正则表达式入门教程
一、入门:正则字符
1..
匹配不包括换行的任意字符
如果需要匹配包括换行的任意字符,可以使用[\s\S]
代替.
2.\s
匹配空格、tab、换行
[\s\S]表示匹配任意字符,\S是\s的反义
注意区分[\s\S]与.的区别
3.*
匹配零个或更多个,即0~N
4.+
匹配一个或更多个,即至少一个,1~N
5.,\
转义
一个特殊字符前加\
就表示转义,说明把它当普通字符用
6.[ ]
单字符取一个,比如[abc]会匹配a或b或c
但是,如果[ ]
里面加上^
则会变成排除这个字符,如[^abc]
就表示不是a,不是b,也不是c
另外,在[ ]
里面可以是用-
表示一个范围,如[0-9]
表示0到9,类似的还有[a-zA-Z],如果要包含-
字符,可以给它加上转义[\-]
关于[ ]
常见的错误用法是: [ab|bc]
用来表示ab
或bc
,实际上,它得到的结果是[abc|]
,即a或b或c或|
这4个字符(单字符)的任意一个.这里可以改成(ab|bc)
总结:[]
里面的特殊符有五个: []-\^
,其他字符都是普通字符,包括*.?
等
说明:
^
在[^]
的首位时才有特殊意义
[0-9]
的-
不是首位才有特殊意义
\[ \]
因为占用[ ]
本身字符,所以有特殊意义
\
本身是转义符,有特殊意义
7.^
字符串开始
这里的^
跟[ ]
里面用的^
是同一个字符,但是却不是一个意思,这里它表示整个字符串的开始,如果^www
表示以www
开头的字符串,注意区分,不在[ ]
里面的是开始符,在里面的排除
8.$
字符串结束
9.{1,3}
循环次数
[0-9]{1,3}
表示在0-9的范围里面循环1个、2个或者3个,可能结果又5、20、415等.
如果循环指定次数,如3次,则可以写成{3}
如果刚好需要匹配字符{1}
,则正则需要给{
j进行转义,等到\{1}
的正则
如果{}
中间不是数字,则{}
本身不需要转义
10.?
有两个用法
(1)、匹配一个或零个
比如https?
匹配的http或者https
(2)、非贪婪模式
所谓非贪婪模式,就是匹配尽可能少的内容,比如:
<div>a</div><div>b</div>
使用/<div>(.*?)</div>/
会得到两个结果
<div>a</div>和<div>b</div>
因为,当遇到第一个</div>
,非贪婪模式就不会再往后找了
而使用<div>(.*)</div>
贪婪模式时,则会得到整个字符串
<div>a</div><div>b</div>
11.|
多个数据选一
前面提到[]
里面的字符有选一个字符功能,但是假如不是一个字符,比如: http|ftp|svn 就需要用|
分开,|
的作用域是一直往后直到遇到括号,比如:
http abc
ftp abc
svn abc
http|ftp|svn abc
匹配的结果是:
http
ftp
svn abc
想要匹配http abc
或ftp abc
或svn abc
就要使用括号把前面的协议括起来,如(http|ftp|svn) abc
12.()
数据分界和取数据
上面例子(http|ftp|svn) abc
就是数据分界的例子,然后,匹配的结果会得到一个[1]
的子集数据(数组下标1),
这里就是子模式的概念,子模式也叫分组,利用子模式可以得到想要取出来的数据,子模式1,2,3的计算方法为左括号的计数,从左到右,从1开始比如:
(http|ftp|svn)://([^/]+)
,分组1得到的是http或ftp或svn
协议的名称,分组2得到是地址的数据,对于嵌套括号也是点左括号即可.在正则中有很多与括号结合的写法,在数左括号的时候,一定要注意,非捕获组合环视的左括号都是不需要数的.
在使用子模式的过程中,常见的两种写法是:\1
和$1
(1) \1
是在正则表达式本身中引用分组1的内容,如:
我们要匹配111
这样的连续出现3次的数字,我们可以写正则(\d)\1\1
,(\d)
匹配到第一个1,后面在引用这个匹配的内容,会得到111
(2) $1
是在替换中调用分组的内容,如:
我们要替换链接参数name=Zjmainstay
为username=Zjmainstay
,我们可以使用正则name=([^$]+)
替换为username=$1
来实现,这里的$1就引用了分组1的结果Zjmainstay
,因此得到我们想要的结果.
13.(?:)
非捕获组
上面说到()
做为子模式可以得到它里面的数据,但是,有些时候,()
只是作为数据分界功能,并不需要取出来
这时候就要用到非捕获组的概念了,比如:(http|ftp|svn)://([^/]+)
只想得到域名,也就是[2]
,那么(http|ftp|svn)
就只是数据分界的功能,这里不需要捕获,因此使用非捕获组功能,(?:htpp|ftp|svn)
屏蔽着部分的数据获取,此时,(?:
这个左括号排除[1]
计数,就是(?:http|ftp|svn)://([^/]+)
的第二个括号变成[1]
了
14.分隔符
在一些语言中,你会发现正则第一个和最后一个字符是相同的,如:
/d+/
这个/ /
在PHP中称为分隔符,正则表达式需要由分隔符闭合包裹.在PHP中,分隔符可以使任意非字母数字、非反斜线,非空白字符.这个概念很关键,它能帮助我们简化一些正则的书写,避免错误,如:
<div>.*?</div>
这个正则是错误的
原因是</div>
的/
与分隔符相同,但是却没有做转义
对于这种情况,有两种解决方案:
(1) /<div>.*?<\/div>/
(2)#<div>.*?</div>#
方案(1)是对正则内部的分隔符做转义,方案(2)是规避了本来的/
分隔符,使用#
作为分隔符,从而避免/
需要转义。
虽然很多情况下,都是看到前后一致的分隔符,但是,大家需要了解一下,[<div>.*?</div>]
这个表达式在PHP里也是合法的。(不提倡使用,仅了解!)
15.模式修饰符
模式修饰符在许多程序语言中都支持的,比如最常见的是i
,不区分大小写,如javascript里的/[a-z0-9]/i,表示匹配字母数字,不区分大小写。
二、操作:定锚点
注: 这里的锚点区分于正则原本关于锚点的定义,此处是确定的参照文本的意思,如a便签<a
每一个正则都是有针对性的,只有这样正则才有意义.因此,写正则之前,先观察你要解析的数据,找准唯一的锚点.
比如,你要解析一个页面的title标签,得到title内容,那么这个title就是锚点.有时候,所要取得数据确实无法定位一个唯一的锚点,那么,你可以分解数据,先通过一个唯一的锚点锁定你的数据块,取出来之后,再对这个数据块取数据即可.比如:
<div id="module_1">
<div class="content">
content 1
</div>
</div>
<div id="module_2">
<div class="content">
content 2
</div>
</div>
你直接通过class=”content”来匹配数据的话很明显会得到两个,那么,你可以扩展它的数据域,先以id=”module_1”作为锚点,获取整个
<div id="module_1">
<div class="content">
content 1
</div>
</div>
然后在对这个数据块的数据处理,得到class=”contents”的内容即可。
因此,这里用到2个正则:
(1)<div id="module_1">(.*?)</div>\s*<div id="module_2">
(2)<div class="content">(.*?)</div>
当然,这个正则可以改进为:
<div id="module_1">\s*<div class="content">(.*?)</div>
注:为了更清晰查看,前面源码做了换行,匹配失败的朋友,可以修改 .*? 为 [\s\S]*? 修正正则。
三、 操作:去噪点
所谓去噪点,就是把无关的东西都当浮云,用通配符过掉它,只关心我们想要的数据,比如:
<meta content="text/html; charset=utf-8" http-equiv="content-type">
要从这里得到字符集utf-8,我们需要怎么做?
首先,定位锚点,有<meta
、charset=
和utf-8后面的"
,其他都是浮云~
因此得到正则:
<meta[^>]*?charset=([^"]+)"
即可,用子模式取数据[1]
就能得到utf-8