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。幾乎所有高級語言都提供了對正則表達(dá)式的支持，或者提供了現(xiàn)成的代碼庫供調(diào)用。本文以ASP環(huán)境中常見的處理任務(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，對于不從事技術(shù)工作的人來說，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，我們必須把上面對密碼格式的自然語言描述轉(zhuǎn)換成其他形式，使得ASP頁面能夠理解并應(yīng)用它來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)證過程寫成可重用的函數(shù)，如下所示：

下面我們把這個(gè)檢驗(yàn)密碼格式的正則表達(dá)式和自然語言描述對比著看看：

　　 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)說明：{3，14}表示前面的模式匹配至少3個(gè)、但不超過14個(gè)的字符（加上第一個(gè)字符就成了4到15個(gè)字符）。注意花括號內(nèi)的語法要求極其嚴(yán)格，不允許在逗號的兩邊加入空格。如果加入了空格，它將對正則表達(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)很常見的問題，用正則表達(dá)式進(jìn)行簡單的email地址檢驗(yàn)可以實(shí)現(xiàn)如下：

二、提取HTML頁面的特定部分

　　 從HTML頁面提取內(nèi)容所面臨的主要問題是，我們必須尋找一種方法精確地識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：

 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頁面非常復(fù)雜，使用Microsoft IE從5.0開始提供的一項(xiàng)附加功能可以只查看被選中部分頁面的HTML代碼，請?jiān)L問http://www.microsoft.com/Windows/ie/WebAccess/default.ASP了解詳情。對于本例，我們假定這是唯一class屬性設(shè)置為Headline的表格。現(xiàn)在我們要創(chuàng)建正則表達(dá)式，通過正則表達(dá)式找到這個(gè)Headline表格并把這個(gè)表格包含到自己的頁面中。首先是編寫支持正則表達(dá)式的代碼：

　　 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>開始標(biāo)記： re.Pattern = "<table.*(?=Headline)"。這個(gè)正則表達(dá)式匹配表格的開始標(biāo)記，能夠返回開始標(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：

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：

　　 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，特別是你對正在使用的源HTML代碼的編寫沒有任何影響力時(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)常地測試，確保提取出來的內(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頁面任何內(nèi)容的情形。內(nèi)容的更新可能非?？焖伲灰灰?yàn)閯e人改變了內(nèi)容的格式而讓自己的頁面出現(xiàn)低級可笑的錯(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）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)簡單的結(jié)構(gòu)化文本文件：

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

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

　　 現(xiàn)在我們能夠肯定哪一個(gè)逗號是分隔符、哪一個(gè)逗號是字段內(nèi)容了，即只需把引號內(nèi)部出現(xiàn)的逗號視為字段的內(nèi)容。接下來我們要做的就是實(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)逗號分割字段、何時(shí)把逗號視為字段內(nèi)容。

　　 這里的問題與大多數(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)容位于引號之內(nèi)。

　　 下面是一個(gè)說明該問題的例子。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，從而也就無法判斷哪些字符位于引號之內(nèi)（在引號之內(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)（或者沒有）單引號，那么“', 狗, 貓, 鴨子, '”是用引號界定的字符串且不可分割。如果前面的引號數(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)了多少引號才能確定字符是處在引號對的內(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，然后繼續(xù)查找并保證逗號后面的單引號數(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)：如果逗號后面的單引號數(shù)量是偶數(shù)，那么這個(gè)逗號位于字符串之外。下表給出了更詳細(xì)的說明：

,	尋找一個(gè)逗號
(?=	繼續(xù)向前查找以匹配下面這個(gè)模式：
(	開始一個(gè)新的模式
[^']*'	[非引號字符]0個(gè)或者多個(gè)，然后是一個(gè)引號
[^']*'[^']*)	[非引號字符]0個(gè)或者多個(gè)，然后是一個(gè)引號。結(jié)合前面的內(nèi)容之后它匹配引號對
)*	結(jié)束模式并匹配整個(gè)模式（引號對）0次或者多次
(?!	向前查找，排除此模式
[^']*'	[非引號字符]0個(gè)或者多個(gè)，然后是一個(gè)引號
)	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)字符串中的逗號分隔符、單引號限定符分割字符串，返回結(jié)果數(shù)組：

　　 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能夠動態(tài)地改變匹配的復(fù)雜文本。通過加入HTML標(biāo)記突出顯示部分單詞就是一種常見的應(yīng)用，比如突出顯示搜索結(jié)果中的搜索關(guān)鍵詞。

　　 為說明實(shí)現(xiàn)方法，下面我們來看一個(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)庫或者其他Web網(wǎng)站。

　　 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)式被放入了一對圓括號中，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$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$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，或者自動為頁面中出現(xiàn)的關(guān)鍵詞加上指向其他頁面的鏈接。

　　結(jié)束語

　　 希望本文介紹的幾種正則表達(dá)式技巧對你在何時(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System.Text.RegularExpressions命名空間導(dǎo)出到了整個(gè).NET框架之中。

該文章在 2011/2/1 13:23:56 編輯過