主頁(yè) > 知識(shí)庫(kù) > 正則表達(dá)式在網(wǎng)頁(yè)處理中的應(yīng)用四則

正則表達(dá)式在網(wǎng)頁(yè)處理中的應(yīng)用四則

正則表達(dá)式（Regular Expression）為字符串模式匹配提供了一種高效、方便的方法。幾乎所有高級(jí)語(yǔ)言都提供了對(duì)正則表達(dá)式的支持，或者提供了現(xiàn)成的代碼庫(kù)供調(diào)用。本文以ASP環(huán)境中常見(jiàn)的處理任務(wù)為例，介紹正則表達(dá)式的應(yīng)用技巧。

一、檢驗(yàn)密碼和郵件地址的格式

我們的第一個(gè)實(shí)例示范正則表達(dá)式的一項(xiàng)基本功能：抽象地描述任意復(fù)雜的字符串。它的意思就是，正則表達(dá)式給予程序員一種形式化的字符串描述方法，只需很少的代碼即可描述出應(yīng)用遇到的任意字符串模式。例如，對(duì)于不從事技術(shù)工作的人來(lái)說(shuō)，密碼格式的要求可以描述如下：密碼的第一個(gè)字符必須是字母，密碼最少4個(gè)字符且不超過(guò)15個(gè)字符，密碼不能包含除字母、數(shù)字和下劃線以外的字符。

作為程序員，我們必須把上面對(duì)密碼格式的自然語(yǔ)言描述轉(zhuǎn)換成其他形式，使得ASP頁(yè)面能夠理解并應(yīng)用它來(lái)防止非法的密碼輸入。描述這個(gè)密碼格式的正則表達(dá)式是：^[a-zA-Z]\w{3,14}$。在ASP應(yīng)用里，我們可以把密碼驗(yàn)證過(guò)程寫成可重用的函數(shù)，如下所示：

Function TestPassword(strPassword)
Dim re
Set re = new RegExp
re.IgnoreCase = false
re.global = false
re.Pattern = "^[a-zA-Z]\w{3,14}$"
TestPassword = re.Test(strPassword)
End Function

下面我們把這個(gè)檢驗(yàn)密碼格式的正則表達(dá)式和自然語(yǔ)言描述對(duì)比著看看：
密碼的第一個(gè)字符必須是字母：正則表達(dá)式描述是“^[a-zA-Z]”，其中“^”表示字符串的開(kāi)始，連字符告訴RegExp匹配指定范圍的所有字符。
密碼最少4個(gè)字符且不超過(guò)15個(gè)字符：正則表達(dá)式描述是“{3,14}”。
密碼不能包含除字母、數(shù)字和下劃線以外的字符：正則表達(dá)式描述是“\w”。

幾點(diǎn)說(shuō)明：{3，14}表示前面的模式匹配至少3個(gè)、但不超過(guò)14個(gè)的字符（加上第一個(gè)字符就成了4到15個(gè)字符）。注意花括號(hào)內(nèi)的語(yǔ)法要求極其嚴(yán)格，不允許在逗號(hào)的兩邊加入空格。如果加入了空格，它將對(duì)正則表達(dá)式的含義產(chǎn)生影響，導(dǎo)致密碼格式檢驗(yàn)時(shí)產(chǎn)生錯(cuò)誤。另外，上面的正則表達(dá)式末尾也沒(méi)有加上“$”字符。$字符使得正則表達(dá)式匹配字符串直至末尾，確保合法的密碼后面沒(méi)有加上任何其他字符。

類似于密碼格式檢驗(yàn)，檢查email地址的合法性也是一個(gè)很常見(jiàn)的問(wèn)題，用正則表達(dá)式進(jìn)行簡(jiǎn)單的email地址檢驗(yàn)可以實(shí)現(xiàn)如下：

＜%
Dim re
Set re = new RegExp
re.pattern = "^\w+@[a-zA-Z_]+?\.[a-zA-Z]{2,3}$"
Response.Write re.Test("aabb@yahoo.com")
%＞

二、提取HTML頁(yè)面的特定部分

從HTML頁(yè)面提取內(nèi)容所面臨的主要問(wèn)題是，我們必須尋找一種方法精確地識(shí)別出自己想要的那一部分內(nèi)容。例如，下面是一個(gè)顯示新聞標(biāo)題的HTML代碼片斷：

＜table border="0" width="11%" class="Somestory"＞
＜tr＞
＜td width="100%"＞
＜p align="center"＞其他內(nèi)容...＜/td＞
＜/tr＞
＜/table＞
＜table border="0" width="11%" class="Headline"＞
＜tr＞
＜td width="100%"＞
＜p align="center"＞伊拉克戰(zhàn)爭(zhēng)?。?td＞
＜/tr＞
＜/table＞
＜table border="0" width="11%" class="Someotherstory"＞
＜tr＞
＜td width="100%"＞
＜p align="center"＞其他內(nèi)容...＜/td＞
＜/tr＞
＜/table＞

觀察上述代碼，很容易看出新聞標(biāo)題由位于中間的表格顯示，它的class屬性設(shè)置為Headline。如果HTML頁(yè)面非常復(fù)雜，使用Microsoft IE從5.0開(kāi)始提供的一項(xiàng)附加功能可以只查看被選中部分頁(yè)面的HTML代碼，請(qǐng)?jiān)L問(wèn)http://www.microsoft.com/Windows/ie/WebAccess/default.ASP了解詳情。對(duì)于本例，我們假定這是唯一class屬性設(shè)置為Headline的表格?，F(xiàn)在我們要?jiǎng)?chuàng)建正則表達(dá)式，通過(guò)正則表達(dá)式找到這個(gè)Headline表格并把這個(gè)表格包含到自己的頁(yè)面中。首先是編寫支持正則表達(dá)式的代碼：

＜%
Dim re, strHTML
Set re = new RegExp ' 創(chuàng)建正則表達(dá)式對(duì)象
re.IgnoreCase = true
re.Global = false ' 第一次匹配之后結(jié)束查找
%＞

下面考慮一下我們要提取的區(qū)域：在這里，我們要提取的是整個(gè)＜table＞結(jié)構(gòu)，包括結(jié)束標(biāo)記和新聞標(biāo)題的文本。因此查找的起始字符應(yīng)該是＜table＞開(kāi)始標(biāo)記： re.Pattern = "＜table.*(?=Headline)"。

這個(gè)正則表達(dá)式匹配表格的開(kāi)始標(biāo)記，能夠返回開(kāi)始標(biāo)記直至“Headline”之間的所有內(nèi)容（換行除外）。下面是返回已匹配HTML代碼的方法：

' 把所有匹配的HTML代碼放入Matches集合
Set Matches = re.Execute(strHTML)
' 顯示所有匹配的HTML代碼
For Each Item in Matches
Response.Write Item.Value
Next
' 顯示其中一項(xiàng)
Response.write Matches.Item(0).Value

運(yùn)行這段代碼處理前面顯示的HTML片斷，正則表達(dá)式返回一次匹配的內(nèi)容如下：＜table border="0" width="11%" class="。正則表達(dá)式中的“(?=Headline)”沒(méi)有獲取字符，所以不能看到表格class屬性的值。

要獲取表格剩余部分的代碼也相當(dāng)簡(jiǎn)單： re.Pattern = "＜table.*(?=Headline)(.|\n)*?＜/table＞"。其中：“(.|\n)”后面的“*”匹配0個(gè)到多個(gè)任意字符；而“？”使得“*”匹配范圍最小化，即在找到表達(dá)式的下一部分之前匹配盡可能少的字符。＜/table＞是表格的結(jié)束標(biāo)記。

“?”限制符非常重要，它防止了表達(dá)式返回其他表格的代碼。例如對(duì)于前面給出的HTML代碼片斷，如果刪除這個(gè)“?”則返回內(nèi)容將是：

＜table border="0" width="11%" class="Headline"＞
＜tr＞
＜td width="100%"＞
＜p align="center"＞伊拉克戰(zhàn)爭(zhēng)?。?td＞
＜/tr＞
＜/table＞
＜table border="0" width="11%" class="Someotherstory"＞
＜tr＞
＜td width="100%"＞
＜p align="center"＞其他內(nèi)容...＜/td＞
＜/tr＞
＜/table＞

返回的內(nèi)容不僅包含了Headline表的＜table＞標(biāo)記，而且還包含了Someotherstory表格，由此可以看出，這里的“?”是必不可少的。

本例假設(shè)了一些相當(dāng)理想化的前提。實(shí)際應(yīng)用中情況往往要復(fù)雜得多，特別是你對(duì)正在使用的源HTML代碼的編寫沒(méi)有任何影響力時(shí)，編寫ASP代碼尤為困難。最有效的方法是，多花些時(shí)間分析待提取內(nèi)容附近的HTML，經(jīng)常地測(cè)試，確保提取出來(lái)的內(nèi)容正是自己所需要的。

另外，應(yīng)當(dāng)重視并處理正則表達(dá)式不能匹配源HTML頁(yè)面任何內(nèi)容的情形。內(nèi)容的更新可能非?？焖?，不要只因?yàn)閯e人改變了內(nèi)容的格式而讓自己的頁(yè)面出現(xiàn)低級(jí)可笑的錯(cuò)誤。

三、解析文本數(shù)據(jù)文件
數(shù)據(jù)文件的格式和種類很多，XML文檔、結(jié)構(gòu)化文本甚至非結(jié)構(gòu)化文本都經(jīng)常成為ASP應(yīng)用的數(shù)據(jù)源。下面我們要看的一個(gè)例子是使用限定符的結(jié)構(gòu)化文本文件。限定符（比如引號(hào)）表示字符串各個(gè)部分不可分割，即使字符串內(nèi)部包含把記錄分隔成字段的分隔符也一樣。下面是一個(gè)簡(jiǎn)單的結(jié)構(gòu)化文本文件：

姓,名, 電話, 說(shuō)明
孫,悟空, 312 555 5656, ASP很好
豬,八戒, 847 555 5656, 我是電影制片人

這個(gè)文件非常簡(jiǎn)單，它的第一行是標(biāo)題，下面兩行是用逗號(hào)作為分隔符的記錄。要解析這個(gè)文件也很簡(jiǎn)單，只需先把文件分割成行（根據(jù)換行符號(hào)），然后把各個(gè)記錄按照字段分割。但是，如果我們?cè)谀硞€(gè)字段內(nèi)容中加入了逗號(hào)：

姓,名, 電話, 說(shuō)明
孫,悟空, 312 555 5656, 我喜歡ASP,還有VB和SQL
豬,八戒, 847 555 5656, 我是電影制片人

解析第一個(gè)記錄時(shí)就會(huì)出現(xiàn)問(wèn)題，因?yàn)樵谥徽J(rèn)可逗號(hào)分隔符的解析器看來(lái)它的最后一個(gè)字段包含了兩個(gè)字段的內(nèi)容。為了避免出現(xiàn)這類問(wèn)題，包含分隔符的字段必須用限定符包圍。單引號(hào)就是一種常用的限定符。把上面的文本文件加上單引號(hào)限定符之后，它的內(nèi)容如下所示：

姓,名, 電話, 說(shuō)明
孫,悟空, 312 555 5656, '我喜歡ASP,還有VB和SQL'
豬,八戒, 847 555 5656, '我是電影制片人'

現(xiàn)在我們能夠肯定哪一個(gè)逗號(hào)是分隔符、哪一個(gè)逗號(hào)是字段內(nèi)容了，即只需把引號(hào)內(nèi)部出現(xiàn)的逗號(hào)視為字段的內(nèi)容。接下來(lái)我們要做的就是實(shí)現(xiàn)一個(gè)正則表達(dá)式解析器，由這個(gè)解析器確定何時(shí)根據(jù)逗號(hào)分割字段、何時(shí)把逗號(hào)視為字段內(nèi)容。

這里的問(wèn)題與大多數(shù)正則表達(dá)式所面臨的略有不同。通常我們查看的是文本的一小部分，看看它是否能夠和正則表達(dá)式匹配。但在這里，只有考慮了整行文本之后我們才能可靠地判斷出哪些內(nèi)容位于引號(hào)之內(nèi)。

下面是一個(gè)說(shuō)明該問(wèn)題的例子。從某個(gè)文本文件隨意抽取半行內(nèi)容，得到：1, 沙灘, 黑色, 21, ', 狗, 貓, 鴨子, ', 。在這個(gè)例子中，因?yàn)椤?”的左邊還有其他數(shù)據(jù)，要解析清楚它的內(nèi)容是極其困難的。我們不知道這個(gè)數(shù)據(jù)片斷的前面有多少單引號(hào)，從而也就無(wú)法判斷哪些字符位于引號(hào)之內(nèi)（在引號(hào)之內(nèi)的文本解析時(shí)不能分割）。如果這個(gè)數(shù)據(jù)片斷之前有偶數(shù)個(gè)（或者沒(méi)有）單引號(hào)，那么“', 狗, 貓, 鴨子, '”是用引號(hào)界定的字符串且不可分割。如果前面的引號(hào)數(shù)量是奇數(shù)，那么“1, 沙灘, 黑色, 21, '”是某個(gè)字符串的結(jié)束部分且不可分割。

因此，正則表達(dá)式必須分析整行文本，全面考慮出現(xiàn)了多少引號(hào)才能確定字符是處在引號(hào)對(duì)的內(nèi)部還是外部，即：,(?=([^']*'[^']*')*(?![^']*'))。這個(gè)正則表達(dá)式首先找到一個(gè)引號(hào)，然后繼續(xù)查找并保證逗號(hào)后面的單引號(hào)數(shù)量或者是偶數(shù)、或者是0。該正則表達(dá)式以下面這個(gè)判斷為基礎(chǔ)：如果逗號(hào)后面的單引號(hào)數(shù)量是偶數(shù)，那么這個(gè)逗號(hào)位于字符串之外。下表給出了更詳細(xì)的說(shuō)明：

,	尋找一個(gè)逗號(hào)
(?=	繼續(xù)向前查找以匹配下面這個(gè)模式：
(	開(kāi)始一個(gè)新的模式
[^']*'	[非引號(hào)字符]0個(gè)或者多個(gè)，然后是一個(gè)引號(hào)
[^']'[^'])	[非引號(hào)字符]0個(gè)或者多個(gè)，然后是一個(gè)引號(hào)。結(jié)合前面的內(nèi)容之后它匹配引號(hào)對(duì)
)*	結(jié)束模式并匹配整個(gè)模式（引號(hào)對(duì)）0次或者多次
(?!	向前查找，排除此模式
[^']*'	[非引號(hào)字符]0個(gè)或者多個(gè)，然后是一個(gè)引號(hào)
)	結(jié)束模式

下面是一個(gè)VBScript函數(shù)，它接受一個(gè)字符串參數(shù)，根據(jù)字符串中的逗號(hào)分隔符、單引號(hào)限定符分割字符串，返回結(jié)果數(shù)組：

Function SplitAdv(strInput)
Dim objRE
Set objRE = new RegExp
' 設(shè)置RegExp對(duì)象
objRE.IgnoreCase = true
objRE.Global = true
objRE.Pattern = ",(?=([^']*'[^']*')*(?![^']*'))"
' Replace方法用chr(8)替換我們要用到的逗號(hào)，chr(8)即\b
' 字符，\b在字符串中出現(xiàn)的可能極為微小。
' 然后我們根據(jù)\b把字符串分割保存到數(shù)組
SplitAdv = Split(objRE.Replace(strInput, "\b"), "\b")
End Function

總而言之，用正則表達(dá)式解析文本數(shù)據(jù)文件具有高效、縮短開(kāi)發(fā)時(shí)間的優(yōu)點(diǎn)，能夠節(jié)省大量分析文件、根據(jù)復(fù)雜的條件提取有用數(shù)據(jù)的時(shí)間。在一個(gè)迅速發(fā)展的環(huán)境中仍會(huì)有許多傳統(tǒng)的數(shù)據(jù)可資利用，掌握如何構(gòu)造高效的數(shù)據(jù)分析例程將是一種寶貴的技能。

四、字符串替換

在最后一個(gè)例子中我們要看看VBScript正則表達(dá)式的替換功能。ASP經(jīng)常用于動(dòng)態(tài)地格式化從各種數(shù)據(jù)源獲得的文本。利用VBScript正則表達(dá)式的強(qiáng)大功能，ASP能夠動(dòng)態(tài)地改變匹配的復(fù)雜文本。通過(guò)加入HTML標(biāo)記突出顯示部分單詞就是一種常見(jiàn)的應(yīng)用，比如突出顯示搜索結(jié)果中的搜索關(guān)鍵詞。
為說(shuō)明實(shí)現(xiàn)方法，下面我們來(lái)看一個(gè)突出顯示字符串中所有“.NET”的例子。這個(gè)字符串可以從任何地方獲得，比如數(shù)據(jù)庫(kù)或者其他Web網(wǎng)站。

＜%
Set regEx = New RegExp
regEx.Global = true
regEx.IgnoreCase = True
' 正則表達(dá)式模式，
' 尋找任何結(jié)尾為“.NET”的單詞或者URL。
regEx.Pattern = "(\b[a-zA-Z\._]+?\.NET\b)"
' 用于測(cè)試替換功能的字符串
strText = "微軟建立了一個(gè)新網(wǎng)站www.ASP.NET。"
' 調(diào)用正則表達(dá)式的Replace方法
' $1表示把匹配的文本插入當(dāng)前位置
Response.Write regEx.Replace(strText, _
"＜b style='color: #000099; font-size: 18pt'＞$1＜/b＞")
%＞

這個(gè)例子中有幾個(gè)重要的地方必須注意。整個(gè)正則表達(dá)式被放入了一對(duì)圓括號(hào)中，它的作用是截取所有匹配的內(nèi)容供以后使用，這些內(nèi)容在替換文本中通過(guò)$1引用。類似的截取每次替換可以使用多達(dá)9個(gè)，分別通過(guò)$1到$9引用。正則表達(dá)式的Replace方法和VBScript本身的Replace函數(shù)不同，它只需要兩個(gè)參數(shù)：被搜索的文本，替換用的文本。
在這個(gè)例子中，為了突出顯示搜索到的“.NET”字符串，我們用粗體標(biāo)記以及其他樣式屬性來(lái)包圍這些字符串。使用這種搜索和替換技術(shù)，我們能夠方便地為網(wǎng)站搜索程序加上突出顯示搜索關(guān)鍵詞的功能，或者自動(dòng)為頁(yè)面中出現(xiàn)的關(guān)鍵詞加上指向其他頁(yè)面的鏈接。

結(jié)束語(yǔ)

希望本文介紹的幾種正則表達(dá)式技巧對(duì)你在何時(shí)、如何應(yīng)用正則表達(dá)式有所啟發(fā)。雖然本文的例子用VBScript編寫，但在ASP.NET中正則表達(dá)式同樣也大有用武之地，它是服務(wù)器端控件表單檢驗(yàn)的主要機(jī)制之一，而且通過(guò)System.Text.RegularExpressions命名空間導(dǎo)出到了整個(gè).NET框架之中。(

您可能感興趣的文章:

asp.net(c#) 使用Rex正則來(lái)生成字符串?dāng)?shù)組的代碼
asp.net驗(yàn)證一個(gè)字符串是否符合指定的正則表達(dá)式
asp.net中利用正則表達(dá)式判斷一個(gè)字符串是否為數(shù)字的代碼

標(biāo)簽：江蘇蚌埠廣元衡水萍鄉(xiāng) 衢州棗莊大理

巨人網(wǎng)絡(luò)通訊聲明：本文標(biāo)題《正則表達(dá)式在網(wǎng)頁(yè)處理中的應(yīng)用四則》，本文關(guān)鍵詞；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問(wèn)題，煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們，我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無(wú)關(guān)。