一 前言
對于正則表達(dá)式，相信很多人都知道，但是很多人的第一感覺就是難學(xué)，因?yàn)榭吹谝谎蹠r，覺得完全沒有規(guī)律可尋，而且全是一堆各種各樣的特殊符號，完全不知所云。
其實(shí)只是對正則不了解而以，了解了你就會發(fā)現(xiàn)，原來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之后，可讀性比較差，而且不容易理解，本文旨在讓大家對正則有一個基本的了解，能看得懂簡單的正則表達(dá)式，寫得出簡單的正則表達(dá)式，用以滿足日常開發(fā)中的需求即可。
0\d{2}-\d{8}|0\d{3}-\d{7} 先來一段正則，如果你對正則不了解，是不是完全不知道這一串字符是什么意思？這不要緊文章會詳細(xì)解釋每個字符的含義的。
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./
2 http:///
正則匹配軟件
McTracer
用過幾個之后還是覺得這個是最好用的，支持將正則導(dǎo)成對應(yīng)的語言如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 So Happy .
二 正則字符簡單介紹
2.1 元字符介紹
'^' ：^會匹配行或者字符串的起始位置，有時還會匹配整個文檔的起始位置。
'$' ：$會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' :不會消耗任何字符只匹配一個位置，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 不會匹配is 兩邊的字符，但它會識別is 兩邊是否為單詞的邊界
'\d': 匹配數(shù)字，
例如要匹配一個固定格式的電話號碼以0開頭前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'+'字符為一個量詞指重復(fù)的次數(shù)，稍后會詳細(xì)介紹。
'\s'：匹配空格
例如字符 'a b c' 正則：'\w\s\w\s\w' 一個字符后跟一個空格，如有字符間有多個空格直接把'\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 匹配包含括號內(nèi)元素的字符
這個比較簡單了只匹配括號內(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控制只能輸入英文了，
2.2 幾種反義
寫法很簡單改成大寫就行了，意思與原來的相反，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概念
貪婪(貪心) 如'*'字符 貪婪量詞會首先匹配整個字符串，嘗試匹配時，它會選定盡可能多的內(nèi)容，如果 失敗則回退一個字符，然后再次嘗試回退的過程就叫做回溯，它會每次回退一個字符，直到找到匹配的內(nèi)容或者沒有字符可以回退。相比下面兩種貪婪量詞對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)的起始位置開始嘗試匹配，每次檢查一個字符，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'+' 占有量詞會覆蓋事個目標(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，
稍后會與'?'字符結(jié)合來體現(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?' 只會匹配一次，也就是結(jié)果只是單個字符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'aaa'也可以是四個'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碼的正則現(xiàn)在就可以改得簡單點(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)號沒有做限定，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}'如此一來區(qū)號部分就可以匹配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' 只會取到第一個'acb' 原本可以全部取到但加了限定符后，只會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' 只會取到最后的三個字符'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)就是一個括號內(nèi)的內(nèi)容 如 '(\d)\d' 而'(\d)' 這就是一個捕獲分組，可以對捕獲分組進(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，以簡化表達(dá)式) 如(\d)\d\1 這里的'\1'就是對'(\d)'的后向引用
那捕獲分組有什么用呢看個例子就知道了
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(?\w+)\b\s\k\b' 用'?'就可以自定義組名了而要后向引用組時要記得寫成 '\k';自定義組名后,捕獲組中匹配到的值就會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,并捕獲文本到自動命名的組里
'(?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
以下為零寬斷言
'(?=exp)' 匹配exp前面的位置
如 'How are you doing' 正則'(?.+(?=ing))' 這里取ing前所有的字符，并定義了一個捕獲分組名字為 'txt' 而'txt'這個組里的值為'How are you do';
'(?<=exp)' 匹配exp后面的位置
如 'How are you doing' 正則'(?(?<=How).+)' 這里取'How'之后所有的字符，并定義了一個捕獲分組名字為 'txt' 而'txt'這個組里的值為' 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
'(? 匹配前面不是exp的位置
如 'abc123 ' 正則 '(?
四 正則實(shí)戰(zhàn)
正則在做驗(yàn)證，與數(shù)據(jù)過濾時體現(xiàn)的威力是巨大的，我想用過的朋友都知道，下面我們把剛剛了解的全部結(jié)合起來做一次實(shí)戰(zhàn) 做數(shù)據(jù)采集用正則過濾Html標(biāo)簽并取相應(yīng)的數(shù)據(jù)
我們的戰(zhàn)場就選在博客園吧，假設(shè)現(xiàn)在要采集博客園首頁的所有文章信息 包括文章標(biāo)題，鏈接接 作者博客地址，文章簡介，文章發(fā)布時間，閱讀數(shù)據(jù)，評論數(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'>4span>div><div class='clear'>div> <div id='digg_tip_3439076' class='digg_tip'>div>div> <div class='post_item_body'><h3><a class='titlelnk' href='http://www.cnblogs.com/swq6413/p/3439076.html' 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 href='http://www.cnblogs.com/swq6413/' target='_blank'><img width='48' height='48' class='pfs' src='http://pic./face/142964/20131116170946.png' alt=''/>a> 在項(xiàng)目開發(fā)過程中，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)，我整理了一份我覺得還不錯的項(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和建議。如果喜歡請“推薦”則個，感激萬分??！整個目錄設(shè)置到4級子目錄，實(shí)...p> <div class='post_item_foot'> <a href='http://www.cnblogs.com/swq6413/' class='lightblue'>七少爺a> 發(fā)布于 2013-11-23 15:48<span class='article_comment'><a href='http://www.cnblogs.com/swq6413/p/3439076.html#commentform' title='2013-11-23 16:40' class='gray'> 評論(4)a>span><span class='article_view'><a href='http://www.cnblogs.com/swq6413/p/3439076.html' class='gray'>閱讀(206)a>span>div>div><div class='clear'>div>div>
通過構(gòu)造一個Http請求來取到數(shù)據(jù)并對數(shù)據(jù)進(jìn)行相應(yīng)處理得到關(guān)鍵信息，在過濾Html標(biāo)簽取文章時正則的強(qiáng)大的威力就體現(xiàn)出來了，
正則的知識點(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正則取相應(yīng)數(shù)據(jù)的，代碼中的正則都是很基本簡單的，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 List GetArticles(string htmlString) { List articleList = new List(); Regex regex = null; Article article = null; regex = new Regex('
)',
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('
.*(?.*)' + @'' +'.*
', 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('
(?.*)
', RegexOptions.Singleline);string a = regex.Match(item.Value).Groups['a'].Value;
regex = new Regex('.*?)\'.*>(?.*)', 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('(?].*>)', 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('.*)\'\\s*?target=\'(?.*?)\'>.*',
RegexOptions.Singleline);
article.AuthorUrl = regex.Match(item.Value).Groups['href'].Value;string urlTarget = regex.Match(item.Value).Groups['target'].Value;//取文章簡介//1 先取summary Div中所有內(nèi)容
regex = new Regex('
(?.*)
', RegexOptions.Singleline);string summary = regex.Match(item.Value).Groups['summary'].Value;//2 取簡介
regex = new Regex('(?(?<=).*)', RegexOptions.Singleline);
article.AritcleInto = regex.Match(summary).Groups['indroduct'].Value;//取發(fā)布人與發(fā)布時間
regex =new Regex('
\\s*(?.*)(?.*)',
RegexOptions.Singleline);
article.Author = regex.Match(item.Value).Groups['publishName'].Value;
article.PublishTime = regex.Match(item.Value).Groups['publishTime'].Value.Trim();//取評論數(shù)
regex =new Regex('(?.*)',
RegexOptions.Singleline);
article.CommentNum = regex.Match(item.Value).Groups['comment'].Value;//取閱讀數(shù)
regex = new Regex('(?.*)', 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
{/// /// 文章標(biāo)題/// public string AritcleTitle { get; set; }/// /// 文章鏈接/// public string AritcleUrl { get; set; }/// /// 文章簡介/// public string AritcleInto { get; set; }/// /// 作者名/// public string Author { get; set; }/// /// 作者地址/// public string AuthorUrl { get; set; }/// /// 作者圖片/// public string AuthorImg { get; set; }/// /// 發(fā)布時間/// public string PublishTime { get; set; }/// /// 推薦數(shù)/// public string DiggNum { get; set; }/// /// 評論數(shù)/// public string CommentNum { get; set; }/// /// 閱讀數(shù)/// public string ReadNum { get; set; }
}
正則部分可能寫得不很完美，但至少也匹配出來了，另外因?yàn)樽约阂彩莿偨佑|正則，也只能寫出這種比較簡單的正則。還望大家海涵~~
五 總結(jié)
正則其實(shí)并不難，了解每個符號的意思后，自己馬上動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。
-------------
文章轉(zhuǎn)載于https://www.cnblogs.com/zery/p/3438845.html
|
