正则表达式

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

[\-]

^

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>

，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

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：

<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

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

转载原文地址：我眼里的正则表达式（入门）