正則表達式識別標記——包括它之間的標記

許多朋友都用正則表達式去除html標記，或者提取html標記，一般咱們能夠很空易找到提取<>之間間的現成代碼，可是，對於a標記來講，<a 到 </a>之間的內容也是頗有價值的，如何能將整個標記所有提取出來呢？

 

 

使用這個正則表達式： <a ([~<]|<?!/a)*</a>,你就能夠將某個html中的所有<a標記找出來了，而後將提取來的完成<A標記字符串，送到下一個處理程式序，根據須要提取信息。

 

正則在使用上很是方便，像下面這些正則都是很經常使用的：

 

[^\x00-\xff] //雙字節字符(包括漢字在內)

[\u4e00-\u9fa5] //中文字符

\n\s*\r  //空白行

^\s*|\s*$   //首尾空白字符

^[a-zA-Z][a-zA-Z0-9_]{4,15}$  //賬號:字母開頭，5-16字節，字母數字可加下劃線

\d{3}-\d{8}|\d{4}-\d{7}  //電話號碼

 [1-9][0-9]{4,}  //QQ

 [1-9]\d{5}(?!\d)   //郵編

\d{15}|\d{18}  //身份證

\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)* //Email地址

<(\S*?)[^>]*>.*?</\1>|<.*?/>   //HTML標記

\d+\.\d+\.\d+\.\d+  //IP地址

[a-zA-z]+://[^\s]*  //網址URL

 

特定字符串的匹配：

^[A-Za-z]+$//匹配由26個英文字母組成的字符串

^[A-Z]+$//匹配由26個英文字母的大寫組成的字符串

^[a-z]+$//匹配由26個英文字母的小寫組成的字符串

^[A-Za-z0-9]+$//匹配由數字和26個英文字母組成的字符串

^\w+$//匹配由數字、26個英文字母或者下劃線組成的字符串

 

特定數字：

^[1-9]\d*$//正整數

^-[1-9]\d*$//負整數

^-?[1-9]\d*$//整數

^[1-9]\d*|0$//非負整數

^-[1-9]\d*|0$//非正整數

^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$//正浮點數

^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$//負浮點數

^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$//浮點數

^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$//非負浮點數

^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$//非正浮點數

 

可是正則也有它的缺點，至少有一個：當html文本很是大的時候，用一個很複雜的正則去提取內容，電腦會卡那麼一小會兒。也許這正是所謂「人無完人」吧。