正则表达式入门(2)

示例2

e-mail的匹配

就从博客园的联系方式页面来找就好了，地址是 http://www.cnblogs.com/ContactUs.aspx

准备工作：

获取页面内容，方法如下：

static string DownloadString(Uri url, Encoding encoding)
{
    WebClient client;
    using (client = new WebClient())
    {
return encoding.GetString(client.DownloadData(url));
    }
}

只适用于简单的情况，已经足够了，下面是示例

static void example2()
{
    Uri url;
    Encoding encoding;
    string content;
    Regex regex;
    MatchCollection matches;

    string expression;

    url = new Uri("http://www.cnblogs.com/ContactUs.aspx");
    encoding = Encoding.UTF8;//博客园是utf-8的，直接指定了

    content = DownloadString(url, encoding);

    expression = "[-_0-9A-Z]{1,20}(@|&\#64;)[-0-9A-Z]+(\.com|\.net)";

    regex = new Regex(expression, RegexOptions.IgnoreCase | RegexOptions.Singleline);

    matches = regex.Matches(content);

    foreach (Match match in matches)
    {
        Console.WriteLine(string.Concat("'", match.Value.Replace("@", "@"), "'"));
    }
}

e-mail 的格式为 {用户名}@{域名}

为了看起来比较简单，我们假设用户名只能由"-","_",0-9的数字和A-Z的字母 组成

所以用户名部分就是[-_0-9A-Z]，但是有一点需要注意，第一个"-"和后面的"-"的含义是不一样的，第一个的意思是"-"这个字符本身，后面的代表的是范围，范围是通过"a-b"这样的方式来确定的，如果需要匹配"-"这个字符本身，尽量不要放在歧义的位置。

然后是第二部分 "(@|&\#64;)" 是包含在括号之间的，原因在于这里由2部分组成，其中用|分开，表示多选一，"@" 或者 "@"（@的ascii就是64，可以用"@"，  "#"字符在正则中需要转义，需要转义的字符可以在msdn中找到，地址是 http://msdn.microsoft.com/zh-cn/library/system.text.regularexpressions.regex.escape(v=vs.110).aspx，需要转义的字符只要在前面加上"\"即可）如果外面没有括号来限制，那这个多选分支的范围就扩大了，把"|"两边作为一个多选分支，那就变成了  "{用户名}@" 或者 "@{域名}"，不是我们想要的情况。

[-0-9A-Z]+(\.com|\.net)

最后是域名部分，目前只接受".net"或者".com"这2个顶级域名 类似 "cnblogs.com" 这样的形式

前面部分由至少一个的 数字，字母或者"-"组成，后面只允许".com"或者".net"还是用|来做到

最后 RegexOptions.IgnoreCase 表示忽略大小写，不然，这个表达式可能要写成

"[-_0-9A-Za-z]{1,20}(@|&\#64;)[-0-9A-Za-z]+(\.[cC][oO][mM]|\.[nN][eE][tT])"
不够直观

好了，看一下结果

'contact@cnblogs.com'
'contact@cnblogs.com'

一共有2个匹配

不过，如果要把用户名和域名都取出来好像有点麻烦

稍微改进一下，代码如下：

static void example2()
{
    Uri url;
    Encoding encoding;
string content;
    Regex regex;
    MatchCollection matches;

string expression;

    url = new Uri("http://www.cnblogs.com/ContactUs.aspx");
    encoding = Encoding.UTF8;

    content = DownloadString(url, encoding);

    expression = "([-_0-9A-Z]{1,20})(@|&\#64;)([-0-9A-Z]+(\.com|\.net))";

    regex = new Regex(expression, RegexOptions.IgnoreCase | RegexOptions.Singleline);

    matches = regex.Matches(content);

foreach (Match match in matches)
    {
        Console.WriteLine(string.Format(
"e-mail: '{0}', userName: '{1}', domain: '{2}'",
            match.Groups[0].Value.Replace("@", "@"),
            match.Groups[1].Value,
            match.Groups[3].Value
        ));
    }
}

先看看改动

"[-_0-9A-Z]{1,20}" 变成了 "([-_0-9A-Z]{1,20})"

"[-0-9A-Z]+(\.com|\.net)" 变成了 "([-0-9A-Z]+(\.com|\.net))"

只是在外面加了对括号

默认情况下，会为每对括号创建一个捕获分组(capture group)

看一下完整的表达式 "([-_0-9A-Z]{1,20})(@|&\#64;)([-0-9A-Z]+(\.com|\.net))"

第一个分组是："([-_0-9A-Z]{1,20})"

第二个分组是："(@|&\#64;)"

第三个分组是："([-0-9A-Z]+(\.com|\.net))"

第四个分组是："(\.com|\.net)"

其中第四个是嵌套在第三个之中

这样，就可以通过Match.Groups[下标]来获取对应的分组了，其中Groups[0]就是完整的匹配

这样还是不够直观，再做一次更改

改动后代码如下：

static void example2()
{
    Uri url;
    Encoding encoding;
    string content;
    Regex regex;
    MatchCollection matches;

    string expression;

    url = new Uri("http://www.cnblogs.com/ContactUs.aspx");
    encoding = Encoding.UTF8;

    content = DownloadString(url, encoding);

    expression = "(?<userName>[-_0-9A-Z]{1,20})(@|&\#64;)(?<domain>[-0-9A-Z]+(\.com|\.net))";

    regex = new Regex(expression, RegexOptions.IgnoreCase | RegexOptions.Singleline | RegexOptions.ExplicitCapture);

    matches = regex.Matches(content);

    foreach (Match match in matches)
    {
        Console.WriteLine(string.Format(
            "e-mail: '{0}', userName: '{1}', domain: '{2}'",
            match.Groups[0].Value.Replace("&#64;", "@"),
            match.Groups["userName"].Value,
            match.Groups["domain"].Value
        ));
    }
}

"([-_0-9A-Z]{1,20})"变成了"(?<userName>[-_0-9A-Z]{1,20})"

"([-0-9A-Z]+(\.com|\.net))"变成了"(?<domain>[-0-9A-Z]+(\.com|\.net))"

都是在括号开始的地方加上了?<名称>

这是命名分组捕获可以用以下方式调用

match.Groups["userName"]

match.Groups["domain"]