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：

View Code

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：

View Code

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：

View Code

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