u，此修正符使模式字符串被认为是utf-8的。