PHP中更高效的字符串清理正则表达式

Question

好的，我希望有人能帮我一下正则表达式。

我正在尝试清理一个字符串。

基本上，我正在做以下几件事：

1. 用替换字符替换除A-Za-z0-9之外的所有字符。

2. 将替换字符的连续重复项替换为单个替换字符。

3. 从字符串开头和结尾修剪替换字符。

示例输入：

(&&(%()$()#&#&%&%%(%$+-_The dog jumped over the log*(&)$%&)#)@#%&)&^)@#)

所需输出：

The+dog+jumped+over+the+log

我目前正在使用这个非常混乱的代码，并且知道有更优雅的方法来完成这个任务....

function clean($string, $replace){

    $ok = "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz";
    $ok .= $replace;
    $pattern = "/[^".preg_quote($ok, "/")."]/";

    return trim(preg_replace('/'.preg_quote($replace.$replace).'+/', $replace, preg_replace($pattern, $replace, $string)),$replace);
}

能否请一位正则表达式大师给我提供一个更简单/更有效的解决方案？

---

Botond Balázs和hakre提出并解释了一个更好的解决方案：

function clean($string, $replace, $skip=""){
    // Escape $skip
    $escaped = preg_quote($replace.$skip, "/");

    // Regex pattern
    // Replace all consecutive occurrences of "Not OK" 
    // characters with the replacement
    $pattern = '/[^A-Za-z0-9'.$escaped.']+/';

    // Execute the regex
    $result = preg_replace($pattern, $replace, $string);

    // Trim and return the result
    return trim($result, $replace);
}

- Samantha P

---

对于1和2，您可以尝试使用替换来替换“[^A-Za-z0-9]+”。 - Botond Balázs

我讨厌 Stack Overflow 迫使我选择一个答案... - Samantha P

我认为将模式放在单独的变量中的版本更易读。 - Botond Balázs

我选择了Botond Balázs的答案作为代码示例。但是我想向hakre表示拥抱/感谢他的深入解释和帮助。谢谢大家！ - Samantha P

Answer 1

我不是一个“正则表达式高手”，但以下是我的做法。

function clean($string, $replace){
    /// Remove all "not OK" characters from the beginning and the end:
    $result = preg_replace('/^[^A-Za-z0-9]+/', '', $string);
    $result = preg_replace('/[^A-Za-z0-9]+$/', '', $result);

    // Replace all consecutive occurrences of "not OK" 
    // characters with the replacement:
    $result = preg_replace('/[^A-Za-z0-9]+/', $replace, $result);

    return $result;
}

我想这部分内容可以更简单些，但在处理正则表达式时，清晰易读通常比聪明或编写超级优化的代码更重要。

让我们看看它是如何工作的：

/ ^ [^ A-Za-z0-9] + /： ^ 匹配字符串开头。 [ ^ A-Za-z0-9 ] 匹配所有非字母数字字符。 + 表示“匹配前一个字符一次或多次”。

/ [^ A-Za-z0-9] + $ /： 与上述相同，只是 $ 匹配字符串结尾。

/ [^ A-Za-z0-9] + /： 与上述相同，只是它也匹配字符串中间。

编辑：OP 是正确的，前两个可以替换为调用 trim()：

function clean($string, $replace){
    // Replace all consecutive occurrences of "not OK" 
    // characters with the replacement:
    $result = preg_replace('/[^A-Za-z0-9]+/', $replace, $result);

    return trim($result, $replace);
}

- Botond Balázs

Answer 2

我不想听起来过于聪明，但我不会称它为regex-foo。

你所做的事情实际上基本上是正确的，因为你使用了preg_quote，而许多其他人甚至没有意识到该函数的存在。

然而，可能是在错误的位置。错误的位置是因为你引用了字符类中的字符，并且在正则表达式中有（类似但）不同的引用规则。

此外，正则表达式已经考虑到了像你这样的情况。这可能是你寻找向导的部分，让我们看看如何使你的负字符类更加紧凑（我将生成代码省略以使其更加清晰）：

[^0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz]

有一些结构，比如0-9、A-Z和a-z可以准确地表示它们。你可以看到-是字符类内的一个特殊字符，它不是字面上的意思，而是代表从某个字符到另一个字符的范围：

[^0-9A-Za-z]

这样就更加紧凑并且表示相同。还有像\d和\w这样的符号，可能在您的情况下会很方便。但是暂时使用第一种变体，因为我认为它已经非常明显了。

另一个部分是重复。我们看到有+，意思是一个或多个。所以您想替换一个或多个不匹配的字符。通过在应匹配的部分末尾添加+来使用它（默认情况下它是贪婪的，所以如果有5个字符，那么将取这5个字符而不是4个）：

[^0-9A-Za-z]+

我希望这对你有所帮助。接下来的一个步骤则是只需要去掉开头和结尾不匹配的字符，但现在还早，我对此并不熟练。

- hakre

---

很好的解释。对于提问者，我建议阅读《精通正则表达式》这本书。它让我大开眼界。 - Botond Balázs

@BotondBalázs：非常正确。作为在线资源，我也觉得http://www.regular-expressions.info/不错。即使是正则表达式的PHP手册现在也有所改进，过去还有点简略：http://www.php.net/manual/en/pcre.pattern.php - hakre

作为 RegexBuddy 的在线（免费）替代品，我推荐 http://gskinner.com/RegExr/ - 尽管在功能方面没有什么能比得上 RegexBuddy :) - Botond Balázs

确实，非常有帮助和详尽的回答。谢谢您。关于您对 preg_quote 的评论，我需要使用它，因为在我的问题中没有提到，我必须能够即时添加可能是语法的“好”的字符。在哪里和如何适当地使用 preg_quote 转义呢？ - Samantha P

正如所写的那样，了解并利用preg_quote是很好的。我认为它不会给你带来任何问题，只是想指出，在某些边缘情况下，它可能无法完全引用所需的内容。但这并不意味着它会引入问题。 - hakre