定錨點，去噪點，取數(shù)據(jù)

1、入門：正則字符

關(guān)于正則字符，很多文章都會講到，足足有一篇文章才能描述清楚，我這里就不多說，對于我，平時，常用的有：

.?匹配不包括換行的任意字符，在php的s修飾符下面可以匹配換行，如$pattern='#<div>(.*?)</div>#s';就可以匹配div內(nèi)容有換行的數(shù)據(jù)。

\s?空格、tab

*?匹配零個或多個

+?匹配一個或多個，即至少一個

\?轉(zhuǎn)義

一個特殊字符前加\就表示轉(zhuǎn)義，說明把它當普通字符用

[]?單字符取一個，比如[abc]會匹配a或b或c

但是，如果[]里面加上^則會變成排除這個字符，如[^abc]就表示不是a、不是b、也不是c?
另外，在[]里面可以使用-表示一個范圍，如[0-9]表示從0到9，類似的還有[a-zA-Z]，如果要包含-字符，可以給它加上轉(zhuǎn)義[\-]

^?一行字符串開始(虛擬字符，不實際存在)

這里的^跟[]里面用的^是同一個字符，但是卻不是一個意思，這里它表示一行字符串的開始，比如^www表示以www開頭的字符串，注意區(qū)分，不在[]里面的是開始符，在里面的排除

$?一行字符串結(jié)束(虛擬字符，不實際存在)

{1,3}?循環(huán)次數(shù)

[0-9]{1,3}表示在0-9的范圍里面循環(huán)1個、2個或者3個，可能結(jié)果有5、20、415等

??有兩個用法

(1) 匹配一個或零個，比如https?匹配的https(一個s)或者http(零個s)

(2)非貪婪模式

所謂非貪婪模式，就是匹配盡可能少的內(nèi)容，比如，對于源字符串

<div>

a

</div>

<div>

b

</div>

使用<div>(.*?)</div>會得到2個結(jié)果：

<div>

a

</div>

和

<div>

b

</div>

因為，當遇到第一個</div>，非貪婪模式就不會再往后找了。?
而使用<div>(.*)</div>(貪婪模式)則會得到整個字符串

<div>

a

</div>

<div>

b

</div>

，因為它會匹配所有字符直到后面再找不到</div>。?
11.?|?多個數(shù)據(jù)選一(常用于多字符)?
前面提到[]里面的字符有選一個字符功能，但是假如不是一個字符，比如：http|ftp|svn 就需要用|分開，|的作用域是一直往后直到遇到括號，比如，對于源字符串

http abc

ftp abc

svn abc

http|ftp|svn abc匹配的結(jié)果是：

http

和

ftp

和

svn abc

想要匹配?http abc和ftp abc和svn abc就要使用括號把前邊的協(xié)議括起來，如(http|ftp|svn) abc?可以得到預(yù)期的結(jié)果。?
12.?()?數(shù)據(jù)分界和取數(shù)據(jù)

上面例子(http|ftp|svn) abc就是數(shù)據(jù)分界的例子，然后，匹配結(jié)果會得到一個[1]的子集數(shù)據(jù)，這里就是子模式的概念，利用子模式，可以得到想要取出來的數(shù)據(jù)。子模式1、2、3的計算方法為左括號的計數(shù)，從左到右，從1開始，比如：?(http|ftp|svn)://([^/]+)，[1]得到的是(http|ftp|svn)里面的數(shù)據(jù)，[2]得到([^/]+)里面的數(shù)據(jù)，對于嵌套括號也是點左括號即可。?
13.?(?:)?非捕獲組?
上面說到()作為子模式可以得到它里面的數(shù)據(jù)，但是，有些時候，()只是作為數(shù)據(jù)分界功能，并不需要取出來，這時候就要用到非捕獲組的概念了。比如：(http|ftp|svn)://([^/]+)只想得到域名，也就是[2]，那么(http|ftp|svn)就只是數(shù)據(jù)分界的功能，這里不需要捕獲，因此使用非捕獲組功能，(?:http|ftp|svn)屏蔽這部分的數(shù)據(jù)獲取，此時，(?:這個左括號要排除出[1]、[2]計數(shù)，也就是(?:http|ftp|svn)://([^/]+)中的([^/]+)變成[1]了。

---

關(guān)于常用字符的使用差不多到這里，還有更多的請參考正則表達式30分鐘入門教程，這是我看過比較全面的正則入門資料。

2、 操作：定錨點

每一個正則都是有針對性的，只有這樣正則才有意義。因此，寫正則之前，先觀察你要解析的數(shù)據(jù)，找準唯一的錨點，比如，你要解析一個頁面的title標簽，得到title內(nèi)容，那么這個title就是錨點。有時候，所要取的數(shù)據(jù)確實無法定位一個唯一的錨點，那么，你可以分解數(shù)據(jù)，先通過一個唯一錨點鎖定你的數(shù)據(jù)塊，取出來之后，再對這個數(shù)據(jù)塊取數(shù)據(jù)即可。比如，有這么一段源字符串：

<div id="module_1">

<div class="content">

content 1

</div>

</div>

<div id="module_2">

<div class="content">

content 2

</div>

</div>

你直接通過class="content"來匹配數(shù)據(jù)的話很明顯會得到兩個，那么，你可以擴展它的數(shù)據(jù)域，先以id="module_1"作為錨點，獲取整個

<div id="module_1">

<div class="content">

content 1

</div>

</div>

然后在對這個數(shù)據(jù)塊的數(shù)據(jù)處理，得到class="contents"的內(nèi)容即可。?
因此，這里用到2個正則：

(1)<div id="module_1">(.*?)</div>\s*<div id="module_2">?
(2)<div class="content">(.*?)</div>

總結(jié)：錨點，就是能唯一定位你數(shù)據(jù)的標識

3、 操作：去噪點

所謂去噪點，就是把無關(guān)的東西都當浮云，用通配符過掉它，只關(guān)心我們想要的數(shù)據(jù)，比如：?<meta content="text/html; charset=utf-8" http-equiv="content-type">?
要從這里得到字符集utf-8，我們需要怎么做？?
首先，定位錨點，有<meta?、charset=和utf-8后面的"，其他都是浮云~?
因此得到正則：?<meta[^>]*charset=([^"]+)"?
即可，用子模式取數(shù)據(jù)[1]就能得到utf-8

總結(jié)：關(guān)心的留下，不關(guān)心的都是浮云

4、 操作：取數(shù)據(jù)

關(guān)于取數(shù)據(jù)，上面一大篇下來大家應(yīng)該有概念了，就是利用子模式來獲取，這里不再贅述。

總結(jié)：子模式計數(shù)，數(shù)左括號從1開始，排除非捕獲組的左括號

總結(jié)

以上是生活随笔為你收集整理的正则表达式（入门）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。