一 前言
對(duì)于正則表達(dá)式，相信很多人都知道，但是很多人的第一感覺(jué)就是難學(xué)，因?yàn)榭吹谝谎蹠r(shí)，覺(jué)得完全沒(méi)有規(guī)律可尋，而且全是一堆各種各樣的特殊符號(hào)，完全不知所云。
其實(shí)只是對(duì)正則不了解而以，了解了你就會(huì)發(fā)現(xiàn)，原來(lái)就這樣啊正則所用的相關(guān)字符其實(shí)不多，也不難記，更不難懂，唯一難的就是組合起來(lái)之后，可讀性比較差，而且不容易理解，本文旨在讓大家對(duì)正則有一個(gè)基本的了解，能看得懂簡(jiǎn)單的正則表達(dá)式，寫得出簡(jiǎn)單的正則表達(dá)式，用以滿足日常開(kāi)發(fā)中的需求即可。
0\d{2}-\d{8}|0\d{3}-\d{7} 先來(lái)一段正則，如果你對(duì)正則不了解，是不是完全不知道這一串字符是什么意思？這不要緊文章會(huì)詳細(xì)解釋每個(gè)字符的含義的。
1.1 什么是正則表達(dá)式
正則表達(dá)式是一種特殊的字符串模式，用于匹配一組字符串，就好比用模具做產(chǎn)品，而正則就是這個(gè)模具，定義一種規(guī)則去匹配符合規(guī)則的字符。
1.2 常用的正則匹配工具
在線匹配工具：
1 http://www.regexpal.com/
2 http://rubular.com/
正則匹配軟件 McTracer
用過(guò)幾個(gè)之后還是覺(jué)得這個(gè)是最好用的，支持將正則導(dǎo)成對(duì)應(yīng)的語(yǔ)言如java C# js等還幫你轉(zhuǎn)義了，Copy直接用就行了很方便，另外支持把正則表達(dá)式用法解釋，如哪一段是捕獲分組，哪段是貪婪匹配等等，總之用起來(lái) So Happy .
二 正則字符簡(jiǎn)單介紹
2.1 元字符介紹
"^" ：^會(huì)匹配行或者字符串的起始位置，有時(shí)還會(huì)匹配整個(gè)文檔的起始位置。
"$" ：$會(huì)匹配行或字符串的結(jié)尾
如圖
而且被匹配的字符必須是以This開(kāi)頭有空格也不行，必須以Regex結(jié)尾，也不能有空格與其它字符
"\b" :不會(huì)消耗任何字符只匹配一個(gè)位置，常用于匹配單詞邊界 如 我想從字符串中"This is Regex"匹配單獨(dú)的單詞 "is" 正則就要寫成 "\bis\b"
\b 不會(huì)匹配is 兩邊的字符，但它會(huì)識(shí)別is 兩邊是否為單詞的邊界
"\d": 匹配數(shù)字，
例如要匹配一個(gè)固定格式的電話號(hào)碼以0開(kāi)頭前4位后7位，如0737-5686123 正則:^0\d\d\d-\d\d\d\d\d\d\d$ 這里只是為了介紹"\d"字符，實(shí)際上有更好的寫法會(huì)在 下面介紹。
"\w"：匹配字母，數(shù)字，下劃線.
例如我要匹配"a2345BCD__TTz" 正則："\w+" 這里的"+"字符為一個(gè)量詞指重復(fù)的次數(shù)，稍后會(huì)詳細(xì)介紹。
"\s"：匹配空格
例如字符 "a b c" 正則："\w\s\w\s\w" 一個(gè)字符后跟一個(gè)空格，如有字符間有多個(gè)空格直接把"\s" 寫成 "\s+" 讓空格重復(fù)
"."：匹配除了換行符以外的任何字符
這個(gè)算是"\w"的加強(qiáng)版了"\w"不能匹配 空格 如果把字符串加上空格用"\w"就受限了，看下用 "."是如何匹配字符"a23 4 5 B C D__TTz" 正則：".+"
"[abc]": 字符組 匹配包含括號(hào)內(nèi)元素的字符
這個(gè)比較簡(jiǎn)單了只匹配括號(hào)內(nèi)存在的字符，還可以寫成[a-z]匹配a至z的所以字母就等于可以用來(lái)控制只能輸入英文了，
2.2 幾種反義
寫法很簡(jiǎn)單改成大寫就行了，意思與原來(lái)的相反，這里就不舉例子了
"\W" 匹配任意不是字母，數(shù)字，下劃線 的字符
"\S" 匹配任意不是空白符的字符
"\D" 匹配任意非數(shù)字的字符
"\B" 匹配不是單詞開(kāi)頭或結(jié)束的位置
"[^abc]" 匹配除了abc以外的任意字符
2.3 量詞
先解釋關(guān)于量詞所涉及到的重要的三個(gè)概念
貪婪(貪心) 如"*"字符 貪婪量詞會(huì)首先匹配整個(gè)字符串，嘗試匹配時(shí)，它會(huì)選定盡可能多的內(nèi)容，如果 失敗則回退一個(gè)字符，然后再次嘗試回退的過(guò)程就叫做回溯，它會(huì)每次回退一個(gè)字符，直到找到匹配的內(nèi)容或者沒(méi)有字符可以回退。相比下面兩種貪婪量詞對(duì)資源的消耗是最大的，
懶惰(勉強(qiáng)) 如 "?" 懶惰量詞使用另一種方式匹配，它從目標(biāo)的起始位置開(kāi)始嘗試匹配，每次檢查一個(gè)字符，并尋找它要匹配的內(nèi)容，如此循環(huán)直到字符結(jié)尾處。
占有 如"+" 占有量詞會(huì)覆蓋事個(gè)目標(biāo)字符串，然后嘗試尋找匹配內(nèi)容 ，但它只嘗試一次，不會(huì)回溯，就好比先抓一把石頭，然后從石頭中挑出黃金
"*"(貪婪) 重復(fù)零次或更多
例如"aaaaaaaa" 匹配字符串中所有的a 正則： "a*" 會(huì)出到所有的字符"a"
"+"(懶惰) 重復(fù)一次或更多次
例如"aaaaaaaa" 匹配字符串中所有的a 正則： "a+" 會(huì)取到字符中所有的a字符， "a+"與"a*"不同在于"+"至少是一次而"*" 可以是0次，
稍后會(huì)與"?"字符結(jié)合來(lái)體現(xiàn)這種區(qū)別
"?"(占有) 重復(fù)零次或一次
例如"aaaaaaaa" 匹配字符串中的a 正則 ： "a?" 只會(huì)匹配一次，也就是結(jié)果只是單個(gè)字符a
"{n}" 重復(fù)n次
例如從"aaaaaaaa" 匹配字符串的a 并重復(fù)3次 正則： "a{3}" 結(jié)果就是取到3個(gè)a字符 "aaa";
"{n,m}" 重復(fù)n到m次
例如正則 "a{3,4}" 將a重復(fù)匹配3次或者4次 所以供匹配的字符可以是三個(gè)"aaa"也可以是四個(gè)"aaaa" 正則都可以匹配到
"{n,}" 重復(fù)n次或更多次
與{n,m}不同之處就在于匹配的次數(shù)將沒(méi)有上限，但至少要重復(fù)n次 如 正則"a{3,}" a至少要重復(fù)3次
把量詞了解了之后之前匹配電話號(hào)碼的正則現(xiàn)在就可以改得簡(jiǎn)單點(diǎn)了^0\d\d\d-\d\d\d\d\d\d\d$ 可以改為"^0\d+-\d{7}$"。
這樣寫還不夠完美如果因?yàn)榍懊娴膮^(qū)號(hào)沒(méi)有做限定，以至于可以輸入很多們，而通常只能是3位或者4位，
現(xiàn)在再改一下 "^0\d{2,3}-\d{7}"如此一來(lái)區(qū)號(hào)部分就可以匹配3位或者4位的了
2.4 懶惰限定符
"*?" 重復(fù)任意次，但盡可能少重復(fù)
如 "acbacb" 正則 "a.*?b" 只會(huì)取到第一個(gè)"acb" 原本可以全部取到但加了限定符后，只會(huì)匹配盡可能少的字符 ，而"acbacb"最少字符的結(jié)果就是"acb"
"+?" 重復(fù)1次或更多次，但盡可能少重復(fù)
與上面一樣，只是至少要重復(fù)1次
"??" 重復(fù)0次或1次，但盡可能少重復(fù)
如 "aaacb" 正則 "a.??b" 只會(huì)取到最后的三個(gè)字符"acb"
"{n,m}?" 重復(fù)n到m次，但盡可能少重復(fù)
如 "aaaaaaaa" 正則 "a{0,m}" 因?yàn)樽钌偈?次所以取到結(jié)果為空
"{n,}?" 重復(fù)n次以上，但盡可能少重復(fù)
如 "aaaaaaa" 正則 "a{1,}" 最少是1次所以取到結(jié)果為 "a"
三 正則進(jìn)階
3.1 捕獲分組
先了解在正則中捕獲分組的概念，其實(shí)就是一個(gè)括號(hào)內(nèi)的內(nèi)容 如 "(\d)\d" 而"(\d)" 這就是一個(gè)捕獲分組，可以對(duì)捕獲分組進(jìn)行 后向引用 (如果后而有相同的內(nèi)容則可以直接引用前面定義的捕獲組，以簡(jiǎn)化表達(dá)式) 如(\d)\d\1 這里的"\1"就是對(duì)"(\d)"的后向引用
那捕獲分組有什么用呢看個(gè)例子就知道了
如 "zery zery" 正則 \b(\w+)\b\s\1\b 所以這里的"\1"所捕獲到的字符也是 與(\w+)一樣的"zery"，為了讓組名更有意義，組名是可以自定義名字的
"\b(?name>\w+)\b\s\kname>\b" 用"?name>"就可以自定義組名了而要后向引用組時(shí)要記得寫成 "\kname>";自定義組名后,捕獲組中匹配到的值就會(huì)保存在定義的組名里
下面列出捕獲分組常有的用法
"(exp)" 匹配exp,并捕獲文本到自動(dòng)命名的組里
"(?name>exp)" 匹配exp,并捕獲文本到名稱為name的組里
"(?:exp)" 匹配exp,不捕獲匹配的文本，也不給此分組分配組號(hào)
以下為零寬斷言
"(?=exp)" 匹配exp前面的位置
如 "How are you doing" 正則"(?txt>.+(?=ing))" 這里取ing前所有的字符，并定義了一個(gè)捕獲分組名字為 "txt" 而"txt"這個(gè)組里的值為"How are you do";
"(?=exp)" 匹配exp后面的位置
如 "How are you doing" 正則"(?txt>(?=How).+)" 這里取"How"之后所有的字符，并定義了一個(gè)捕獲分組名字為 "txt" 而"txt"這個(gè)組里的值為" are you doing";
"(?!exp)" 匹配后面跟的不是exp的位置
如 "123abc" 正則 "\d{3}(?!\d)"匹配3位數(shù)字后非數(shù)字的結(jié)果
"(?!exp)" 匹配前面不是exp的位置
如 "abc123 " 正則 "(?![0-9])123" 匹配"123"前面是非數(shù)字的結(jié)果也可寫成"(?!\d)123"
四 正則實(shí)戰(zhàn)
正則在做驗(yàn)證，與數(shù)據(jù)過(guò)濾時(shí)體現(xiàn)的威力是巨大的，我想用過(guò)的朋友都知道，下面我們把剛剛了解的全部結(jié)合起來(lái)做一次實(shí)戰(zhàn) 做數(shù)據(jù)采集用正則過(guò)濾Html標(biāo)簽并取相應(yīng)的數(shù)據(jù)
我們的戰(zhàn)場(chǎng)就選在博客園吧，假設(shè)現(xiàn)在要采集博客園首頁(yè)的所有文章信息 包括文章標(biāo)題，鏈接接 作者博客地址，文章簡(jiǎn)介，文章發(fā)布時(shí)間，閱讀數(shù)據(jù)，評(píng)論數(shù) ，推薦數(shù)。
先看博客園文章的Html格式
div class="post_item">
div class="digg">
div class="diggit" onclick="DiggIt(3439076,120879,1)">
span class="diggnum" id="digg_count_3439076">4/span>
/div>
div class="clear">/div>
div id="digg_tip_3439076" class="digg_tip">/div>
/div>
div class="post_item_body">
h3>a class="titlelnk" target="_blank">分享完整的項(xiàng)目工程目錄結(jié)構(gòu)/a>/h3>
p class="post_item_summary">
a target="_blank">img width="48" height="48" class="pfs" src="http://pic.cnitblog.com/face/142964/20131116170946.png" alt=""/>/a> 在項(xiàng)目開(kāi)發(fā)過(guò)程中，如何有序的保存項(xiàng)目中的各類數(shù)據(jù)文件，建立一個(gè)分類清晰、方便管理的目錄結(jié)構(gòu)是非常重要的。 綜合以前的項(xiàng)目和一些朋友的項(xiàng)目結(jié)構(gòu)，我整理了一份我覺(jué)得還不錯(cuò)的項(xiàng)目目錄結(jié)構(gòu)。 在這里分享給大家，歡迎各位提出你寶貴的意見(jiàn)和建議。如果喜歡請(qǐng)“推薦”則個(gè)，感激萬(wàn)分??！ 整個(gè)目錄設(shè)置到4級(jí)子目錄，實(shí)...
/p>
div class="post_item_foot">
a class="lightblue">七少爺/a>
發(fā)布于 2013-11-23 15:48
span class="article_comment">a title="2013-11-23 16:40" class="gray">
評(píng)論(4)/a>/span>span class="article_view">a class="gray">閱讀(206)/a>/span>/div>
/div>
div class="clear">/div>
/div>
通過(guò)構(gòu)造一個(gè)Http請(qǐng)求來(lái)取到數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行相應(yīng)處理得到關(guān)鍵信息，在過(guò)濾Html標(biāo)簽取文章時(shí)正則的強(qiáng)大的威力就體現(xiàn)出來(lái)了，
正則的知識(shí)點(diǎn)也都基本用上了比如 "\s \w+ . * ? "還有捕獲分組，零寬斷言等等。喜歡的朋友可以試一試，然后自己看如何通過(guò)正則取相應(yīng)數(shù)據(jù)的，代碼中的正則都是很基本簡(jiǎn)單的，其意思與用法都在上文中詳細(xì)寫了。
class Program
{
static void Main(string[] args)
{
string content = HttpUtility.HttpGetHtml();
HttpUtility.GetArticles(content);
}
}
internal class HttpUtility
{
//默認(rèn)獲取第一頁(yè)數(shù)據(jù)
public static string HttpGetHtml()
{
HttpWebRequest request = (HttpWebRequest)WebRequest.Create("http://www.cnblogs.com/");
request.Accept = "text/plain, */*; q=0.01";
request.Method = "GET";
request.Headers.Add("Accept-Language", "zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3");
request.ContentLength = 0;
request.Host = "www.cnblogs.com";
request.UserAgent = "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.1 (KHTML, like Gecko) Maxthon/4.1.3.5000 Chrome/26.0.1410.43 Safari/537.1";
HttpWebResponse response = (HttpWebResponse)request.GetResponse();
Stream responStream = response.GetResponseStream();
StreamReader reader = new StreamReader(responStream, Encoding.UTF8);
string content = reader.ReadToEnd();
return content;
}
public static ListArticle> GetArticles(string htmlString)
{
ListArticle> articleList = new ListArticle>();
Regex regex = null;
Article article = null;
regex = new Regex("div class=\"post_item\">(?content>.*?)(?=div class=\"clear\">" + @"/div>\s*/div>)",
RegexOptions.Singleline);
if (regex.IsMatch(htmlString))
{
MatchCollection aritcles = regex.Matches(htmlString);
foreach (Match item in aritcles)
{
article = new Article();
//取推薦
regex =
new Regex(
"div class=\"digg\">.*span.*>(?digNum>.*)" + @"/span>" +
".*div class=\"post_item_body\">", RegexOptions.Singleline);
article.DiggNum = regex.Match(item.Value).Groups["digNum"].Value;
//取文章標(biāo)題 需要去除轉(zhuǎn)義字符
regex = new Regex("h3>(?a>.*)/h3>", RegexOptions.Singleline);
string a = regex.Match(item.Value).Groups["a"].Value;
regex = new Regex("a\\s.*href=\"(?href>.*?)\".*>(?summary>.*)/a>", RegexOptions.Singleline);
article.AritcleUrl = regex.Match(a).Groups["href"].Value;
article.AritcleTitle = regex.Match(a).Groups["summary"].Value;
//取作者圖片
regex = new Regex("a.*>(?img>img[^>].*>)/a>", RegexOptions.Singleline);
article.AuthorImg = regex.Match(item.Value).Groups["img"].Value;
//取作者博客URL及鏈接的target屬性
regex = new Regex("a\\s*?href=\"(?href>.*)\"\\s*?target=\"(?target>.*?)\">.*/a>",
RegexOptions.Singleline);
article.AuthorUrl = regex.Match(item.Value).Groups["href"].Value;
string urlTarget = regex.Match(item.Value).Groups["target"].Value;
//取文章簡(jiǎn)介
//1 先取summary Div中所有內(nèi)容
regex = new Regex("p class=\"post_item_summary\">(?summary>.*)/p>", RegexOptions.Singleline);
string summary = regex.Match(item.Value).Groups["summary"].Value;
//2 取簡(jiǎn)介
regex = new Regex("(?indroduct>(?=/a>).*)", RegexOptions.Singleline);
article.AritcleInto = regex.Match(summary).Groups["indroduct"].Value;
//取發(fā)布人與發(fā)布時(shí)間
regex =
new Regex(
"div class=\"post_item_foot\">\\s*a.*?>(?publishName>.*)/a>(?publishTime>.*)span class=\"article_comment\">",
RegexOptions.Singleline);
article.Author = regex.Match(item.Value).Groups["publishName"].Value;
article.PublishTime = regex.Match(item.Value).Groups["publishTime"].Value.Trim();
//取評(píng)論數(shù)
regex =
new Regex(
"span class=\"article_comment\">a.*>(?comment>.*)/a>/span>span class=\"article_view\">",
RegexOptions.Singleline);
article.CommentNum = regex.Match(item.Value).Groups["comment"].Value;
//取閱讀數(shù)
regex = new Regex("span\\s*class=\"article_view\">a.*>(?readNum>.*)/a>", RegexOptions.Singleline);
article.ReadNum = regex.Match(item.Value).Groups["readNum"].Value;
articleList.Add(article);
}
}
return articleList;
}
public static string ClearSpecialTag(string htmlString)
{
string htmlStr = Regex.Replace(htmlString, "\n", "", RegexOptions.IgnoreCase);
htmlStr = Regex.Replace(htmlStr, "\t", "", RegexOptions.IgnoreCase);
htmlStr = Regex.Replace(htmlStr, "\r", "", RegexOptions.IgnoreCase);
htmlStr = Regex.Replace(htmlStr, "\"", "'", RegexOptions.IgnoreCase);
return htmlStr;
}
}
public class Article
{
/// summary>
/// 文章標(biāo)題
/// /summary>
public string AritcleTitle { get; set; }
/// summary>
/// 文章鏈接
/// /summary>
public string AritcleUrl { get; set; }
/// summary>
/// 文章簡(jiǎn)介
/// /summary>
public string AritcleInto { get; set; }
/// summary>
/// 作者名
/// /summary>
public string Author { get; set; }
/// summary>
/// 作者地址
/// /summary>
public string AuthorUrl { get; set; }
/// summary>
/// 作者圖片
/// /summary>
public string AuthorImg { get; set; }
/// summary>
/// 發(fā)布時(shí)間
/// /summary>
public string PublishTime { get; set; }
/// summary>
/// 推薦數(shù)
/// /summary>
public string DiggNum { get; set; }
/// summary>
/// 評(píng)論數(shù)
/// /summary>
public string CommentNum { get; set; }
/// summary>
/// 閱讀數(shù)
/// /summary>
public string ReadNum { get; set; }
}
正則部分可能寫得不很完美，但至少也匹配出來(lái)了，另外因?yàn)樽约阂彩莿偨佑|正則，也只能寫出這種比較簡(jiǎn)單的正則。還望大家海涵~~
五 總結(jié)
正則其實(shí)并不難，了解每個(gè)符號(hào)的意思后，自己馬上動(dòng)手試一試多寫幾次自然就明白了，正則是出了名的坑多，隨便少寫了個(gè)點(diǎn)就匹配不到數(shù)據(jù)了，我也踩了很多坑，踩著踩著就踩出經(jīng)驗(yàn)了。
本文也只是對(duì)正則做了很基本的介紹，還有很多正則的字符沒(méi)有介紹，只是寫了比較常用的一些。如有錯(cuò)誤之處，還望在評(píng)論中指出，我會(huì)馬上修改。
好了，關(guān)于正則表達(dá)式知識(shí)就給大家介紹這么多，希望對(duì)大家有所幫助，如果大家有任何疑問(wèn)歡迎給我留言，小編會(huì)及時(shí)回復(fù)大家的，在此也非常感謝大家對(duì)腳本之家網(wǎng)站的支持！
您可能感興趣的文章:- 正則表達(dá)式基本語(yǔ)法及表單驗(yàn)證操作詳解【基于JS】
- JavaScript正則表達(dá)式上之基本語(yǔ)法(推薦)
- 正則表達(dá)式基本語(yǔ)法詳解
- js正則表達(dá)式基本語(yǔ)法(精粹)
- 關(guān)于正則表達(dá)式基本語(yǔ)法的應(yīng)用詳解(必看篇)
