zoukankan      html  css  js  c++  java

  • 【4】通过简化的正则表达式处理字符串

    阅读目录

     

     

    在各类应用软件的开发中，字符串操作是最常见的操作之一。在各种不同的数据类型中，字符串类型是和现实世界关联最紧密的。对字符串的读入、比较、拼接、搜索、匹配、替换、拆分等操作，是每个程序员必须要掌握的基本功。而C#的字符串处理，在历经了微软的多种开发工具的多年的积累后，达到了一个新的高度，概念上既简单明了，功能上又强大易用。大多数的字符串操作，都可以轻松应对。

    回到顶部

    常见字符串操作

    在基本的字符串应用之外，还有一些复杂性相对较高的字符串应用。其中的很多类型出现的概率较高。从本人的经验出发，常常遇到这样一些典型的应用：

    1、在较复杂的文本中查找符合某种规律的部分。常见的比如对HTML代码的解析，如要在以下HTML代码中查找所有的厂商及其链接地址：

    
<div class='blank10'></div> 
<a href='/enews/all.html' target='_blank'>厂商列表</a>&nbsp; 
<div class='w688 bor'> 
  <div class='wzgjz'><span>关键字：</span> 
       <a href='/enews/atlist0_1.html' target='_blank'>联想</a>&nbsp; 
       <a href='/enews/atlist0_2.html' target='_blank'>戴尔</a>&nbsp; 
       <a href='/enews/atlist0_3.html' target='_blank'>第二大PC厂商</a>&nbsp; 
       <a href='/enews/atlist0_4.html' target='_blank'>惠普</a>&nbsp; 
       <a href='/enews/atlist0_5.html' target='_blank'>PC</a>&nbsp; 
  </div> 
</div>

    2、解析URL地址、文件路径等，如：

    http://www.cnblogs.com/jetz/p/3727697.html
E:MyCodeCommonCodeCommonCodeinx86ReleaseCommonCode.dll

    3、配置文件的解析，如某个配置文件Test.ini的内容如下：

    [Options] 
Language=2052 
BackupPrompt=0 
HideWarnings=1 
MSG_CONFIRMCLEAN=False 
WINDOW_MAX=1

    4、Excel复制的纯文本解析，如以下的Excel：

    152056419533547[1]

    5、某些通信协议的解析：

    ST=32;CN=2071;PW=123456;MN=88888880000001;CP=&&DataTime=20040506010101;101-Ala=1.1&&

    这些解析，从技术角度来说，都不是很难的问题。但每次遇到此类问题，都要花时间去研究，去具体思考一些算法方面的问题，即使解决了，时间一长，下次遇到，还得继续重头做起！因此，本文主要尝试按照正常的解决思路，逐步找到简化这类处理的方案。

    回到顶部

    使用正则表达式处理字符串

    如果使用C#自身的字符串功能来进行处理，效率较为低下。要高效地处理字符串，正则表达式是首选。正则表达式使用单个字符串来描述、匹配一系列符合某个句法规则的字符串，它的特点是：

    1. 灵活性、逻辑性和功能性非常的强；

    2. 可以迅速地用极简单的方式达到字符串的复杂控制。

    3. 对于刚接触的人来说，比较晦涩难懂。

    关于正则表达式的语法，有很多的途径可以学习，在此不再赘述。比如，要完成HTML代码的匹配，可以通过下面的正则表达式来实现：

    
MatchCollection mas = Regex.Matches(s, "href='(?<link>.*?)' target='_blank'>(?<name>.*?)</a>"); 
for (int i = 0; i < mas.Count; i++) 
{ 
    Console.WriteLine(mas[i].Groups["name"]+"  -  "+mas[i].Groups["link"].Value); 
}

    上述的包含很多复杂字符的表达式就是正则表达式，尽管其效率高，但着实太不直观了。即使是对正则表达式用得较多的人，也不能快速地写出这个表达式。一般都是设置断点，在即时窗口中慢慢尝试，直到找到满意的表达式为止。上例的输出结果如下：

    厂商列表  -  /enews/all.html 
联想  -  /enews/atlist0_1.html 
戴尔  -  /enews/atlist0_2.html 
第二大PC厂商  -  /enews/atlist0_3.html 
惠普  -  /enews/atlist0_4.html 
PC  -  /enews/atlist0_5.html

    对于上面的协议文本，假如要获取其中的PW参数，也可以采用如下的正则表达式来完成：

    
Match mat = Regex.Match(s, "PW=(?<pw>.*?);"); 
if (mat.Success) 
{ 
    string pw = mat.Groups["pw"].Value; 
}
    回到顶部

    “前后限定”查找目标

    通过前面的例子，不难看出，很多的文本操作，都可以归纳到这种模式下：在文本中查找某个子串，需要满足的条件是，该子串的前后应该分别是某两个指定的字符串。

    前例的协议文本解析中，要找指定的参数的值，前面的串应该是“PW=”，后面的串是“;”，通过正则表达式的模式串“PW=(?<pw>.*?);”就可以找到了。

    1、简化

    对于这种常见的情况，能否进行简化呢？对于正则表达式的使用，本人的经验是：正则表达式最容易忘记的，是它的规则，以及各种各样的语言的细节。而处理的基本过程，如Regex.Match、Match.Success、Groups、Value等操作和属性，往往不容易忘记。因此，我的简化的原则是：

    1）保持正则表达式的基本处理流程

    2）对正则表达式的模式串进行简化

    因此，可以通过一个函数，通过给出前后的字符串来构造一个正则表达式的模式串。

    
//根据前后内容返回字符串 
public static string  GetPatternString(string strHead, string strTear) 
{ 
    return "(?<head>"+strHead +")"+ "(?<body>.*?)" +"(?<tear>"+ strTear+")"; 
}

    为了便于控制，分别对匹配后的三部分命名为head、body、tear，可以使用类似Group["body"].Value的方式来访问三个部分。

    测试该函数的结果为：

    Console.WriteLine(RegexUtil.GetPatternString("PW=",";"));

    输出结果为：(?<head>PW=)(?<body>.*?)(?<tear>;)

    回到顶部

    转义字符的处理

    上述模式串的生成中，还有一个较大的问题，如果传递的前后限定字符串中包含一些正则表达式的特殊符号的话，则会带来歧义。正则表达式中，以下符号都是有特定含义的：

    <>.^${}|)*+?

    如果要当作普通字符的话，需要在前面加“”进行转义。这个小小的细节却是我比较烦的一个来源，因为在写正则表达式的时候，往往很难准确的记得究竟是哪些字符需要转义，因此每次都要去查手册。

    因此，我们对于这些特殊符号，自动进行转义，去掉特殊化。这样，在大多数的情况下，我们不用考虑这些特殊符号了，任何符号都可以直接使用。

    
public static string CharTransfer(string str)  //转换为模式串 
{ 
    return str 
        .Replace(@"", "\x5C")    //优先替换 
        .Replace("<", @"<") 
        .Replace(">", @">") 
        .Replace(".", @".") 
        .Replace("$", @"$") 
        .Replace("^", @"^") 
        .Replace("{", @"{") 
        .Replace("[", @"[") 
        .Replace("(", @"(") 
        .Replace("|", @"|") 
        .Replace(")", @")") 
        .Replace("*", @"*") 
        .Replace("+", @"+") 
        .Replace("?", @"?") 
        ; 
}

    构造模式串的函数也相应的变化：

    
public static string  GetPatternString(string strHead, string strTear) 
{ 
    return "(?<head>" + CharTransfer(strHead) + ")" + "(?<body>.*?)" + "(?<tear>" + CharTransfer(strTear) + ")"; 
}

    测试中包含特殊字符“.”，结果将其转换为“.”：

    Console.WriteLine(RegexUtil.GetPatternString("1.", ";"));

    输出：(?<head>1.)(?<body>.*?)(?<tear>;)

    回到顶部

    界定串的通用化

    现在已经可以达到任意指定前后界定串的程度了，但是，在实际应用中，往往有这种情况：假如前后的定界串存在一些细节上的差异，该怎么描述？

    借鉴DOS/Windows中广为接受的通配符的做法，我们也可以定义一个通配符*，用来匹配任意文本。为了和普通的*区分，设定为“(*)”。这种模式可以看作是一种自定义的转义字符。对于“(*)”，可以转换为正则表达式的“.*?”，?的作用是惰性匹配，只要能够匹配，就以第一次的匹配结果作为结果。惰性匹配的模式能够更好的满足我们的需求。

    因此，对于CharTransfer函数，就需要加上一个自定义的转义。当然，还需要考虑到相互间的逻辑关系和转换的先后次序，处理的结果如下：

    
private static string CharTransfer(string str)  //转换为模式串 
{ 
    return str 
        .Replace("(*)", "A_n_y_C_h_a_r_s")      //(*)-->A_n_y_C_h_a_r_s-->.* ,如果先替换.*会会被当成普通的字符，如果后*也会被当成普通字符 
        .Replace(@"", "\x5C")    //优先替换 
        .Replace("<", @"<") 
        .Replace(">", @">") 
        .Replace(".", @".") 
        .Replace("$", @"$") 
        .Replace("^", @"^") 
        .Replace("{", @"{") 
        .Replace("[", @"[") 
        .Replace("(", @"(") 
        .Replace("|", @"|") 
        .Replace(")", @")") 
        .Replace("*", @"*") 
        .Replace("+", @"+") 
        .Replace("?", @"?") 
        .Replace("A_n_y_C_h_a_r_s", ".*?") 
        ; 
}

    构造出模式串后，就可以进行匹配了。正则表达式的匹配结果可以返回单个匹配和匹配集合。前者用Match方法，后者用Matches方法。本人在应用中，往往喜欢使用后者，因为后者是可以包含前者的，这种思路在JQuery中也得到了体现，默认情况下，返回的结果都是集合。

    回到顶部

    多个目标的匹配

    前述的匹配中，每次匹配，目标往往只有一个。加入需要同时匹配多个目标呢？如Excel的文本的匹配，每个单元格都以 分隔，行间以 分隔。借鉴前面的通用化思路，也可以构造出一个串，直接进行匹配。因此，对GetPatternString进行了重构，如下：

    
public static string  GetPatternString(string strHead, string strTear) 
{ 
    return "(?<head>" + CharTransfer(strHead) + ")" + "(?<body>.*?)" + "(?<tear>" + CharTransfer(strTear) + ")"; 
}

    通过多项匹配，处理过程如下：

    
string s = @" 
学号    姓名    成绩    班号 
951001    李小明    76    11 
951002    赵    林    87    21 
951003    李小敏    85    11 
951004    陈维强    50    31 
951005    林玉美    53    11 
951006    陈    山    96    21 
951007    江苏明    85    11 
951008    罗晓南    67    31 
"; 
MatchCollection mas = Regex.Matches(s, RegexUtil.GetPatternString("(*)	(*)	(*)	(*)
")); 
for (int i = 0; i < mas.Count; i++) 
{ 
	Console.WriteLine(mas[i].Value); 
}

    结果输出为：

    951001    李小明    76    11
951002    赵    林    87    21 
951003    李小敏    85    11 
951004    陈维强    50    31 
951005    林玉美    53    11 
951006    陈    山    96    21 
951007    江苏明    85    11 
951008    罗晓南    67    31

    上述例子中，为便于处理，对于每个节点最好也能命名。但由于数量不定，因此只能采用用户自行命名的方式。对此，我们设定规则如下：

    (*name*)：表示任意字符串，匹配后，其分组命名为name。

    那么，对于GetPatternString中，需要对这种表示进行解析。

    
public static string GetPatternString(string str) 
{ 
	//先处理(*)，防止干扰 
	string mypattern = str.Replace("(*)", "A_n_y_C_h_a_r_s"); 
	//先把(*name*)命名全部替换为一个不含特殊字符的串 L_e_f_t...R_i_g_h_t 
	string pat = GetPatternString("(*", "*)"); 
	mypattern = Regex.Replace(mypattern, pat, delegate(Match mat) { 
		return "L_e_f_t" + mat.Groups["body"].Value + "R_i_g_h_t"; } 
		);
	mypattern = mypattern.Replace("A_n_y_C_h_a_r_s", "(*)"); 
	//再把(*)替换回去，统一转正则表达式 
	mypattern = CharTransfer(mypattern); 
	//将特殊字符转换为正则表达式的转义字符 
	//将命名串换回符合正则表达式的样式 
	string pat2 = GetPatternString("L_e_f_t", "R_i_g_h_t"); 
	mypattern = Regex.Replace(mypattern, pat2, delegate(Match mat) { 
		return "(?<" + mat.Groups["body"].Value + ">.*?)"; } 
		); 
	return mypattern; 
}

    调用命名模式处理如下：

    
MatchCollection mas = Regex.Matches(s, RegexUtil.GetPatternString("(*)	(*xm*)	(*cj*)	(*)
"));
for (int i = 0; i < mas.Count; i++) 
{ 
	Console.WriteLine(mas[i].Groups["xm"].Value+" - "+mas[i].Groups["cj"].Value); 
}

    结果输出为：

    姓名 - 成绩 
李小明 - 76 
赵    林 - 87 
李小敏 - 85 
陈维强 - 50 
林玉美 - 53 
陈    山 - 96 
江苏明 - 85 
罗晓南 - 67
    回到顶部

    进一步扩展

    1、返回字符串数组。这个简化的意义有限。

    2、重写一个Matches。意义也有限，因为核心在模式串。

    3、构造串时，加入正则表达式的规则。在实际应用中，也有这样的需求，如无法定位结尾，命名的部分需要指定模式等。但是，综合考虑到设计初衷，还是放弃。

    对于需要特定处理的，可以对返回的串进行进一步的修改加工。如，对于配置文件的读取：

    [Options] 
Language=2052 
BackupPrompt=0 
HideWarnings=1 
MSG_CONFIRMCLEAN=False 
WINDOW_MAX=1

    采用以下代码处理：

    
string s = AccessFile.ReadFile(Application.StartupPath+"\test.ini"); 
MatchCollection mas = Regex.Matches(s,RegexUtil.GetPatternString("(*name*)=(*value*)
")); 
for (int i = 0; i < mas.Count; i++) 
{ 
	Console.WriteLine(mas[i].Groups["name"].Value+":"+mas[i].Groups["value"].Value); 
}

    输出结果为：

    Language:2052 
BackupPrompt:0 
HideWarnings:1 
MSG_CONFIRMCLEAN:False

    可以看出，最后一行没有被解析出来。因为最后一行的结束标志不是回车。

    如果对正则表达式比较熟悉的话，完全可以进行修改：

    
string s = AccessFile.ReadFile(Application.StartupPath+"\test.ini");
string pat=RegexUtil.GetPatternString("(*name*)=(*value*)
");
pat=pat.Replace("
","(
|$)");
MatchCollection mas = Regex.Matches(s,pat);
for (int i = 0; i < mas.Count; i++)
{
	Console.WriteLine(mas[i].Groups["name"].Value+":"+mas[i].Groups["value"].Value);
}

     

    输出结果如下：

    Language:2052 
BackupPrompt:0 
HideWarnings:1 
MSG_CONFIRMCLEAN:False 
WINDOW_MAX:1
    回到顶部

    结论

    对于常见的字符串操作，正则表达式是一个强有力的工具。但由于其规则的复杂，不便于在常规情况下快速运用。本文提出了一套简化的规则，屏蔽了正则表达式的细节，降低了正则表达式的使用难度：

    规则1：通过指定前后定界字符串，自动生成需要的正则表达式。函数：CommonCode.RegexUtil.GetPattern(s1,s2)

    规则2：使用“(*)”代替任意字符，其他所有特殊字符都去特殊化，可以随意使用无需考虑转义

    规则3：使用“(*name*)”来表示命名分组的任意串

    规则4：通过CommonCode.RegexUtil.GetPattern(s)，可以返回通用的模式串

    规则5：GetPattern的两个重构函数中，参数中都可以使用(*)和(*name*)

    规则6：考虑到复杂性，不支持更复杂的正则表达式，如有需要，可以获取模式串后，对其进行进一步的加工

     

    demo页面
  • 相关阅读:
    并查集扩展域 —— [NOI2001]食物链
    C++ P4568 [JLOI2011]飞行路线 ---- Dijkstra+分层图
    单源最短路径--Dijkstra
    链式前向星学习
    深度理解链式前向星
    「学习笔记」链式前向星
    【转】到底EJB是什么
    什么是JPA
    把nc v6的源码看懂
    用友--扩展插件要怎么做
  • 原文地址：https://www.cnblogs.com/jetz/p/3734673.html
Copyright © 2011-2022 走看看