正则表达式（入门）

定锚点，去噪点，取数据

 

1、入门：正则字符

关于正则字符，很多文章都会讲到，足足有一篇文章才能描述清楚，我这里就不多说，对于我，平时，常用的有：

1. . 匹配不包括换行的任意字符，在php的s修饰符下面可以匹配换行，如$pattern='#<div>(.*?)</div>#s';就可以匹配div内容有换行的数据。

2. \s 空格、tab

3. * 匹配零个或多个

4. + 匹配一个或多个，即至少一个

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[]里面可以使用-表示一个范围，如[0-9]表示从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[\-]

7. ^ 一行字符串开始（虚拟字符，不实际存在）

   这里的^跟[]里面用的^是同一个字符，但是却不是一个意思，这里它表示一行字符串的开始，比如^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. $ 一行字符串结束（虚拟字符，不实际存在）

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，可能结果有5、20、415等

10. ? 有两个用法

    （1） 匹配一个或零个，比如https?匹配的https（一个s）或者http（零个s）

    （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，对于源字符串

 

1. <div>
2. a
3. </div>
4. <div>
5. b
6. </div>

使用<div>(.*?)</div>会得到2个结果：

 

1. <div>
2. a
3. </div>

和

 

1. <div>
2. b
3. </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）则会得到整个字符串

 

1. <div>
2. a
3. </div>
4. <div>
5. b
6. </div>

，因为它会匹配所有字符直到后面再找不到</div>。 
11. | 多个数据选一（常用于多字符） 
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，对于源字符串

 

1. http abc
2. ftp abc
3. svn abc

http|ftp|svn abc匹配的结果是：

 

1. http

和

 

1. ftp

和

 

1. svn abc

想要匹配 http abc和ftp abc和svn abc就要使用括号把前边的协议括起来，如(http|ftp|svn) abc 可以得到预期的结果。 
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，匹配结果会得到一个[1]的子集数据，这里就是子模式的概念，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)://([^/]+)，[1]得到的是(http|ftp|svn)里面的数据，[2]得到([^/]+)里面的数据，对于嵌套括号也是点左括号即可。 
13. (?:) 非捕获组 
上面说到()作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，(?:http|ftp|svn)屏蔽这部分的数据获取，此时，(?:这个左括号要排除出[1]、[2]计数，也就是(?:http|ftp|svn)://([^/]+)中的([^/]+)变成[1]了。

---

关于常用字符的使用差不多到这里，还有更多的请参考正则表达式30分钟入门教程，这是我看过比较全面的正则入门资料。

 

2、 操作：定锚点

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，所要取的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，有这么一段源字符串：

 

1. <div id="module_1">
2. <div class="content">
3. content 1
4. </div>
5. </div>
6. <div id="module_2">
7. <div class="content">
8. content 2
9. </div>
10. </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

 

1. <div id="module_1">
2. <div class="content">
3. content 1
4. </div>
5. </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>

 

总结：锚点，就是能唯一定位你数据的标识

 

3、 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

 

总结：关心的留下，不关心的都是浮云

 

4、 操作：取数据

关于取数据，上面一大篇下来大家应该有概念了，就是利用子模式来获取，这里不再赘述。

 

总结：子模式计数，数左括号从1开始，排除非捕获组的左括号