4.正则表达式实用技巧

正则表达式的实用技巧

1. 正则表达式的平衡法则

• 只匹配期望的文本， 排除不期望的文本
• 必须易于控制和更紧
• 如果使用 NFA 引擎，必须保证效率(如果能匹配，必须很快地返回匹配结果，如果不能匹配，应该在尽可能短的时间内报告匹配失败)

2. 若干简单的例子

2.1 匹配连续行

SRC=array.c builtin.c eval.c field.c gawkmisc.c io.c main.c\
    missing.c msg.c node.c re.c version.c

^\w+=.*(\\\n.*)*               # .* 到匹配到 \\ 之后， 导致换行符 \\ 失效
^\w+=[^\n\\]*(\\\n[^\n\\]*)*   # 使用排除型字符组，避免 .* 匹配换行符 \\, 但是会带来一个问题，反斜线不能出现行尾之外的地方
^\w+=([^\n\\]|\\.)*            # 解决反斜线不能出现行尾之外的地方

2.2 匹配 IP 地址

^[0-9]+\.[0-9]+\.[0-9]$
^\d+\.\d+\.\d+\.\d+\$
^\d\d\d\.\d\d\d\.\d\d\d\.\d\d\d$
^\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}$

2.3 处理文件名

# Unix 文件名
$ perl
$path = "/usr/local/bin/gcc";
$path =~ s{^.*/}{};
print "$path";
gcc

public static void main(String[] args) {
    String path = "/usr/local/bin/gcc";
    System.out.println(path.replaceFirst("^.*/", ""));
}


# Windown 下的文件名
$path = "C:\\Program Files (x86)\\360";
$path =~ s/^.*\\//;
print "$path";
360

public static void main(String[] args) {
    String path = "C:\\Program Files (x86)\\360";
    System.out.println(path.replaceFirst("^.*\\\\", ""));
}

2.4 匹配对称的括号

\(.*\)      括号及括号内部的任何字符
\([^)]*\)   从一个开括号到最近的闭括号
\([^()]*\)  从一个开括号到最近的闭括号, 但是不容许其中包含开括号

2.5 防备不期望的匹配

s/-*/<HR>/ : 期望将每个连字符替换为<HR>, 但实际在在每一行添加<HR>, 因为 -* 中的 - 可以没有
-?[0-9]*\.?[0-9]* : 期望匹配所有数字, 包括浮点数; 但实际是 -.0、-aaa.333 也可以匹配

2.6 匹配分隔符之内的文本

1. 匹配起始分隔符
2. 匹配正文(结束分隔符之前的所有文本)
3. 匹配结束分隔符

<a>www.baidu.com</a>
(?<=>)[^<]+      # 匹配 HTML 标签之间的内容

<code>
[^<]+?[^>]       # 匹配标签内容

java android Linux
[^ ]+            # 以空格分隔

2.7 了解数据，做出假设

• 对数据进行假设，对正则表达式的应用方式做出假设

2.8 去除文本首尾的空白字符

^\s+ : 去除行首空白字符
\s+$ : 去除行尾空白字符

$ perl
$str = "   regex  ";
$str =~ s/^\s+//;
$str =~ s/\s+$//;
print "-$str-";
-regex-

3. HTML 相关范例

3.1 匹配 HTML Tag

<input name=dir value=">">
<code> text
java </pre>

<("[^"]*"|'[^']*'|[^'">])*>

<                 # 开始尖括号 "<"
    (             # 任意数量的...
        "[^"]*"   # 双引号字符串
        |         # 或者是
        '[^']*'   # 单引号字符串
        |         # 或者是
        [^'">]    # "其他文本"
    )*
>                 # 结束尖括号 ">"

3.2 匹配 HTTP URL

m{^http://([^/:]+)(:(\d+))?(/.*)?$}i

3.3 验证主机名

^
    (?i)   # 不区分大小写匹配模式
    (?: [a-z0-9]\.|[a-z0-9][-a-z0-9]{0,61}[a-z0-9]\.)*
    (?:com|edu|gov|int|mil|net|org|biz|info|name|museum|coop|aero|[a-z][a-z])
$