正则表达式用法

jiangyuetian · 发表于 2007-9-28 11:19:56

正则表达式的概念

　　什么是ＵＢＢ代码？什么是正则表达式？

　　ＵＢＢ代码是HTML的一个变种。一般情况下，ＵＢＢ论坛不允许你使用ＨＴＭＬ代码，而只能用ＵＢＢ代码替代ＨＴＭＬ代码。
　　ＵＢＢ代码是一套由流行的ＵＢＢ标签组成了固定代码，代码有统一的格式。用户只要遵循代码规则就可以实现用户想要的功能。如：
　　想要显示粗体的how are you 字样，就应该输入 how are you而不是输入how are you

　　你也许会问：ＡＳＰ是怎样把 how are you转换为how are you的呢？
　　回答这个问题就是：用正则表达式。

一、正则表达式的用途

有时我们在制作网站表单数据处理的时候,都需要进行数据验证和字符串替代，特别是ＵＢＢ论坛要进行大量的数据安全性和字符串替代

邮于一般的论坛不支持HTML语法这就使得用户不能修改字体，不能贴图等等一些功能。这样使得论坛失去了吸引用户的一个强有力的途径。可能说一个强大的论坛在吸引用户数量上还是很重要的。这样就出现了一个ＵＢＢ解决方案，即在论坛不支持HTML语法的情况下用户仍然可以定制自已贴子的样式，贴图，增加链接，转贴网页等等诸多的功能，可能达到支持HTML语法同样的效果，而且这样可以使得论坛相对于HTML的论坛安全性大大提高。用户基本不能对论坛过行任何恶意攻击。

二、正则表达式的语法规则和标记

　　
　　字符描述：

　　^符号匹配字符串的开头。例如：
　　　　^abc　与“abc xyz”匹配，而不与“xyz abc”匹配

　　$符号匹配字符串的结尾。例如：
　　　　abc$　与“xyz abc”匹配，而不与“abc xyz”匹配。
　　　　注意：如果同时使用^符号和$符号，将进行精确匹配。例如：
　　　　　　　^abc$　只与“abc”匹配　　　

　　*符号匹配０个或多个前面的字符。例如：
　　　　ab*　可以匹配“ab”、“abb”、“abbb”等

　　+符号匹配至少一个前面的字符。例如：
　　　　ab+　可以匹配“abb”、“abbb”等，但不匹配“ab”。

　　?符号匹配０个或１个前面的字符。例如：
　　　　ab?c?　可以且只能匹配“abc”、“abbc”、“abcc”和“abbcc”

　　.符号匹配除换行符以外的任何字符。例如：
　　　　(.)+　匹配除换行符以外的所有字符串

　　x|y匹配“x”或“y”。例如：
　　　　abc|xyz　可匹配 “abc”或 “xyz”，而“ab(c|x)yz”匹配 “abcyz”和“abxyz”

　　{n}匹配恰好n次（n为非负整数）前面的字符。例如：
　　　　a{2}　可以匹配“aa“，但不匹配“a”

　　{n,}匹配至少n次（n为非负整数）前面的字符。例如：
　　　　a{3,}　匹配“aaa”、“aaaa”等，但不匹配“a”和“aa”。
　　　　注意：a{1,}等价于a+
　　　　　　　a{0,}等价于a*

　　{m,n}匹配至少m个，至多n个前面的字符。例如：
　　　　a{1,3}　只匹配“a”、“aa”和“aaa”。
　　　　注意：a{0,1}等价于a?

　　[xyz]表示一个字符集，匹配括号中字符的其中之一。例如：
　　　　[abc]　匹配“a”、“b”和“c”

　　[^xyz]表示一个否定的字符集。匹配不在此括号中的任何字符。例如：
　　　　[^abc]　可以匹配除“a”、“b”和“c”之外的任何字符

　　[a-z]表示某个范围内的字符，匹配指定区间内的任何字符。例如：
　　　　[a-z]　匹配从“a”到“z”之间的任何一个小写字母字符

　　[^m-n]表示某个范围之外的字符，匹配不在指定范围内的字符。例如：
　　　　[m-n]　匹配除从“m”到“n”之间的任何字符

　　\符号是转义操作符。例如：
　　　　\n　换行符
　　　　\f　分页符
　　　　\r　回车
　　　　\t　制表符
　　　　\v　垂直制表符

　　　　\\　匹配“\”
　　　　\/　匹配“/”

　　　　\s　任何白字符，包括空格、制表符、分页符等。等价于“[ \f\n\r\t\v]”
　　　　\S　任何非空白的字符。等价于“^\f\n\r\t\v]”
　　　　\w　任何单词字符，包括字母和下划线。等价于“[A-Za-z0-9_]”
　　　　\W　任何非单词字符。等价于“[^A-Za-z0-9_]”

　　　　\b匹配单词的结尾。例如：
　　　　　　ve\b　匹配单词“love”等，但不匹配“very”、“even”等

　　　　\B匹配单词的开头。例如：
　　　　　　ve\B　匹配单词“very”等，但不匹配“love”等

　　　　\d匹配一个数字字符，等价于[0-9]。例如：
　　　　　　abc\dxyz　匹配“abc2xyz”、“abc4xyz”等，但不匹配“abcaxyz”、“abc-xyz”等

　　　　\D匹配一个非数字字符，等价于[^0-9]。例如：
　　　　　　abc\Dxyz　匹配“abcaxyz”、“abc-xyz”等，但不匹配“abc2xyz”、“abc4xyz”等

　　　　\NUM匹配NUM个（其中NUM为一个正整数），引用回到记住的匹配。例如：
　　　　　　(.)\1　匹配两个连续相同的字符。

　　　　\oNUM匹配n（其中n为一个小于２５６的八进制换码值）。例如：
　　　　　　\o011　匹配制表符

　　　　\xNUM匹配NUM（其中NUM为一个小于２５６的十六进制换码值）。例如：
　　　　　　\x41　匹配字符“A”

三、实例分析

1）在字符串中精确查找链接地址

((http|https|ftp)\/\/|\\\\)((\w)+[.]){1,}(net|com|cn|org|cc|tv|[0-9]{1,3})(((\/[\~]*|\\[\~]*)
(\w)+)|[.](\w)+)*(((([?](\w)+){1}[=]*))*((\w)+){1}([\&](\w)+[\=](\w)+)*)*)

我们知道，链接地址一般以http或者https或者ftp等形式出现。初步总结一下就是，链接地址必须符合如下条件：

条件１
　以http://或者https://或者ftp://等开头（当然还有其它形式，这里只列出主要的）

条件２
　http://后面必须跟一个单词字符，紧接着单词字符后面的是"."（这样的组合必须出现一次或多次）。紧跟着“.”后面的是域名后缀（如net或者com或者cn等，如果是以IP地址的形式出现就可以是数字）

条件３
　出现完整的链接地址后，还可以出现下一级或者更多级的目录（还要注意个人主页的地址有可能出现"~"符号）

条件４
　链接地址末尾可以带参数。如典型的页数?PageNo=2&action=display等

现在我们用下面的代码来逐个匹配上面的条件——

1、((http|https|ftp)\/\/|\\\\) 满足条件１
表示http:// http:\\ https:// https:\\ ftp:// ftp:\\都匹配（在这里考虑了某些用户可能把"//"输成“\\”的易发性错误）
注意："|"表示“或者”，"\"是转义字符。“\/\/”表示"//"，“\\\\”表示"\\"

2、((\w)+[.]){1,}(net|com|cn|org|cc|tv|[0-9]{1,3}) 满足条件２
“((\w)+[.]){1,}”表示一个单词字符加一个点号可以出现1次或者多次（这里考虑了某些用户喜欢省略www而将http://www.w3c.com写成http://w3c.com）
“(net|com|cn|org|cc|tv|[0-9]{1,3})”表示必须要以net或者com或者cn或者org或者cc或者tv或者三位以下的数字结束
[0-9]{1,3}表示三位以下的数字，因为ip地址的任何段不能超过255

3、(((\/[\~]*|\\[\~]*)(\w)+)|[.](\w)+)* 满足条件３
“(\/[\~]*|\\[\~]*)”表示可以出现"/~"或者是"\~"，（其中“[\~]*”表示 ~ 可以出现也可以不出现），因为不是每个链接地址都有下一级目录
“(\w)+)|[.](\w)+)”表示必须出现一个单词字符（即目录或者是一个带有扩展名的文件）
注意：最后还有一个“*”表示上面括号内的可以出现也可以不出现，否则就只能匹配有下一级目录的链接地址了。

4、(((([?](\w)+){1}[=]*))*((\w)+){1}([\&](\w)+[\=](\w)+)*)*)满足条件４
“((([?](\w)+){1}[=]*))*((\w)+){1}”表示形如"?PageNo=2"的字符串可以出现也可以不出现，如果出现则只能出现一次（因为不可能有两个“？”号出现）。

“([\&](\w)+[\=](\w)+)*)”表示形如“&action=display”的字符串可以出现也可以不出现（因为并不是每个网页都带有两个以上的参数。

整个“((([?](\w)+){1}[=]*))*((\w)+){1}([\&](\w)+[\=](\w)+)*)*”表示形如“?PageNo=2&action=display”的字符串可以出现也可以不出现（即链接地址可以有参数也可以没有参数）

把上面的组合起来，我们就可以匹配一个比较全面的链接地址了。比用简单的“(http:\/\/\S+)”来匹配一个链接地址要好，读者可以自行行测试比较。当然，这段代码还有很多不足之处，希望大家能够继续改进。

2）替代典型的UBB标签:
我们的目的就是要把成对的替换成下面来看我们实现它的模板
　　(\[b\])(.+)(\[\/b\])
这里用了"(.+)"来配匹到之间的整个字符串，在替代的时候我们要写成这样
　　str=checkexp(re,str,"$2"
（注意：checkexp是我自定义的函数，将在后面给出。这个函数将把按照我们提供的模板进行替代。）

也许你会问这里出现一个"$2"是什么东东,呵注意了这个$2可是很重要的，它代表了"(.+)"所配匹的整个字符串。
为什么是$2而不是$1、$3呢？因为$1代表(\[b\])所匹配的""字符串，$3代表(\[\/b\])所匹配的""字符串，显然这里我们需要的是$2而不是$1$3。