前言
先说一件容易混淆的事：PHP 里的「正则表达式」其实分两套历史，一套是已经消失的 POSIX 扩展，一套是现在唯一在用的 PCRE。POSIX 那套函数（ereg()、eregi()、ereg_replace()、eregi_replace()、split()、spliti()、sql_regcase()）在 PHP 5.3 就被废弃，在 PHP 7.0 中被彻底移除。现在网上还能搜到大量讲ereg()的教程，那些代码在 PHP 7 及以上版本里会直接报「Call to undefined function」。PHP 8 时代只认preg_*系列，底层的 PCRE 引擎负责解析和执行。
第二个常见误解是把正则当成「万能的格式校验器」。正则擅长的是在文本里找符合形状的片段，不擅长判断语义是否成立。比如用正则去完整校验一个邮箱地址是否符合 RFC 规范，是件既做不到又没必要的事——这件事应该交给filter_var($email, FILTER_VALIDATE_EMAIL)。分不清这两件事，就会写出越来越长、越来越难维护的模式。
本文是一份聚焦 PHP 侧的 PCRE 笔记：定界符与修饰符、常用元字符、捕获组与断言，以及两条必须小心的性能红线。
一、定界符与修饰符
一个 PHP 正则模式是字符串，第一个字符是定界符，最后一个字符是同一个定界符。定界符可以是任何非字母、非数字、非反斜杠、非空白的字符，常用的是斜杠、井号和波浪号：
<?php // 适用于 PHP 8.0+
$p1 = '/\d+/';
$p2 = '#\d+#';
$p3 = '~\d+~';
var_dump(preg_match($p1, 'abc123')); // int(1)
var_dump(preg_match($p2, 'abc123')); // int(1)
var_dump(preg_match($p3, 'abc123')); // int(1)用井号做定界符的好处是，处理路径、URL 这类含大量斜杠的文本时不必转义：'#^/var/log/#'比'/^\/var\/log\//'好读得多。反过来，模式里出现的定界符字符必须转义。
定界符之后可以跟修饰符，它们控制匹配行为：
| 修饰符 | 作用 |
|---|
i | 不区分大小写 |
m | 多行模式，行首行尾锚点按每行计算 |
s | 让点号也匹配换行 |
x | 扩展模式，忽略模式里的空白与注释 |
u | 按 UTF-8 解释模式与目标串 |
U | 反转量词的贪婪性（默认变懒惰） |
A | 强制从头开始匹配 |
D | 行尾锚点只匹配字符串真正的结尾 |
S | 旧版本中用于预分析模式以加速匹配，现代 PCRE 已不再需要 |
关于u：不加它时，正则引擎把目标串当作字节序列，点号匹配一个字节，量词数的也是字节。中文字符在 UTF-8 下一个字占 3 个字节，所以'张三'这种两个字的中文，在没有u的模式下长度是 6。这一点造成的错误非常隐蔽：
<?php // 适用于 PHP 8.0+
var_dump(preg_match('/^.{2,4}$/', '张三')); // int(0)，按字节算有 6 个「字符」
var_dump(preg_match('/^.{2,4}$/u', '张三')); // int(1)，按字符算正好 2 个处理中文时请一律加上u，并且要用 Unicode 属性转义（如\p{Han}表示汉字、\p{L}表示任意语言的字母）来描述字符类别，不要指望\w会覆盖非 ASCII 字符。
二、模式语法速查
下面这份速查表覆盖了日常九成以上的需求：
. 除换行外的任意字符（加 s 修饰符后含换行）
^ $ 行首 / 行尾（加 m 后按行计算）
\d \D 数字 / 非数字
\w \W 单词字符（字母、数字、下划线）/ 非单词字符
\s \S 空白字符 / 非空白字符
[abc] 字符类，匹配其中任意一个
[^abc] 反向字符类，匹配不在其中的任意一个
[a-z0-9] 字符区间
* + ? 0 次以上 / 1 次以上 / 0 或 1 次，贪婪
*? +? ?? 对应的懒惰版本，尽量少匹配
*+ ++ ?+ 占有版本，匹配后不回退
{n} {n,} {n,m} 精确 n 次 / 至少 n 次 / n 到 m 次
(...) 捕获组
(?:...) 非捕获组，只分组不占用编号
(?P<name>...) 命名捕获组（等价的尖括号写法现代 PCRE 也支持）
\1 \k<name> 反向引用，引用之前捕获到的内容
(?=...) 正向前瞻断言，右侧必须符合但不消耗字符
(?!...) 负向前瞻断言
(?<=...) 正向后顾断言
(?<!...) 负向后顾断言
a|b 分支，匹配 a 或 b
\b \B 单词边界 / 非单词边界
\p{Han} 汉字（需加 u 修饰符）几点使用提示：
- 非捕获组能不用编号就别占用编号。
(?:...)不产生捕获，既省内存也让$matches的下标清晰。 - 后顾断言要求定长（或有限长度）。这是 PCRE 的硬性限制，带长度区间的后顾写法在部分场景下不被接受，写之前先确认模式的定长性。
x修饰符适合写长模式，它忽略模式里的空白，于是可以换行缩进、加注释，可读性大幅提升。
POSIX 时代的写法与现在的对应关系也整理一份，方便迁移旧代码：
| 已移除的写法 | 现在的等价写法 |
|---|
ereg($p, $s) | preg_match('/' . $p . '/', $s) |
eregi($p, $s) | preg_match('/' . $p . '/i', $s) |
ereg_replace($p, $r, $s) | preg_replace('/' . $p . '/', $r, $s) |
split(',', $s) | explode(',', $s)或preg_split('/,/', $s) |
sql_regcase() | 无对应，需要时自行构造 |
注意 POSIX 的字符类写法[[:alpha:]]、[[:digit:]]在 PCRE 里仍然可用，它们和\w、\d不是一回事，迁移时不用一起改掉。另外，旧代码里常见的preg_replace()加e修饰符也在 PHP 5.5 被废弃、PHP 7.0 被移除，正确做法是改用preg_replace_callback()。
三、捕获组、断言与回溯
preg_match()一次只找第一个匹配，它的第三个参数是按引用传入的数组，用来接收捕获结果。下标 0 是完整匹配，1 开始依次是各捕获组：
<?php // 适用于 PHP 8.0+
$pattern = '/^(\d{4})-(\d{2})-(\d{2})$/';
$subject = '2026-10-06';
$result = preg_match($pattern, $subject, $matches);
var_dump($result); // int(1)
echo $matches[1], '年', $matches[2], '月', $matches[3], '日', PHP_EOL;带名字的捕获组更好读，但要注意它在结果数组里会出现两次——一次用名字做键，一次用序号做键：
<?php // 适用于 PHP 8.0+
$pattern = '/^(?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2})$/';
if (preg_match($pattern, '2026-10-06', $m) === 1) {
echo $m['year'], '-', $m['month'], '-', $m['day'], PHP_EOL;
echo $m[1], '-', $m[2], '-', $m[3], PHP_EOL; // 同一批值，换个键取
}断言（assertion）用来描述「匹配位置周围必须满足什么条件」，但它不消耗字符，所以不会出现在$matches里。它是替代「先匹配一大段再手工裁剪」的好工具：
<?php // 适用于 PHP 8.0+
$text = '价格 100 元，折扣 20 元';
// 只取后面紧跟「 元」的数字，但不把「元」匹配进来
preg_match_all('/\d+(?= 元)/', $text, $prices);
echo implode(',', $prices[0]), PHP_EOL; // 100,20最后说性能。PCRE 使用回溯（backtracking）算法，模式写不好会导致「回溯爆炸」：引擎尝试了指数级的组合才判定失败，CPU 被吃满。核心原因是嵌套量词——形如「一个量词修饰的组里又含量词」的模式，在不匹配的长输入上代价极高。防御手段有三条：
- 能写精确就写精确，例如限定内容的字符类和明确的长度范围。
- 用占有量词（
*+、++、?+）告诉引擎「匹配到就不用回头」，它对不需要回退的场景完全等价于贪婪量词。 - 在进程层面设防：
pcre.backtrack_limit和pcre.recursion_limit这两个 ini 配置决定了回溯的上限，超出后preg_*会返回false而不是一直算下去。
第三条尤其重要，因为回溯超限返回的是false，不是0。如果代码写的是「没匹配上就报格式错误」，回溯超限会被误报成「格式不对」，把一个性能问题伪装成业务问题。
<?php // 适用于 PHP 8.0+
// 出错时用 preg_last_error_msg() 看原因（需要 PHP 8.0+；PHP 7 用 preg_last_error() 拿错误码）
$ok = preg_match('/\d+/', 'abc');
var_dump($ok); // int(0)，真的没匹配上
var_dump($ok === false); // bool(false)，说明这不是错误常见坑点
- ❌ 用
ereg()、eregi()、split()的旧代码直接上线。
✅ 这些函数在 PHP 5.3 废弃、PHP 7.0 移除；改用preg_match()、preg_match()加i修饰符、preg_split()或explode()。
- ❌ 用
preg_replace()的e修饰符执行替换结果。
✅ 该修饰符 PHP 5.5 废弃、PHP 7.0 移除；应改用preg_replace_callback()显式回调。
- ❌ 处理中文时不加
u修饰符。
✅ 不加u时点号和量词都按字节算，一个汉字占 3 字节，长度判断会整体错位。
- ❌ 用
\w去匹配中文，以为它会包含所有语言的字母。
✅\w默认面向 ASCII；匹配汉字请用\p{Han}，匹配任意字母用\p{L}，并且都要加u。
- ❌ 把模式写进单引号字符串时忘了处理反斜杠。
✅ 单引号里'\d'就是\d本身，问题不大；但'\\d'会变成字面量反斜杠加 d，写模式时统一用单引号并只写一次反斜杠最不容易错。
- ❌ 用正则去完整校验邮箱或日期的语义合法性。
✅ 正则只适合做形状粗筛；邮箱用filter_var()加FILTER_VALIDATE_EMAIL，日期合法性用DateTime::createFromFormat()校验。
- ❌ 写出嵌套量词的模式，并用它去处理用户提交的长文本。
✅ 嵌套量词容易引发回溯爆炸，长输入下 CPU 飙高；改用精确字符类、占有量词，并给pcre.backtrack_limit设一个合理上限。
- ❌ 把回溯超限返回的
false当成「没匹配上」。
✅false表示出错，0才表示没匹配；判断命中请写=== 1，并在失败分支里检查preg_last_error()/preg_last_error_msg()。
总结
| 关注点 | 结论 |
|---|
| 现行扩展 | 只有 PCRE 系的preg_*；POSIX 的ereg_*在 PHP 7.0 已移除 |
| 定界符 | 任意非字母数字非反斜杠非空白的字符，斜杠、井号、波浪号最常用 |
| 必加修饰符 | 处理中文一定要加u |
| 捕获组 | (...)捕获并占编号，(?:...)只分组 |
| 断言 | 前瞻断言与后顾断言，各自都有否定形式，都不消耗字符 |
| 错误与未命中 | 出错返回false，未命中返回0，必须用===区分 |
| 性能红线 | 嵌套量词会引发回溯爆炸，靠精确模式、占有量词、回溯上限三重设防 |
| 该交给别人的活 | 邮箱、日期的语义校验不要用正则硬扛 |
学 PHP 正则最省事的路径是：先把「定界符 + 修饰符 +u」这三件事形成肌肉记忆，再记牢「false是错误、0是没匹配」这条判断规则，剩下的语法细节随用随查即可。真正会让人栽跟头的从来不是记不住元字符，而是把回溯爆炸和语义校验这两类问题错误地交给了正则。
