登录 用户中心() [退出] 后台管理 注册
 

热门搜索:
您的位置: 首页 首页 >> 软件《文本处理大师》 >> 软件《文本处理大师》 >> 主题: 如何清理文本中的垃圾字符串 -- 正则表达式替换教程之1    [最新]
标题 如何清理文本中的垃圾字符串 -- 正则表达式替换教程之1
clq
浏览(2357) - 2014-07-21 21:10:18 发表 编辑

关键字:

[2018-09-14 22:53:19 最后更新]
偶尔看到一位网友在百度知道中说"文本处理大师"处理不了以下的垃圾字符串
"
垃7F圾7F中7F文7F网
我想造成这一情况有两圾原因,很幼稚,这圾我也知道。
垃7Z圾7Z中7Z文7Z网
什么是同性恋?如果按照世俗的观念,同性恋是种同性别的人互相爱慕,
垃3K圾3K中3K文3K网
如果按照世俗的观念,同性恋
垃1L圾1L中1L文1L网
"
最后他用别的软件替换掉了,我想说的是,ta的那个 "垃..圾..中..文..网" 的正则表达式是错误的(至少是不常规的),正确的应该是 "垃.*圾.*中.*文.*网"

我们"文本处理大师"的正则表达式替换是完全支持这一功能的,如图中所示:



[图片]
clq
2014-07-21 21:14:34 发表 编辑

当然这也提醒了我们应当有个更好的方式说明我们软件的用法,不过正则表达式本身就比较复杂,恐怕要有一系列的示例来说明,然后大家使用时直接照例子来就行了,毕竟研究正则表达式是需要花费大量的时间的,而且又很容易忘记.

也提醒下大家,有什么字符串替换不了的,不妨到我们这里来交流,大部的内容其实都是可以用正则表达式来处理的.您说功能需要我们帮您把表达式写出来就行了.

clq
2014-07-21 21:17:52 发表 编辑

下面是个简单的正则表达式教程.
--------------------------------------------------

正则表达式非常有用,查找、匹配、处理字符串、替换和转换字符串,输入输出等。而且各种语言都支持,例如.NET正则库,JDK正则包, Perl, JavaScript等各种脚本语言都支持正则表达式。下面整理一些常用的正则表达式。



字符



描述


\将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符。例如,'n' 匹配字符 "n"。'\n' 匹配一个换行符。序列 '\\' 匹配 "\" 而 "\(" 则匹配 "("。
^匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性,^ 也匹配 '\n' 或 '\r' 之后的位置。
$匹配输入字符串的结束位置。如果设置了RegExp 对象的 Multiline 属性,$ 也匹配 '\n' 或 '\r' 之前的位置。
*匹配前面的子表达式零次或多次。例如,zo* 能匹配 "z" 以及 "zoo"。* 等价于{0,}。
+匹配前面的子表达式一次或多次。例如,'zo+' 能匹配 "zo" 以及 "zoo",但不能匹配 "z"。+ 等价于 {1,}。
?匹配前面的子表达式零次或一次。例如,"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。? 等价于 {0,1}。
{n}n 是一个非负整数。匹配确定的 n 次。例如,'o{2}' 不能匹配 "Bob" 中的 'o',但是能匹配 "food" 中的两个 o。
{n,}n 是一个非负整数。至少匹配n 次。例如,'o{2,}' 不能匹配 "Bob" 中的 'o',但能匹配 "foooood" 中的所有 o。'o{1,}' 等价于 'o+'。'o{0,}' 则等价于 'o*'。
{n,m}mn 均为非负整数,其中n <= m。最少匹配 n 次且最多匹配 m 次。例如,"o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。
?当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时,匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串,而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如,对于字符串 "oooo",'o+?' 将匹配单个 "o",而 'o+' 将匹配所有 'o'。
.匹配除 "\n" 之外的任何单个字符。要匹配包括 '\n' 在内的任何字符,请使用象 '[.\n]' 的模式。
(pattern)匹配 pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到,在VBScript 中使用 SubMatches 集合,在JScript 中则使用 $0$9 属性。要匹配圆括号字符,请使用 '\(' 或 '\)'。
(?:pattern)匹配 pattern 但不获取匹配结果,也就是说这是一个非获取匹配,不进行存储供以后使用。这在使用 "或" 字符 (|) 来组合一个模式的各个部分是很有用。例如, 'industr(?:y|ies) 就是一个比 'industry|industries' 更简略的表达式。
(?=pattern)正向预查,在任何匹配 pattern
的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如,'Windows
(?=95|98|NT|2000)' 能匹配 "Windows 2000" 中的 "Windows" ,但不能匹配 "Windows 3.1"
中的
"Windows"。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始。
(?!pattern)负向预查,在任何不匹配 pattern
的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如'Windows
(?!95|98|NT|2000)' 能匹配 "Windows 3.1" 中的 "Windows",但不能匹配 "Windows 2000"
中的 "Windows"。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始
x|y匹配 xy。例如,'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配 "zood" 或 "food"。
[xyz]字符集合。匹配所包含的任意一个字符。例如, '[abc]' 可以匹配 "plain" 中的 'a'。
[^xyz]负值字符集合。匹配未包含的任意字符。例如, '[^abc]' 可以匹配 "plain" 中的'p'。
[a-z]字符范围。匹配指定范围内的任意字符。例如,'[a-z]' 可以匹配 'a' 到 'z' 范围内的任意小写字母字符。
[^a-z]负值字符范围。匹配任何不在指定范围内的任意字符。例如,'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。
\b匹配一个单词边界,也就是指单词和空格间的位置。例如, 'er\b' 可以匹配"never" 中的 'er',但不能匹配 "verb" 中的 'er'。
\B匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er',但不能匹配 "never" 中的 'er'。
\cx匹配由 x 指明的控制字符。例如, \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则,将 c 视为一个原义的 'c' 字符。
\d匹配一个数字字符。等价于 [0-9]。
\D匹配一个非数字字符。等价于 [^0-9]。
\f匹配一个换页符。等价于 \x0c 和 \cL。
\n匹配一个换行符。等价于 \x0a 和 \cJ。
\r匹配一个回车符。等价于 \x0d 和 \cM。
\s匹配任何空白字符,包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S

匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。


\t匹配一个制表符。等价于 \x09 和 \cI。
\v匹配一个垂直制表符。等价于 \x0b 和 \cK。
\w匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。
\W匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'。
\xn匹配 n,其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如,'\x41' 匹配 "A"。'\x041' 则等价于 '\x04' & "1"。正则表达式中可以使用 ASCII 编码。
\num匹配 num,其中 num 是一个正整数。对所获取的匹配的引用。例如,'(.)\1' 匹配两个连续的相同字符。
\n标识一个八进制转义值或一个向后引用。如果 \n 之前至少 n 个获取的子表达式,则 n 为向后引用。否则,如果 n 为八进制数字 (0-7),则 n 为一个八进制转义值。
\nm标识一个八进制转义值或一个向后引用。如果 \nm 之前至少有 nm 个获得子表达式,则 nm 为向后引用。如果 \nm 之前至少有 n 个获取,则 n 为一个后跟文字 m 的向后引用。如果前面的条件都不满足,若 nm 均为八进制数字 (0-7),则 \nm 将匹配八进制转义值 nm
\nml如果 n 为八进制数字 (0-3),且 ml 均为八进制数字 (0-7),则匹配八进制转义值 nml。
/i使正则表达式对大小写不敏感, (?-i)是关闭大小写不敏感

(?i)te(?-i)st应该匹配TEst,但是不能匹配teST或TEST.
/s开启“单行模式”,即点号“.”匹配新行符
/m开启“多行模式”,即“^”和“$”匹配新行符的前面和后面的位置。
^[0-9]*$只能输入数字
^\d{n}$只能输入n位的数字
^\d{n,}$只能输入至少n位的数字
^\d{m,n}$只能输入m~n位的数字
^(0|[1-9][0-9]*)$只能输入零和非零开头的数字
^[0-9]+(.[0-9]{2})?$只能输入有两位小数的正实数
^[0-9]+(.[0-9]{1,3})?$只能输入有1~3位小数的正实数
^\+?[1-9][0-9]*$只能输入非零的正整数
^\-[1-9][]0-9"*$只能输入非零的负整数
^.{3}$只能输入长度为3的字符
^[A-Za-z]+$只能输入由26个英文字母组成的字符串
^[A-Za-z0-9]+$只能输入由数字和26个英文字母组成的字符串
^\w+$只能输入由数字、26个英文字母或者下划线组成的字符串
^[a-zA-Z]\w{5,17}$验证用户密码:以字母开头,长度在6~18之间,只能包含字符、数字和下划线。
[^%&',;=?$\x22]+验证是否含有^%&',;=?$\"等字符
^[\u4e00-\u9fa5]{0,}$只能输入汉字
^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$验证Email地址
^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$验证InternetURL
^\d{15}|\d{18}$验证身份证号(15位或18位数字)
^((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)$验证IP地址
(\w)\1匹配两个两个重叠出现的字符

例如,"aabbc11asd", 返回结果为aa bb 11三组match



<(?<tag>[^\s>]+)[^>]*>.*</\k<tag>>匹配成对的HTML标签
(?!)不出现,负声明

下例演示如何取得一个<a>标签对中的全部内容,即使其中包含别的HTML tag。





string newsContent = @"url:<a href=""1.html""><img src=""1.gif"">test<span style=""color:red;"">

 

Regex</span></a>."; 

Regex regEnd = new Regex(@"<\s*a[^>]*>([^<]|<(?!/a))*<\s*/a\s*>",RegexOptions.Multiline); 




 



clq
2014-07-21 21:21:18 发表 编辑

复杂吧,不到用的时候我都不想看.
当然可以开发些选项来实现顶楼那样的功能,至于怎样调用正则表达式来实现那是程序内部的事了,这样大家都方便.


总数:3 页次:1/1 首页 尾页  
总数:3 页次:1/1 首页 尾页  



发表评论:
文本/html模式切换 插入图片 文本/html模式切换


附件:



NEWBT官方QQ群1: 276678893
可求档连环画,漫画;询问文本处理大师等软件使用技巧;求档softhub软件下载及使用技巧.
但不可"开车",严禁国家敏感话题,不可求档涉及版权的文档软件.
验证问题说明申请入群原因即可.

Copyright © 2005-2017, All Rights Reserved CLQ工作室 版权所有