抓取网页时，常用到的正则语法。（持续更新，本次2015-11-11）

首先，祝大家光棍节快乐！

没想到我会持续的更新正则的用法，在文章的末尾，会普及一个正则表达式工具。

一.先说几句。

    文章的抓取算是比较常见的，经常会有需求去抓别人的网站，来提取新闻，或者其他等信息。

    这两天我做一个项目就是这样，可能会抓取很多网站，但是不论什么网站，正则合适就可以了，不是吗？

二.常用句子的解释以及科普

   1.抓标签碰到格式不一的句子怎么办？

      例子：

<a class="link row" target="_blank"  .....  href="/post/quanqiushichanggailanguzhizhishulingzhangposiliaozhishulingdie"   .... > ....</a>

      要求：抓住href（/post/quanqiushichanggailanguzhizhishulingzhangposiliaozhishulingdie）

      正则：

<a[\S\s]*?href="(?<url>[\S\s]*?)"[\S\s]*?>[\S\s]*?</a>

  

      

 运行的结果不用质疑，已经是抓到了。  但是这个句子中有两个奇怪的语法：

•   [\S\s]*?
•  (?<url>[\S\s]*?)

 第一句，可以这么理解，  忽略中间任何字符，直道后面能够匹配为止。

 第二句，就是一个正则的group，格式是：(?<名字>语句)

第二句就不用说了，直接说第一句吧  [\S\s]*?

\S

匹配任意一个不是空白符的字符

\s

匹配任意空白符的字符

*

重复0次或多次

    当他们连用起来就是可以匹配任意1个字符

    当开启贪婪模式，也就是*，的时候，代表可以无限匹配。

    

    那么，匹配总要有个结点吧？所以用?来结束

    

    *?的意思就是匹配最短，用最少的匹配。  比如 ：a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）

    所以这个句子的情景是: 

    A:<a asdfsd></a>   

    B:<a></a>

    

    

   两者都可匹配到，如果想单单匹配第一句的话，那么使用语句：<a[\S\s]+?></a>

+

重复一次或多次

   

区别就在+这里，*是可重复0次，?是必须重复1次

证据：

OK，第一点先到这里，以后会持续更新的。

三.再说几句

     上面我第一个工具是：正则测试工具

       

       其他工具是：正则表达式，终极使用！3个工具，搞定一切