正则表达式

抓网页，用dom很不容易，看有几个网站是100%规矩的~

 

用正则，经过试验，是最快的。（指定网页，指定内容）

 

#一个不错的文档

http://hi.baidu.com/personnel/blog/item/398142a7e792b795d0435822.html

http://hi.baidu.com/personnel/blog/item/6ac534a8ac7ef2b1ca130c23.html

http://iwgod.com/know_showKnowledgeByID=knowledge.kid_70.htm

 

另外，java正则中的几个高级东西记录一下

1. 贪婪，不情愿，所有格（贪婪+占有）

Greedy，Reluctant，Possessive

input string xfooxxxxxxfoo.

    
    Enter your regex: .*foo  // greedy quantifier
    Enter input string to search: xfooxxxxxxfoo
    I found the text "xfooxxxxxxfoo" starting at index 0 and ending at index 13.

Greedy 其实是整个字符串开始匹配，然后慢慢的backs off，这样就能得到最大匹配串
(backs off的行为到底是怎么样的我没有研究)


    Enter your regex: .*?foo  // reluctant quantifier
    Enter input string to search: xfooxxxxxxfoo
    I found the text "xfoo" starting at index 0 and ending at index 4.
    I found the text "xxxxxxfoo" starting at index 4 and ending at index 13.

reluctant 是从字符串的最开始开始匹配，慢慢的增加，所以匹配到的是最小字串


    Enter your regex: .*+foo // possessive quantifier
    Enter input string to search: xfooxxxxxxfoo
    No match found.

possessive 是greeedy + no backs off，相当于整个字符串都塞进来看，结果.*就匹配了所有串，foo没有匹配到，所有就no match found

最后推荐一下 pattern 工具，这个工具的tutorial也很不错
http://www.regular-expressions.info/tutorial.html

 

--另一个不错的文章

 

2.匹配模式

看java的类Pattern中介绍，匹配模式见Pattern类的几个静态字段

例如：Pattern.DOTALL，在 dotall 模式中，表达式 . 可以匹配任何字符，包括行结束符。默认情况下，此表达式不匹配行结束符。

启用dotall的方式有两种，从我们实际项目来看，推荐用#2，否则得老改动程序，或者写多个方法：

#1 在类中指定，Pattern.compile (String regex, int flags) ,如Pattern p = Pattern.compile(regex, Pattern.DOTALL);

#2 在正则表达式的开头用 (?s) 打开dotall，用 (?- s) 关闭dotall

 

3.匹配组

(?:X) X，作为非捕获组
与捕获组 ( ) 的意思一样也是将其作为一组进行处理，与捕获组的区别在于不捕获匹配的文本，
仅仅作为分组。
比如：要匹配 123123 这个，就可以写为 (123)\1 使用反向引用，这时只能用捕获组，在匹配
123 后会保留在内存中，便于反向引用，而 (?:123) 在匹配完后则不会保留【计算捕获组时不计算在内，即不能引用】，例如(?:123)\1 会报错！。

(?idmsux-idmsux)  Nothing，但是将匹配标志i d m s u x on - off
用于标志匹配，比如：表达式 (?i)abc(?-i)def 这时，(?i) 打开不区分大小写开关，abc 匹配
不区分大小地进行匹配，(?-i) 关闭标志，恢复不区分大小写，这时的 def 只能匹配 def

(?idmsux-idmsux:X)   X，作为带有给定标志 i d m s u x on - off  
与上面的类似，上面的表达式，可以改写成为：(?i:abc)def，或者 (?i)abc(?-i:def)

(?=X) X，通过零宽度的正 lookahead 
(?!X) X，通过零宽度的负 lookahead
(?=X) 表示当前位置（即字符的缝隙）后面允许出现的字符，比如：表示式 a(?=b)，在字符串为
ab 时，可能匹配 a，后面的 (?=b) 表示，a 后面的缝隙，可以看作是零宽度。
(?!X) 表示当前位置后面不允许出现的字符

(? <=X) X，通过零宽度的正 lookbehind 
(? <!X) X，通过零宽度的负 lookbehind
这两个与上面两个类似，上面两个是向后看，这个是向前看

(?>X) X，作为独立的非捕获组
匹配成功不进行回溯，这个比较复杂，也侵占量词“+”可以通用，比如：\d++ 可以写为 (?>\d+)。

 

4.