码迷,mamicode.com
首页 > 其他好文 > 详细

通过简化的正则表达式处理字符串

时间:2014-05-19 19:02:33      阅读:268      评论:0      收藏:0      [点我收藏+]

标签:style   blog   class   c   code   tar   

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。

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:\MyCode\CommonCode\CommonCode\bin\x86\Release\CommonCode.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:

bubuko.com,布布扣

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。

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; 
}

“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>;)

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>;)

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。

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\t分隔,行间以\r\n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("(*)\t(*)\t(*)\t(*)\r\n")); 
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("(*)\t(*xm*)\t(*cj*)\t(*)\r\n"));
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 

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*)\r\n")); 
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*)\r\n");
pat=pat.Replace("\r\n","(\r\n|$)");
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

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

通过简化的正则表达式处理字符串,布布扣,bubuko.com

通过简化的正则表达式处理字符串

标签:style   blog   class   c   code   tar   

原文地址:http://www.cnblogs.com/jetz/p/3734673.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!