正则表达式在网页处理中的应用四则
日期：2010-05-12 浏览次数：21189 次
正则表达式（Regular Expression）为字符串模式匹配提供了一种高效、方便的方法。几乎所有高级语言都提供了对正则表达式的支持，或者提供了现成的代码库供调用。本文以ASP环境中常见的处理任务为例，介绍正则表达式的应用技巧。
一、检验密码和邮件地址的格式
我们的第一个实例示范正则表达式的一项基本功能：抽象地描述任意复杂的字符串。它的意思就是，正则表达式给予程序员一种形式化的字符串描述方法，只需很少的代码即可描述出应用遇到的任意字符串模式。例如，对于不从事技术工作的人来说，密码格式的要求可以描述如下：密码的第一个字符必须是字母，密码最少4个字符且不超过15个字符，密码不能包含除字母、数字和下划线以外的字符。
作为程序员，我们必须把上面对密码格式的自然语言描述转换成其他形式，使得ASP页面能够理解并应用它来防止非法的密码输入。描述这个密码格式的正则表达式是：^[a-zA-Z]\w{3,14}$。
在ASP应用里，我们可以把密码验证过程写成可重用的函数，如下所示：
下面我们把这个检验密码格式的正则表达式和自然语言描述对比着看看：
密码的第一个字符必须是字母：正则表达式描述是“^[a-zA-Z]”，其中“^”表示字符串的开始，连字符告诉RegExp匹配指定范围的所有字符。
密码最少4个字符且不超过15个字符：正则表达式描述是“{3,14}”。
密码不能包含除字母、数字和下划线以外的字符：正则表达式描述是“\w”。
几点说明：{3，14}表示前面的模式匹配至少3个、但不超过14个的字符（加上第一个字符就成了4到15个字符）。注意花括号内的语法要求极其严格，不允许在逗号的两边加入空格。如果加入了空格，它将对正则表达式的含义产生影响，导致密码格式检验时产生错误。另外，上面的正则表达式末尾也没有加上“$”字符。$字符使得正则表达式匹配字符串直至末尾，确保合法的密码后面没有加上任何其他字符。
类似于密码格式检验，检查email地址的合法性也是一个很常见的问题，用正则表达式进行简单的email地址检验可以实现如下：
二、提取HTML页面的特定部分
从HTML页面提取内容所面临的主要问题是，我们必须寻找一种方法精确地识别出自己想要的那一部分内容。例如，下面是一个显示新闻标题的HTML代码片断：
观察上述代码，很容易看出新闻标题由位于中间的表格显示，它的class属性设置为Headline。如果HTML页面非常复杂，使用Microsoft IE从5.0开始提供的一项附加功能可以只查看被选中部分页面的HTML代码，请访问http://www.microsoft.com/Windows/ie/WebAccess/default.ASP了解详情。对于本例，我们假定这是唯一class属性设置为Headline的表格。现在我们要创建正则表达式，通过正则表达式找到这个Headline表格并把这个表格包含到自己的页面中。首先是编写支持正则表达式的代码：
下面考虑一下我们要提取的区域：在这里，我们要提取的是整个＜table＞结构，包括结束标记和新闻标题的文本。因此查找的起始字符应该是＜table＞开始标记： re.Pattern = "＜table.*(?=Headline)"。这个正则表达式匹配表格的开始标记，能够返回开始标记直至“Headline”之间的所有内容（换行除外）。下面是返回已匹配HTML代码的方法：
运行这段代码处理前面显示的HTML片断，正则表达式返回一次匹配的内容如下： ＜table border="0" width="11%" class="。正则表达式中的“(?=Headline)”没有获取字符，所以不能看到表格class属性的值。要获取表格剩余部分的代码也相当简单： re.Pattern = "＜table.*(?=Headline)(.|\n)*?＜/table＞"。其中：“(.|\n)”后面的“*”匹配0个到多个任意字符；而“？”使得“*”匹配范围最小化，即在找到表达式的下一部分之前匹配尽可能少的字符。＜/table＞是表格的结束标记。
“?”限制符非常重要，它防止了表达式返回其他表格的代码。例如对于前面给出的HTML代码片断，如果删除这个“?”则返回内容将是：
一、检验密码和邮件地址的格式
我们的第一个实例示范正则表达式的一项基本功能：抽象地描述任意复杂的字符串。它的意思就是，正则表达式给予程序员一种形式化的字符串描述方法，只需很少的代码即可描述出应用遇到的任意字符串模式。例如，对于不从事技术工作的人来说，密码格式的要求可以描述如下：密码的第一个字符必须是字母，密码最少4个字符且不超过15个字符，密码不能包含除字母、数字和下划线以外的字符。
作为程序员，我们必须把上面对密码格式的自然语言描述转换成其他形式，使得ASP页面能够理解并应用它来防止非法的密码输入。描述这个密码格式的正则表达式是：^[a-zA-Z]\w{3,14}$。
在ASP应用里，我们可以把密码验证过程写成可重用的函数，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}$" TestPassword = re.Test(strPassword) End Function |
下面我们把这个检验密码格式的正则表达式和自然语言描述对比着看看：
密码的第一个字符必须是字母：正则表达式描述是“^[a-zA-Z]”，其中“^”表示字符串的开始，连字符告诉RegExp匹配指定范围的所有字符。
密码最少4个字符且不超过15个字符：正则表达式描述是“{3,14}”。
密码不能包含除字母、数字和下划线以外的字符：正则表达式描述是“\w”。
几点说明：{3，14}表示前面的模式匹配至少3个、但不超过14个的字符（加上第一个字符就成了4到15个字符）。注意花括号内的语法要求极其严格，不允许在逗号的两边加入空格。如果加入了空格，它将对正则表达式的含义产生影响，导致密码格式检验时产生错误。另外，上面的正则表达式末尾也没有加上“$”字符。$字符使得正则表达式匹配字符串直至末尾，确保合法的密码后面没有加上任何其他字符。
类似于密码格式检验，检查email地址的合法性也是一个很常见的问题，用正则表达式进行简单的email地址检验可以实现如下：
| ＜% Dim re Set re = new RegExp re.pattern = "^\w+@[a-zA-Z_]+?\.[a-zA-Z]{2,3}$" Response.Write re.Test("aabb@yahoo.com") %＞ |
二、提取HTML页面的特定部分
从HTML页面提取内容所面临的主要问题是，我们必须寻找一种方法精确地识别出自己想要的那一部分内容。例如，下面是一个显示新闻标题的HTML代码片断：
| ＜table border="0" width="11%" class="Somestory"＞ ＜tr＞ ＜td width="100%"＞ ＜p align="center"＞其他内容...＜/td＞ ＜/tr＞ ＜/table＞ ＜table border="0" width="11%" class="Headline"＞ ＜tr＞ ＜td width="100%"＞ ＜p align="center"＞伊拉克战争！＜/td＞ ＜/tr＞ ＜/table＞ ＜table border="0" width="11%" class="Someotherstory"＞ ＜tr＞ ＜td width="100%"＞ ＜p align="center"＞其他内容...＜/td＞ ＜/tr＞ ＜/table＞ |
观察上述代码，很容易看出新闻标题由位于中间的表格显示，它的class属性设置为Headline。如果HTML页面非常复杂，使用Microsoft IE从5.0开始提供的一项附加功能可以只查看被选中部分页面的HTML代码，请访问http://www.microsoft.com/Windows/ie/WebAccess/default.ASP了解详情。对于本例，我们假定这是唯一class属性设置为Headline的表格。现在我们要创建正则表达式，通过正则表达式找到这个Headline表格并把这个表格包含到自己的页面中。首先是编写支持正则表达式的代码：
| ＜% Dim re, strHTML Set re = new RegExp ' 创建正则表达式对象 re.IgnoreCase = true re.Global = false ' 第一次匹配之后结束查找 %＞ |
下面考虑一下我们要提取的区域：在这里，我们要提取的是整个＜table＞结构，包括结束标记和新闻标题的文本。因此查找的起始字符应该是＜table＞开始标记： re.Pattern = "＜table.*(?=Headline)"。这个正则表达式匹配表格的开始标记，能够返回开始标记直至“Headline”之间的所有内容（换行除外）。下面是返回已匹配HTML代码的方法：
| ' 把所有匹配的HTML代码放入Matches集合 Set Matches = re.Execute(strHTML) ' 显示所有匹配的HTML代码 For Each Item in Matches Response.Write Item.Value Next ' 显示其中一项 Response.write Matches.Item(0).Value |
运行这段代码处理前面显示的HTML片断，正则表达式返回一次匹配的内容如下： ＜table border="0" width="11%" class="。正则表达式中的“(?=Headline)”没有获取字符，所以不能看到表格class属性的值。要获取表格剩余部分的代码也相当简单： re.Pattern = "＜table.*(?=Headline)(.|\n)*?＜/table＞"。其中：“(.|\n)”后面的“*”匹配0个到多个任意字符；而“？”使得“*”匹配范围最小化，即在找到表达式的下一部分之前匹配尽可能少的字符。＜/table＞是表格的结束标记。
“?”限制符非常重要，它防止了表达式返回其他表格的代码。例如对于前面给出的HTML代码片断，如果删除这个“?”则返回内容将是：
| ＜table border="0" width="11%" class="Headline"＞ ＜tr＞ ＜td width="100%"＞ ＜p align="center"＞伊拉克战争！＜/td＞ ＜/tr＞ ＜/table＞ ＜table border="0" width="11%" class="Someotherstory"＞ ＜tr＞
免责声明： 本文仅代表作者个人观点，与爱易网无关。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。
|
