我爱正则表达式

URL

饭否私信分为两种，一种是我收到的私信，一种是我发出的私信。

• 我收到的私信：http://fanfou.com/privatemsg/p.(1-N)
• 我发出的私信：http://fanfou.com/privatemsg/sent/p.(1-N)

上面的地址中不含饭否ID；需要cookie验证。

结束标志

通过cookie验证后，可以使用数字获得对应页码的私信内容。什么时候是结束呢？假如您的收件箱有1000条私信，每页显示20条，那么当你您输入http://fanfou.com/privatemsg/p.51时，就得不到任何有效的内容了。作为程序，它是寻找如下标志：

<ol class="wa">\s*</ol>

好友列表

在页面代码中，每页都有一个“向XXX发送私信”的combox列表，条目以昵称+ID组成。如果你的好友很多的话（500+），每条好友（昵称+ID）需要20字节（估算）的话，20*500=10K，大约需要多抓取10K的字节量。

收件箱饭否私信的结构

收到的私信分为两种，一种是有回复信息的（回复原文:…），一种是没有回复的。先从简单的入手，看没有回复的。
所有的私信都在<ol class=”wa”>…</ol>之内，以<li></li>分隔

例如下面这一条，就是一则很规范的私信（与发件人相关的信息都使以正则式表示）：

<li>
	<a href="/[^"]+" title="[^"]+" class="avatar"><img src="[^"]+" alt="[^"]+" /></a>
	来自<a href="[^"]+">[^"]+</a>：
	<span class="content">没法比较啊,你得说个具体的值,比如100条以下的算少,1000条以上的算多……</span>
	<span class="stamp time" title="2008-05-30 17:25">约 15 小时前</span> 
	<span class="op">
		<a href="/privatemsg.reply/583520">回复</a> 
		<a href="/privatemsg.del/583520" class="post_act">删除</a></span>
</li>

其中，需要记录的信息有：

• 发件人名字；
• 发件人ID；
• 私信内容；
• 时间；
• 私信ID；（便于作删除、回复处理）。

根据以上需求，将上面的私信代码作处理：

<li>
	<a href="/([^"]+)" title="([^"]+)" class="avatar"><img src="[^"]+" alt="[^"]+" /></a>
	来自<a href="[^"]+">[^"]+</a>：
	<span class="content">([^<]+)</span>
	<span class="stamp time" title="([^"]+)">[^<]+</span> 
	<span class="op">
		<a href="/privatemsg.reply/(\d+)">回复</a>
		<a href="/privatemsg.del/\d+" class="post_act">删除</a>
	</span>
</li>

从而得到：

$1=fanfou ID;
$2=fanfou name;
$3=private msg;
$4=msg time;
$5=msg ID;

再看一下包含“回复原文”的私信的结构(部分内容已作正则处理)：

<li>
	<a href="/([^"]+)" title="([^"]+)" class="avatar"><img src="[^"]+" alt="[^"]+" /></a>
	来自<a href="[^"]+">[^"]+</a>：
	<span class="content">([^<]+)</span>
	<span class="stamp time" title="([^"]+)">[^<]+</span> 
	<span class="op">
		<a href="/privatemsg.reply/(\d+)">回复</a> 
		<a href="/privatemsg.del/\d+" class="post_act">删除</a>
	</span>
	<p class="pm-parent">回复原文: 有兴趣就有动力</p>					
</li>

与前者相比，只是多了<p class=”pm-parent”>.*?</p>这一段。这是不足为虑的。只要整体加上?这个强有力的正则符号，就能与上面的代码片段归纳到一起。两者结合合的代码如下：

<li>
	<a href="/([^"]+)" title="([^"]+)" class="avatar"><img src="[^"]+" alt="[^"]+" /></a>
	来自<a href="[^"]+">[^"]+</a>：
	<span class="content">([^<]+)</span>
	<span class="stamp time" title="([^"]+)">[^<]+</span> 
	<span class="op">
		<a href="/privatemsg.reply/(\d+)">回复</a> 
		<a href="/privatemsg.del/\d+" class="post_act">删除</a></span>
	(?:<p class="pm-parent">([^<]+)</p>)?
</li>

得到的变量为：

$1=fanfou ID;
$2=fanfou name;
$3=private msg;
$4=msg time;
$5=msg ID;
$6=parent msg;#回复原文。

发件箱饭否私信的结构

抄代码：

<li>
	<a href="/([^"]+)" title="([^"]+)" class="avatar"><img src="[^"]+" alt="[^"]+" /></a>
	发给<a href="[^"]+">[^"]+</a>：
	<span class="content">海内的像片是真的。</span>
	<span class="stamp time" title="2008-05-28 20:24">2008-05-28 20:24</span>
	<span class="op"><a href="/privatemsg.del/576827" class="post_act">删除</a></span>
</li>

这与“我收到的私信”的结构完全一致，只是将原来的“来自”改为“发给”而已。

不出意外，带有“回复原文”的“我收到的私信”的结构是这样的：

<li>
	<a href="/([^"]+)" title="([^"]+)" class="avatar"><img src="[^"]+" alt="[^"]+" /></a>
	发给<a href="[^"]+">[^"]+</a>：
	<span class="content">在自述部分显示的那个网上。</span>
	<span class="stamp time" title="2008-05-29 17:00">2008-05-29 17:00</span>
	<span class="op"><a href="/privatemsg.del/579918" class="post_act">删除</a></span>
	<p class="pm-parent">回复原文: 我也要试一试。</p>					
</li>

我们从饭否私信代码上得到的信息就这些。遗憾的是，饭否私信中，关于“回复原文”是以明文内容形式出现，而不是以原私信ID的形式出现。后期处理时通过搜索功能解决此问题并非不能，只是如果饭否官方能够再将此功能完善的话，会省整理者不少力气。

饭否的私信源码分析完毕。至于如何读写cookie，如何写代码，如何以数据库的形式来管理下载的数据，是第二阶段的事情了。待我一一实现。

俗话说，工欲善其事，必先利其器。关于windows下的正则表达式工具，这里推荐的是：RegexBuddy和PowerGREP。在linux下，也有好用的正则表达式工具，例如grep的兄弟们，只不过是都是基于命令行的。而这两款windows下的小工具，其突出特点是可视化，允许尝试和预览，极大地方便了使用者。

RegexBuddy：网址是http://www.regexbuddy.com。在编写正则式时，它提供可视化的支持、提示、调试方面的便利；在使用正则表达式时，它无私地将正则式转换为多种语言的字串，还提供了代码输出功能。正则式助手，该称号名副其实。

基本界面

正则式的基本功能无外乎搜索和替换。在本文中，我们使用匹配Email的正则式，代码如下：

\b[A-Z0-9._%-]+@[A-Z0-9.-]+\.[A-Z]{2,4}\b

此时，RegexBuddy的界面如图：

在点击“Explain Token”时，能对当前的正则式片断的作用作出详细解释，例如当你把光标移动到\b上再点击Explain Token，就会激活帮助文档，自动定位到Word Boundaries这一段。

如果想对刚才编写的这条正则式进行测试和验证，可以点击“Test”进行测试。这时，在下边的文本框输入所需要匹配测试的文字，例如dog@animals.com，匹配结果就以黄色背景色标出。在本例中，你或许没有得到正确的匹配，呵呵，那是正常的。为什么？答案见文章结尾。

拷贝粘贴

RegexBuddy能把正则式以多种字符串格式拷贝出来。还是刚才那条正则式，根据需要，它可以被拷贝为：

'\\b[A-Z0-9._%-]+@[A-Z0-9.-]+\\.[A-Z]{2,4}\\b'    
"\\b[A-Z0-9._%-]+@[A-Z0-9.-]+\\.[A-Z]{2,4}\\b"     
'/\\b[A-Z0-9._%-]+@[A-Z0-9.-]+\\.[A-Z]{2,4}\\b/i'

具体的选项在copy菜单里，如下图所示。你不必为单双引号、正反斜线操心了。

在paste菜单项中也有类似应用，不赘述。

正则式->代码

如果你想把刚才编写好的正则式应用在程序中，这里还有一个选项：Use，界面见下图：

在上面的match和replace之间点击，其代码也相应自动调整；当选取不同的language时，代码也会相应调整。它支持的语言格式为：

• C#
• Delphi(NET/Win32)
• Java/JavaScript/ECMAScript
• PCRE
• PHP
• Perl
• Python
• RealBasic
• Ruby
• VB

另外，它还有function选项，分别用以实现下述功能：

• If/else branch whethe the regex matches (part of) a string. If/else验证正则式是否匹配字串（的一部分）。 最常用的功能。
• If/else branch whethe the regex matches a string entirely. If/else验证正则式是否匹配整条字串。
• Get the part of a string matched by the regex. 取得字串中与正则式匹配的部分。Get the part of a string matched by a capturing group. 取得字串中所匹配的捕获组。这一条我也是刚刚知道，很有用哟。
• Get an array of all regex matches in a string.将字串中所有的匹配保存到数组中。
• Iterate over all matches in a string。列出字串中所有的匹配项。（例如，在使用正则式’\w’来匹配字串’abc’时，本function列出的内容为’a',’b',’c’.）。单词iterate的含义是重复。
• Comment with RegexBuddy’s regex tree. RegexBuddy的正则树的注释。

文本分割split

如果需要处理的文本是以某种分隔符隔开的，而该种分隔符恰好又能使用正则式描述，（例如html标签），此时regexbuddy的split功能就可以大显身手了。我随便打开了一个饭否网页，对其源代码中的消息部分（<div id=“stream”>与</div>之内）的文本进行了处理，使用如下正则式删除了所有的尖括号内容，只留下普通文本。

使用的正则式为：

<[^>]+>

软件界面以及运行结果请见下图。

结尾：

关于本文开头提出的小问题，细心的你或许一下子就能看出答案了！见下图：

只要选中Case insensitive选项中OK啦！如果你没有找到，或许是因为该软件是英文的，一时间您没有注意到该选项；或者您对正则式还不太熟悉。

软件下载

上文已经提到，其官网为www.regexbuddy.com，可以去下载其最新版试用。该软件为商业软件。

• 如果你偶然路过，尝新而已，那只需下载试用版即可；
• 如果你觉得好用、准备常用、手有余钱、非正版不用，不妨花美金购买；
• 如果你喜欢它，同时你认为优秀的网络资源是应该和朋友免费分享的，从而想获得该软件的全功能免费版，好吧，我也成全你，请在本文后留言（附邮箱），我会把这个小东西的链接发给你(最新版为3.1.1，我手头的全功能版为3.1.0，也足够用了)。

下篇文章将要介绍另一款regex工具：PowerGREP，敬请期待。

本文为rex.zhasm原创，原文地址在http://iregex.org/blog/y2008/m04/d30/regexbuddyregexbuddy.html，可以在遵循CC协议的条件下转载。

以前在chinaunix回答过这样一个问题，用到了正则表达式（而且我认为正则式解决此类问题是最合适的。）

学英语的一些例句，每句都有若干词根相同的词，例如 She swears to wear the pearls that appear to be pears. 但是每句的词根都未必相同；我希望把这些包含词根的词都标记出来，请问如何写？

这里说的词根不是原本词根的定义，只是一组字母序列，比如

9. The dust in the industrial zone frustrated the industrious man.

词根是dust或ust

10. The just budget judge just justifies the adjustment of justice.

词根是dust

11. I used to abuse the unusual usage, but now I’m not used to doing so.

词根是use，有变形

12. The lace placed in the palace is replaced first, and displaced later.

词根是lace

13. I paced in the peaceful spacecraft.

词根是pace

14. Sir, your bird stirred my girlfriend’s birthday party.

词根是ir

如果您对此问题感兴趣，请独立思考后再继续阅读本站提供的解决方法。

Read the rest of this entry »