?《= 和 ?= 的用法

方法1： 匹配，捕獲(存儲(chǔ))

正則表達(dá)式：(?<=(href=")).{1,200}(?=(">))

解釋：(?<=(href=")) 表示 匹配以(href=")開(kāi)頭的字符串，并且捕獲(存儲(chǔ))到分組中

(?=(">)) 表示 匹配以(">)結(jié)尾的字符串，并且捕獲(存儲(chǔ))到分組中

匹配結(jié)果：

image

方法2： 匹配，不捕獲(不存儲(chǔ))

正則表達(dá)式：(?<=(?:href=")).{1,200}(?=(?:">))

解釋：(?<=(?:href=")) 表示 匹配以(href=")開(kāi)頭的字符串，并且不捕獲(不存儲(chǔ))到分組中

(?=(?:">)) 表示 匹配以(">)結(jié)尾的字符串，并且不捕獲(不存儲(chǔ))到分組中

匹配結(jié)果：

image

一.概念

【分組】
我們已經(jīng)提到了怎么重復(fù)單個(gè)字符（直接在字符后面加上限定符就行了）；但如果想要重復(fù)一個(gè)字符串又該怎么辦？你可以用小括號(hào)來(lái)指定子表達(dá)式(也叫做分組)，然后你就可以指定這個(gè)子表達(dá)式的重復(fù)次數(shù)了，你也可以對(duì)子表達(dá)式進(jìn)行其它一些操作(后面會(huì)有介紹)。(\d{1,3}.){3}\d{1,3}是一個(gè)簡(jiǎn)單的IP地址匹配表達(dá)式。要理解這個(gè)表達(dá)式，請(qǐng)按下列順序分析它：

\d{1,3}匹配1到3位的數(shù)字，(\d{1,3}.}{3}匹配三位數(shù)字加上一個(gè)英文句號(hào)(這個(gè)整體也就是這個(gè)分組)重復(fù)3次，最后再加上一個(gè)一到三位的數(shù)字(\d{1,3})。

不幸的是，它也將匹配256.300.888.999這種不可能存在的IP地址(IP地址中每個(gè)數(shù)字都不能大于255)。如果能使用算術(shù)比較的話，或許能簡(jiǎn)單地解決這個(gè)問(wèn)題，但是正則表達(dá)式中并不提供關(guān)于數(shù)學(xué)的任何功能，所以只能使用冗長(zhǎng)的分組，選擇，字符類來(lái)描述一個(gè)正確的IP地址：((2[0-4]\d|25[0-5]|[01]?\d\d?).){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

理解這個(gè)表達(dá)式的關(guān)鍵是理解2[0-4]\d|25[0-5]|[01]?\d\d?，這里我就不細(xì)說(shuō)了，你自己應(yīng)該能分析得出來(lái)它的意義。

【后向引用】
使用小括號(hào)指定一個(gè)子表達(dá)式后，匹配這個(gè)子表達(dá)式的文本可以在表達(dá)式或其它程序中作進(jìn)一步的處理。默認(rèn)情況下，每個(gè)分組會(huì)自動(dòng)擁有一個(gè)組號(hào)，規(guī)則是：從左向右，以分組的左括號(hào)為標(biāo)志，第一個(gè)出現(xiàn)的分組的組號(hào)為1，第二個(gè)為2，以此類推。

后向引用用于重復(fù)搜索前面某個(gè)分組匹配的文本。例如，\1代表分組1匹配的文本。難以理解？請(qǐng)看示例：

\b(\w+)\b\s+\1\b可以用來(lái)匹配重復(fù)的單詞，像go go, kitty kitty。首先是一個(gè)單詞，也就是單詞開(kāi)始處和結(jié)束處之間的多于一個(gè)的字母或數(shù)字(\b(\w+)\b)，然后是1個(gè)或幾個(gè)空白符(\s+)，最后是前面匹配的那個(gè)單詞(\1)。

你也可以自己指定子表達(dá)式的組名。要指定一個(gè)子表達(dá)式的組名，請(qǐng)使用這樣的語(yǔ)法：(?<Word>\w+)(或者把尖括號(hào)換成'也行：(?'Word'\w+)),這樣就把\w+的組名指定為Word了。要反向引用這個(gè)分組捕獲的內(nèi)容，你可以使用\k<Word>,所以上一個(gè)例子也可以寫成這樣：\b(?<Word>\w+)\b\s+\k<Word>\b。

使用小括號(hào)的時(shí)候，還有很多特定用途的語(yǔ)法。下面列出了最常用的一些：

分組語(yǔ)法 捕獲
(exp) 匹配exp,并捕獲文本到自動(dòng)命名的組里
**(?<name>exp) **匹配exp,并捕獲文本到名稱為name的組里，也可以寫成(?'name'exp)
(?:exp) 匹配exp,不捕獲匹配的文本
位置指定
**(?=exp) **匹配exp前面的位置
**(?<=exp) **匹配exp后面的位置
**(?!exp) **匹配后面跟的不是exp的位置
**(?<!exp) **匹配前面不是exp的位置
注釋
(?#comment) 這種類型的組不對(duì)正則表達(dá)式的處理產(chǎn)生任何影響，只是為了提供讓人閱讀注釋

我們已經(jīng)討論了前兩種語(yǔ)法。第三個(gè)(?:exp)不會(huì)改變正則表達(dá)式的處理方式，只是這樣的組匹配的內(nèi)容不會(huì)像前兩種那樣被捕獲到某個(gè)組里面。

位置指定
接下來(lái)的四個(gè)用于查找在某些內(nèi)容(但并不包括這些內(nèi)容)之前或之后的東西，也就是說(shuō)它們用于指定一個(gè)位置，就像\b,^,$那樣，因此它們也被稱為零寬斷言。最好還是拿例子來(lái)說(shuō)明吧：

(?=exp)也叫零寬先行斷言，它匹配文本中的某些位置，這些位置的后面能匹配給定的后綴exp。比如\b\w+(?=ing\b)，匹配以ing結(jié)尾的單詞的前面部分(除了ing以外的部分)，如果在查找I'm singing while you're dancing.時(shí)，它會(huì)匹配sing和danc。

(?<=exp)也叫零寬后行斷言，它匹配文本中的某些位置，這些位置的前面能給定的前綴匹配exp。比如(?<=\bre)\w+\b會(huì)匹配以re開(kāi)頭的單詞的后半部分(除了re以外的部分)，例如在查找reading a book時(shí)，它匹配ading。

假如你想要給一個(gè)很長(zhǎng)的數(shù)字中每三位間加一個(gè)逗號(hào)(當(dāng)然是從右邊加起了)，你可以這樣查找需要在前面和里面添加逗號(hào)的部分：((?<=\d)\d{3})*\b。請(qǐng)仔細(xì)分析這個(gè)表達(dá)式，它可能不像你第一眼看出來(lái)的那么簡(jiǎn)單。

下面這個(gè)例子同時(shí)使用了前綴和后綴：(?<=\s)\d+(?=\s)匹配以空白符間隔的數(shù)字(再次強(qiáng)調(diào)，不包括這些空白符)。

負(fù)向位置指定
前面我們提到過(guò)怎么查找不是某個(gè)字符或不在某個(gè)字符類里的字符的方法(反義)。但是如果我們只是想要確保某個(gè)字符沒(méi)有出現(xiàn)，但并不想去匹配它時(shí)怎么辦？例如，如果我們想查找這樣的單詞--它里面出現(xiàn)了字母q,但是q后面跟的不是字母u,我們可以嘗試這樣：

\b\wq[^u]\w\b匹配包含后面不是字母u的字母q的單詞。但是如果多做測(cè)試(或者你思維足夠敏銳，直接就觀察出來(lái)了)，你會(huì)發(fā)現(xiàn)，如果q出現(xiàn)在單詞的結(jié)尾的話，像Iraq,Benq，這個(gè)表達(dá)式就會(huì)出錯(cuò)。這是因?yàn)閇^{u]總是匹配一個(gè)字符，所以如果q是單詞的最后一個(gè)字符的話，后面的[}u]將會(huì)匹配q后面的單詞分隔符(可能是空格，或者是句號(hào)或其它的什么)，后面的\w\b將會(huì)匹配下一個(gè)單詞，于是\b\wq[^u]\w\b就能匹配整個(gè)Iraq fighting。負(fù)向位置指定能解決這樣的問(wèn)題，因?yàn)樗黄ヅ湟粋€(gè)位置，并不消費(fèi)任何字符?，F(xiàn)在，我們可以這樣來(lái)解決這個(gè)問(wèn)題：\b\wq(?!u)\w*\b。

零寬負(fù)向先行斷言(?!exp)，只會(huì)匹配后綴exp不存在的位置。\d{3}(?!\d)匹配三位數(shù)字，而且這三位數(shù)字的后面不能是數(shù)字。

同理，我們可以用(?<!exp),零寬負(fù)向后行斷言來(lái)查找前綴exp不存在的位置：(?<![a-z])\d{7}匹配前面不是小寫字母的七位數(shù)字(實(shí)驗(yàn)時(shí)發(fā)現(xiàn)錯(cuò)誤？注意你的“區(qū)分大小寫”先項(xiàng)是否選中)。

一個(gè)更復(fù)雜的例子：(?<=<(\w+)>).(?=</\1>)匹配不包含屬性的簡(jiǎn)單HTML標(biāo)簽內(nèi)里的內(nèi)容。(<?(\w+)>)指定了這樣的前綴：被尖括號(hào)括起來(lái)的單詞(比如可能是<b>)，然后是.(任意的字符串),最后是一個(gè)后綴(?=</\1>)。注意后綴里的/，它用到了前面提過(guò)的字符轉(zhuǎn)義；\1則是一個(gè)反向引用，引用的正是捕獲的第一組，前面的(\w+)匹配的內(nèi)容，這樣如果前綴實(shí)際上是<b>的話，后綴就是</b>了。整個(gè)表達(dá)式匹配的是<b>和</b>之間的內(nèi)容(再次提醒，不包括前綴和后綴本身)。

二.實(shí)際運(yùn)用

現(xiàn)在網(wǎng)絡(luò)上現(xiàn)在很流行的爬蟲(chóng)程序,其實(shí)就是根據(jù)正則表達(dá)式來(lái)對(duì)網(wǎng)頁(yè)進(jìn)行解析匹配獲取有用信息分組并存儲(chǔ)下來(lái)的.
像網(wǎng)頁(yè)上最多的就是像<table>,<tr>,<td>之類的標(biāo)簽,而相對(duì)于我們用戶而言,這些都是沒(méi)有任意意義的,有意義的是其中所包含的值.如<a >網(wǎng)易</a>我所所關(guān)心的就是其href屬性當(dāng)中的值,還有就是其文字結(jié)點(diǎn)的值.其它的對(duì)于我們來(lái)說(shuō)沒(méi)有任何意義.這就要運(yùn)用到我們所說(shuō)的正確表達(dá)式匹配了.
不過(guò)如果我們只是針對(duì)取某一個(gè)標(biāo)簽的結(jié)點(diǎn)值,我們可以通過(guò)javascript+DOM方法把他們?nèi)〕鰜?lái),不過(guò)要是不是一類而是要求全部?jī)?nèi)空當(dāng)中去取,那樣用DOM動(dòng)態(tài)解析的方式就顯著有時(shí)不好用了.
下同說(shuō)一個(gè)我運(yùn)用的實(shí)例吧
我有一個(gè)頁(yè)面:

我現(xiàn)在要取出其中的鏈接和相應(yīng)的關(guān)鍵描述字符,即從類似
<p> 11-13 <a href=/bj/11/70/4969837.html target=_blank> 中介 - 3500元/3居 - 豐臺(tái)區(qū)兆豐園精裝修房子一套低價(jià)出租 (玉泉路 吳家村) </a>
中取出我們想要的信息,第一就是鏈接地址:/bj/11/70/496837.html;第二就是其描述信息:中介 - 3500元/3居 - 豐臺(tái)區(qū)兆豐園精裝修房子一套低價(jià)出租 (玉泉路 吳家村)
現(xiàn)在我們來(lái)分析下我們所取字符的共同特征,簡(jiǎn)單總結(jié)一下分為以下幾個(gè)部分
1.他們都是以<a href=打頭,以</a>結(jié)尾.
2.在href屬性之后有可能還有其他的屬性標(biāo)簽,如class,等其它相關(guān)的屬性.
方向確定我們就可以確定著手寫正則式了
首先滿足第一條件頭就為<a\s+href=;就是這樣,很簡(jiǎn)單吧,同樣,末尾為</a>也可以直接寫
應(yīng)該說(shuō)現(xiàn)在已經(jīng)可以正常匹配了,不過(guò)他匹配了一個(gè)整個(gè)的<a>標(biāo)簽,不是我們所想要的,我們只是想要其中的部分
所以還需要繼續(xù)修改,因?yàn)槲覀円谝粋€(gè)標(biāo)簽中去取兩個(gè)部分,一個(gè)鏈接和描述文字,其最好的方法就是把他們放在一個(gè)分組當(dāng)中,待我們使用時(shí)可以直接使用,關(guān)于建立分組,前面的資料說(shuō)的很清楚.為了直觀,我們采用自定義分組,即(?<分組名>)格式
一起組織起來(lái)就成了我們想要的.
即