首页 > 代码库 > 正则表达式
正则表达式
正则表达式
地狱-天堂之说,源自老程序员的话.老程序员告诉我们,没有正则表达式就像地狱一般,有了正则表达式我们就像进了天堂一样.好,我们下面看这么几个需求:
需求1:“192.168.10.5[port=8080]”,这个字符串表示IP地址为192.168.10.5的服务器的8080端口是打开的,请用程序解析此字符串,然后打印出“IP地址为***的服务器的***端口是打开的”。
需求2:“192.168.10.5[port=21,type=ftp]”,这个字符串表示IP地址为192.168.10.5的服务器的21端口提供的是ftp服务,其中如果“,type=ftp”部分被省略,则默认为http服务。请用程序解析此字符串,然后打印出“IP地址为***的服务器的***端口提供的服务为***”
需求3:判断一个字符串是否是Email?必须含有@和.、不能以@或者.开始或者结束、@要在最后一个.之前(这个给点时间用我们之前的字符串的相关内容能做出来,但是太多了.)
需求4:从一个文本中提取出所有的Email:我有全部333M的照片,要的给我发email:me@wo.com。我也要you@you.com,123456@163.com,楼主好人:888888@qq.cn。
(论坛中如百度贴吧中,可以自己做个种子搜索器.请看下图)
一、查找网页中的e-mail
类似于这种情况,我们用普通的方法实现非常的困难。有个非常好的处理方法,就是正则表达式。正则表达式就是对字符串的操作。
正则是语言无关的,很多的语言当中都能用到正则表达式。
那么,到底正则表达式是个啥呢?实际上就是一些通配符。
正则给我们一些元字符,这些元字符可以理解成一些已经定义好的通配符,使用它们在字符串中找到我们想要的匹配。
那么正在等用处很多,像采集器、敏感词过滤、URLRewite、Validator中都会用到。
下面我们介绍一些元字符:
第一种是: .:匹配除\n之外的任何单个字符。
第二种是: [ ] :匹配括号中的任何一个字符。 如果要想匹配二十六个英文字母中的任意一个怎么写呢? a[a-z]b 如果也想匹配大写的A—Z的话,需要这么写 a[a-zA-Z]b
第三种是: | :将两个匹配条件进行逻辑“或”运算。 如a[a|b]b z|food 要么是z,要么是food (z|f)ood 加小括号改变优先级
第四种是: ( ) :将 () 之间括起来的表达式定义为“组”(group),并且将匹配这个表达式的字符保存到一个临时区域,这个元字符在字符串提取的时候非常有用。把一些字符表示为一个整体。改变优先级、定义提取组两个作用。
元字符2(限定符):
第一种是: *:匹配0至多个在它之前的子表达式,和通配符*没关系。 如 zoo* ,*表示可以出现0次,也可以出现多次。(可有可无,可多可少)
第二种是: + :匹配前面的子表达式一次或多次 如zoo+ ,+表示可以出现一次,或者是多次。(至少得出现一次。) 注意:* +只表示o的出现次数,要是想表示前面的整个表达式,得用小括号括起来。
第三种是: ? :匹配前面的子表达式零次或一次。 如zoo? ,要么0次,要么1次。
第四种是: {n} :匹配确定的 n 次。
第五种是: {n,m} :最少匹配 n 次且最多匹配 m 次。
元字符3
第一种是: ^(shift+6) :匹配一行的开始。如^xxx. 表示字符串必须以三个先开头,后面跟任意的单个字符。
它还有一个意思就是取反的意思,如 a[^a-zA-Z0-9]b 表示中间去大小写字符和数字都不行。
第二种是: $ :匹配行结束符。 如xxx.$ 表示结尾必须以xxx加任意字符结束。
接下来我们再看一些个元字符(一些简写的方式):
第一种是: \d:代表一个数字,等同于[0-9] 如a[0-9]b a\db
第二种是: \D:代表非数字,等同于[^0-9]
第三种是: \s:代表换行符、Tab制表符等空白字符 ,(空格、回车、制表符)
第四种是: \S:代表非空白字符(a0%$@@)
第五种是: \w:匹配字母或数字或下划线或汉字,即能组成单词的字符,除%&#@!$等字符。[a-zA-Z0-9_汉字]
第六种是: \W:非\w ,等同于[^\w] %
需要注意的地方:当放在C#中时,需要在它们之前加个\
正则表达式字符类下载地址:
下面我们主要讲解怎么去用这些正则表达式:
二、使用正则需要用到的类及导入命名空间
三、正则的几种用法
四、这是个什么类?
五、验证邮箱是否匹配代码
六、不能这么写
字符串不能这么写,字符串不能按数学上的区间来表示,写正则永远都是先找规律。
七、找规律
八、验证用户输入的数字字符串代码
字符串匹配例子:
Regex.IsMatch("bbbbg","^b.*g$");匹配,以b开头以g结尾,中间出现任意字符
Regex.IsMatch("bg", "^b.*g$");匹配,中间有也行,没有也行。
Regex.IsMatch("gege", "^b.*g$");不匹配,开头要求是b,但是字符串不是。
下面写个验证身份证号码的正则,要求:要么是15位,要么是18位的数字。
扩展在15位的时候,前14位是数字,最后一位是大小写x。
九、验证身份证号码代码
十、小作业
这个题我们可以在VS里面调试一下,试试。
十一、小作业答案
十二、衍生题目
十三、电话号码验证代码
验证如果非常的灵活的话,可以把验证单独提取到配置文件里面。将来正则表达式直接读取配置文件就可以了。配置文件想怎么改怎么改。
十四、验证email的正则
十五、自己写的邮箱验证
关于正则比较讨厌的问题是,它不好测试。出错之后必须自己去分析。
下面我们做下如下几个练习:
1、匹配IP地址,4段用.分割的最多三位数字。 192.168.54.77、333.333.333.333假设都是正确的。
1.2.222.3
192.168.0.156
十六、验证ip的正则代码
2、判断是否是合法的日期格式“2008-08-08”。四位数字-两位数字-两位数字。
十七、判断是否是合法的日期格式代码
3、判断是否是合法的url地址,http://www.test.com/a.htm?id=3&name=aaa、ftp://127.0.0.1/1.txt。字符串序列://字符串序列。
十八、判断url地址的正则
答案完整版:
1、匹配IP地址,4段用.分割的最多三位数字。 192.168.54.77、333.333.333.333假设都是正确的。 "@“^\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}$”。.是正则表达式中的特殊含义,因此需要转义。进一步严谨:^(25[0-5]|2[0-4][0-9]|[0-1]{1}[0-9]{2}|[1-9]{1}[0-9]{1}|[1-9])\.(25[0-5]|2[0-4][0-9]|[0-1]{1}[0-9]{2}|[1-9]{1}[0-9]{1}|[1-9]|0)\.(25[0-5]|2[0-4][0-9]|[0-1]{1}[0-9]{2}|[1-9]{1}[0-9]{1}|[1-9]|0)\.(25[0-5]|2[0-4][0-9]|[0-1]{1}[0-9]{2}|[1-9]{1}[0-9]{1}|[0-9])$ "2、判断是否是合法的日期格式“2008-08-08”。四位数字-两位数字-两位数字。@“^\d{4}\-\d{2}\-\d{2}$”,进一步严谨:^\d{4}\-((0[1-9])|(1[0-2]))-((0[1-9])|(1[0-9])|(2[0-9])|(3[0-1]))$
3、判断是否是合法的url地址,http://www.test.com/a.htm、ftp://127.0.0.1/1.txt。字符串序列://字符串序列。@"^\w+://.+$"。//简化的识别,项目中google搜“w3c URL 正则表达式”。.+而不是\w,否则"?id=1"中的?就不能匹配了。 http://www.test.com/a.aspx?id=1
取巧的办法:从ASP.Net的RegularExpressionValidator中抄常用的正则表达式,工作中一般是从网上找现成的。或者去http://www.regexlib.com/ 搜索。
上面推荐了一个正则的网址,非常的好用,大概演示一下子。
十九、想搜什么对应的输入就行了
下面我们看下正则表达式提取
二十、match方法
二十一、能不能for能不能foreach
二十二、为什么var不智能推断了呢?
二十三、原因
二十四、提取所有用matches
下面我们提取网页中所有的email
分享我多年收集的关于正则表达式的素材
正则表达式素材1下载地址:
正则表达式素材2:
正则表达式素材3:
正则表达式素材4:
正则表达式素材5:
二十五、把素材考进来
二十六、检查下是否是乱码
二十七、提取网页中的email的代码
请统计出126邮箱的使用人数,gmail邮箱的使用人数,并且把每个人的用户名单独的输出。
可以用我们很早以前讲过的split截取来做这个题.我们用正则表达式也能解决这个问题.
在介绍这个之前,我们先给大家介绍个稍微简单点的.
二十八、提取组
二十九、看左括号
三十、用正则提取组解决刚才的问题
字符串提取练习1(提取组练习)
从文件路径中提取出文件名(包含后缀) @"^.+\(.+)$"。比如从c:\windows\testb.txt中提取出testb.txt这个文件名出来。项目中用Path.GetFileName更好。贪婪模式。(想一下,这个时候怎么提取文件名?)
三十一、提取文件名练习
从“June 26 , 1951 ”中提取出月份June、26、1951来。@"([a-zA-Z]+)\s+\d{1,2},\s*\d{4}"进行匹配。月份和日之间是必须要有空格分割的,所以使用空白符号“\s”匹配所有的空白字符,此处的空格是必须有的,所以使用“+”标识为匹配1至多个空格。之后的“,”与年份之间的空格是可有可无的,所以使用“*”表示为匹配0至多个
三十二、提取月日年
从Email中提取出用户名和域名,比如从test@163.com中提取出test和163.com。
这个我们就不用说了。
“192.168.10.5[port=21,type=ftp]”,这个字符串表示IP地址为192.168.10.5的服务器的21端口提供的是ftp服务,其中如果“,type=ftp”部分被省略,则默认为http服务。请用程序解析此字符串,然后打印出“IP地址为***的服务器的***端口提供的服务为***”
三十三、提取ip端口号服务类型的正则
接下来我们看下贪婪模式与非贪婪模式
三十四、贪婪模式
三十五、终止贪婪模式
下面我们看一个案例:
三十六、案例1
三十七、案例2
三十八、案例3
三十九、案例3终止贪婪模式
案例:从一个页面提取所有Email地址,用WebClient,自己动手写Email群发器。
四十、提取网页中的email
练习:从网站抓取所有的图片地址,下载到硬盘:MatchCollection matches = Regex.Matches(content, "border=0\\s*src=http://www.mamicode.com/"(.*?)\">");//<img.*?src=http://www.mamicode.com/(.+)?.*?/>
我们这里用个本地图片。
四十一、本地下载
我们把它模拟成互联网上访问,
四十二、把网站部署在“网络”上
上面这个小工具已经放到文章上面的资源里面供大家下载。
四十三、下载网络图片
下载网络图片代码插入位置:
我们可以试着把网页上的超链接抓取下来。
下面我们看下字符串的替换:
四十四、正则表达式替换
练习2:将连续的-都替换成一个-
234-----234--------------34------55
四十五、练习2答案
隐去手机号码的中间4位。
四十六、替换手机中间四位
细说,之前在工作的过程中,单位有个客服中心,那些孩子们每天都要打电话,系统里面的电话是全的,但是,要是用系统的导出功能,电话的中间4位就被替换了。当时,我们没怎么注意,当把电话理出来再打的时候,发现全是废号了。
苦逼程序员写出这样的程序,当时我真想骂娘。但是,转念想想,要是自己之前用过正则,就会留心去观察了。
练习1:将一段文本中的MM/DD/YYYY格式的日期转换为YYYY-MM-DD格式 ,比如“我的生日是05/21/2010耶”转换为“我的生日是2010-05-21耶”。
四十七、提取组练习
新加:热心同学提问
新加、两个$就显示$2
练习2:给一段文本中匹配到的url添加超链接,比如把http://www.test.com替换为<a href="http://www.test.com"> http://www.test.com</a>。参考代码见备注。因为这个是整体做为一个组,比较特殊,难以理解,先把日期转换的理解了就好理解了。
四十八、匹配到的url添加超链接练习
四十九、为什么乱码呢?
因为操作系统保存的utf-8,而在这里我们没有指定用utf-8,所以就乱了。现在网上都有指定编码的。
五十、指定编码了
五十一、指定编码
当然我们这么写非常的不规范。
五十二、这样就不乱码了
五十三、这样写也不乱吗了
练习1:将文本中连续的空格替换为一个空格.
“hello welcome to China.”→”hello welcome to China”
第一个题跟我们之前做的一模一样。
练习2:给一个手机号码:13412345678, 134****5678,用正则表达式Replace()
这个也已经演示过了。
练习3:
zxh@itcast.cn→***@itcast.cn
steve_zhao@163.com→**********@163.com
sk@codeedu.com→**@codeedu.com
这个题按照我们目前的知识做还是有点困难。
把邮箱的前几位都替换成*
五十四、第一次替换
五十五、用委托这个重载
五十六、转到定义
五十七、这个类型
五十八、委托类型
要传个委托变量,什么样的变量才是委托变量呢?委托其实指向的是一个方法。这个方法必须跟委托匹配,返回值也得跟委托匹配。
五十九、用委托执行方法进行替换
我们通过这个案例,大家看到委托是,委托可以给一个方法变量,用委托才能存方法。
六十、效率不太高的写法
为了防止用户用恶意代码留言,大部分论坛都不允许使用HTML语句做为回帖内容(或者进行了转义),但是这限制了用户的发挥,比如用户无法粘贴超链接、无法粘贴图片地址,无法把自己发送的文字进行加粗,改变字号。为了解决这个问题,人们设计出了UBB代码,它提供了有限的、无危害的功能,用户只要遵循代码规则就可以实现用户想要的功能。 UBB语法:http://baike.baidu.com/view/35.htm?fr=ala0_1_1。
六十一、这就是UBB代码
发布以后就变成html标签了。就是在用户编辑的时候不让用户发html标签,全让用户发UBB标签。
我们可以到http://www.wikipedia.org搜索这ubb。
接下来我们就完成ubb代码转换成html代码。
六十二、画好界面
六十三、替换代码
现在再看看这段代码是不是非常的轻松了呢?
六十四、ubb转换代码演示
最后我们再看下敏感词过滤
接下来我们就做个敏感词过滤
六十五、画好界面并添加敏感词
当我点发帖的时候要验证一下,有没有这个词,要是有这个词的话,提示一下用户。
观察一下我们为大家提供的词库,这部分我们已经放到下载里面,请大家下载。
有些词对应mod,有些词对应banned,一种需要审核,一种就需要禁止了。
能实现但是效率不高的C#代码插入位置:
六十六、能实现但是效率不高的C#代码演示
下面我们通过正则实现,
问题是,写个什么样的正则才能匹配任意的敏感词呢?
六十七、本身就是一个正则
通过正则实现敏感词过滤代码插入位置:
如果要是发帖的人这样在 办证中间加个特殊符号,我们可以改下词库,办.{0,2}证
面试题:抓取招聘信息。
只抓取职位的超链接的href、标题,找职位超链接的“模式” http://search.51job.com/job/46629381,c.html,找规律。
使用开发人员工具,可能看到的源代码不准确。
正则表达式