手机号正则表达式验证_爬虫解析之如何分析正则表达式

爬虫解析数据的方法有很多种，我们需要根据不同的格式选择相应的解析方法。其中，正则表达式是相对通用的一种方法。本篇将涉及内容有：

• 介绍一些简单的正则表达式的知识；
• 通过两款工具介绍正则分析的方法；

什么是正则

正则的英文是regularExpression，即正则表达式。正则最早起源于对人类神经网络的研究，后来被人们应用到了计算搜索算法中。那么具体啥是正则表达式呢？

简言之，可理解为是描述一段文本组成规则的语言，它是由一系列普通与特殊字符组成的用于描述文本规则的表达式。比如，当我们想找出满足以#开头或包含有4位数字的文本，这时候就会用到正则表达式。

正则的用处有很多，下面来列举一些常见的场景：

• 在网站开发领域，如输入框表单验证，可用正则确认如昵称、邮箱、手机号码填写是否正确；
• 在爬虫数据领域，如HTML文本解析，可以利用正则获取某些元素的一部分数据；
• 编程开发工具，如代码搜索功能，通过正则，IDE为我们提供了更加强大的搜索能力；
• 运维操作领域，如Linux很多命令都支持正则，如Linux文本处理三剑客grep、sed和awk；

正则表达式适合多种场景、系统以及语言，已经是现代计算机科学中必不可少的部分。

测试工具

为了防止大家因平台和语言的差异导致的测试不便，下面会使用网页测试工具来演示正则。介绍两款工具

• 正则解析工具，主要是以图形化的语言解释正则表达式；
• 正则验证工具，功能强大且可以用来生成各种语言代码；

解析工具

该工具主要可以用来解释正则。它以友好的图形语言来展示正则的解析方式，工具地址https://regexper.com，下图就是某个正则的图像化表示。

上面输入的正则是 ^h{3}-d+-w*$。我们来看看图形化的解析结果，依次解释如下：

• 以 Start of line 开始，表示行的起始位置；
• "h"必须出现3个，即本身一次加上2次循环；
• 接着出现1个 "-"；
• digit，即数字，至少需要出现1个；
• 接着需要1个 "-"；
• 任意次word(字符)
• 以 End of line 表示结束；

这种图形化的方式来展示正则的规则还是比较形象合理的，用另一种易于理解的图形语言解释不好理解的正则，这个思路还是很值得推荐的。

但是这里展示解释了正则，具体使用还需要经过文本测试才能放心。因此，我们还需要一款支持文本测试的工具。

验证工具

工具地址：

PHP, PCRE, Python, Golang and JavaScript​regex101.com

支持文本测试，可以先点进去简单的玩一玩。

那么我们就使用这个工具进一步验证一下我们刚才写的正则吧。测试文本为 hhh-221-jjj。验证结果如下：

此处显示“hhh-221-jjj”选中着色，即为全部匹配，基本可以确定正则无误。不知道有没有觉得这个工具挺方便的，其实它还有很多功能，简单介绍一下它由哪些部分组成：

• REGULAR EXPRESSION：即正则编辑框，示例中尾部g表示全局模式，支持多种模式，如忽略大小写、多行模式，unicode模式等；
• TEST STRING：测试文本输入框，会对匹配文本着色，此处hhh-221-jjj被选中着色；
• EXPLANATION)：说明正则含义，可理解为图形解析的文字版
• MATCH INFORMATION： 示例匹配文本的位置 即0-11，相应的文本就是hhh-221-jjj；
• QUICK REFERENCE：可快速查看正则的使用方法；

还有一些其他功能，比如多种编程语言的代码自动生成，还提供正则调试器，也可以将正则保存等；

这两个网页工具，大家或许更喜欢第二个。因为它和我们平时的使用习惯跟接近。不过，第一个工具可以很帮助我们将正则具象化；

示例体验

这里介绍两个例子，初步了解下正则表达式能处理什么场景，究竟有多强大。

搜索指定单词

假设爬去的html中包含如下文本：

My name is poloxue. I haven't a polo car and polo t-shirt

我们需要检测其中是否含有polo，分析结果如下：

这里除了将polo搜索出来，poloxue也搜索了出来。这和我们的目标不一致。为达到目标，下面引入特殊符号b，我们可以将它称为元字符。b表示单词的分界符。继续看结果：

只选中了单词polo，我们的目标达成了。来看看图形解析结果：

• word boundary 表示单词边界
• 接着是文本polo

我们在这里第一次使用了元字符。

搜索手机号码

从一段复杂的文本中，搜索所有的手机号码。在开始解题前，先了解下手机号码的规则：

• 11位数字
• 13 + 9位任意数字
• 15[012356789] + 8位任意数字
• 18[0256789]+8位任意数字
• 170[059]+7位任意数字

主要有四条规则。先写出满足所有条件的正则，如下：

 b(13d{9}|15[0-35-9]d{8}|18[025-9]d{8}|170[059]d{7})b

此处之所以使用b是为了防止类似153122108880123456也匹配成功。先来看看图形化结果：

如描述的规则一样，这里主要四条路径。下面使用验证工具验证一下，假设有如下一段文本

A: What is your ID number?B: My ID number is 321323200210230023A: What is your mobile number?B: My mobile number is 15312210888

工具测试结果如下：

示例中用到了正则的很多特性，比如：

• 重复，由元字符{}指定某类字符重复重现的次数，如d{9}表示连续9个数字；
• 范围，由元字符[]指定字符范围，如[0-35-9]表示为0-3和5-9间九数任一字符；
• 分支，由元字符”|“实现，可理解为正则的“或”，文本匹配”|“分隔的任一正则即可；
• 分组，元字符()里的正则表示子正则，使用()是防止b非作用整体而是分支中的某部分；

元字符特性远不止于此，如果平时我们在使用正则时遇到一些难以理解的问题，就可以使用下前面介绍的两款工具来分析分析。