我眼里的正则表达式（入门）

2015/11/1917:54:43已关闭评论 872

正则对于新人来说是一个头疼的名字，让人闻而生畏。但是，在我看来，正则，并没有那么神秘。

接触正则应该有三年不止了吧，我也不知道自己怎么就走过了畏惧正则的时期，而且在一个小圈子里面还成了正则强人。

今天就基于我对正则的理解，简单描述一下我眼里的正则，希望能够解除正则新人对于正则的畏惧感。

先概括一下，正则三段论：

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：

. 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。
\s 空格、tab
* 匹配零个或多个
+ 匹配一个或多个，即至少一个
\ 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
[] 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[\-]
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[^ 的首位时候才有特殊意义
- [0-9-在不是首尾的时候有特殊意义
- \[ \] 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
^ 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
$ 一行字符串结束（虚拟字符，不实际存在）
{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
? 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

<div>
a
</div>
<div>
b
</div>

使用<div>(.*?)</div>会得到2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）则会得到整个字符串

<div>
a
</div>
<div>
b
</div>

http abc
ftp abc
svn abc

http|ftp|svn abc匹配的结果是：

http

和

ftp

和

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，(?:这个左括号排除[1]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：

<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>

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