• 字符串处理总结(旧)

    在各类应用软件的开发中，字符串操作是最常见的操作之一。在各种不同的数据类型中，字符串类型是和现实世界关联最紧密的。对字符串的读入、比较、拼接、搜索、匹配、替换、拆分等操作，是每个程序员必须要掌握的基本功。而C#的字符串处理，在历经了微软的多种开发工具的多年的积累后，达到了一个新的高度，概念上既简单明了，功能上又强大易用。大多数的字符串操作，都可以轻松应对。

    在基本的字符串应用之外，还有一些复杂性相对较高的字符串应用。其中的很多类型出现的概率较高。从本人的经验出发，常常遇到这样一些典型的应用：

    1、在较复杂的文本中查找符合某种规律的部分。常见的比如对HTML代码的解析，如要在以下HTML代码中查找所有的厂商及其链接地址：

    </div>
    <div class='blank10'></div>
    <a href='/enews/all.html' target='_blank'>厂商列表</a>&nbsp;
    <div class='w688 bor'>
      <div class='wzgjz'><span>关键字：</span>
           <a href='/enews/atlist0_1.html' target='_blank'>联想</a>&nbsp;
           <a href='/enews/atlist0_2.html' target='_blank'>戴尔</a>&nbsp;
           <a href='/enews/atlist0_3.html' target='_blank'>第二大PC厂商</a>&nbsp;
           <a href='/enews/atlist0_4.html' target='_blank'>惠普</a>&nbsp;
           <a href='/enews/atlist0_5.html' target='_blank'>PC</a>&nbsp;
      </div>
    </div>

    2、对规律的文本的解析。这类解析更是常见，

    1）解析URL地址、文件路径等，如：

    http://www.cnblogs.com/jetz/p/3727697.html，E:MyCodeCommonCodeCommonCodeinx86ReleaseCommonCode.dll

    2）解析配置文件

    [Options]
    Language=2052
    BackupPrompt=0
    HideWarnings=1
    MSG_CONFIRMCLEAN=False
    WINDOW_MAX=1

    3）解析Excel文本

    image

    4）解析协议文本

    ST=32;CN=2071;PW=123456;MN=88888880000001;CP=&&DataTime=20040506010101;101-Ala=1.1&&

    这些解析，从技术角度来说，都不是很难的问题，主要是麻烦！每次遇到此类问题，都要花时间去研究，去具体思考一些算法方面的问题，即使解决了，时间一长，下次遇到，还得继续重头做起！因此，本文主要尝试按照正常的解决思路，逐步找到简化这类处理的方案。

    一、使用正则表达式处理

    如果使用C#自身的字符串功能来进行处理，效率较为低下。要高效地处理字符串，正则表达式是首选。正则表达式使用单个字符串来描述、匹配一系列符合某个句法规则的字符串，它的特点是：

    1. 灵活性、逻辑性和功能性非常的强；

    2. 可以迅速地用极简单的方式达到字符串的复杂控制。

    3. 对于刚接触的人来说，比较晦涩难懂。

    关于正则表达式的语法，有很多的途径可以学习，在此不再赘述。比如，要完成HTML代码的匹配，可以通过下面的正则表达式来实现：

    MatchCollection mas = Regex.Matches(s, "href='(?<link>.*?)' target='_blank'>(?<name>.*?)</a>");
    for (int i = 0; i < mas.Count; i++)
    {
        Console.WriteLine(mas[i].Groups["name"]+"  -  "+mas[i].Groups["link"].Value);
    }

    上述的包含很多复杂字符的表达式就是正则表达式，尽管其效率高，但着实太不直观了。即使是对正则表达式用得较多的人，也不能快速地写出这个表达式。一般都是设置断点，在即时窗口中慢慢尝试，直到找到满意的表达式为止。上例的输出如下：

    厂商列表  -  /enews/all.html
    联想  -  /enews/atlist0_1.html
    戴尔  -  /enews/atlist0_2.html
    第二大PC厂商  -  /enews/atlist0_3.html
    惠普  -  /enews/atlist0_4.html
    PC  -  /enews/atlist0_5.html

    对于上面的4）协议文本，假如要获取其中的MN参数，也可以采用如下的正则表达式来完成：

    Match mat = Regex.Match(s, "PW=(?<pw>.*?);");
    if (mat.Success)
    {
        string pw = mat.Groups["pw"].Value;
    }

    二、“前后限定”的模式

    通过前面的例子，不难看出，很多的文本操作，都可以归纳到这种模式下：在文本中查找某个子串，需要满足的条件是，该子串的前后应该分别是某两个指定的字符串。

    前例的协议文本解析中，要找指定的参数的值，前面的串应该是“PW=”，后面的串是“;”，通过正则表达式的模式串“PW=(?<pw>.*?);”就可以找到了。

    1、简化

    对于这种常见的情况，能否进行简化呢？对于正则表达式的使用，本人的经验是：正则表达式最容易忘记的，是它的规则，以及各种各样的语言的细节。而处理的基本过程，如Regex.Match、Match.Success、Groups、Value等操作和属性，往往不容易忘记。因此，我的简化的原则是：

    1）保持正则表达式的基本处理流程

    2）对正则表达式的模式串进行简化

    因此，可以通过一个函数，通过给出前后的字符串来构造一个正则表达式的模式串。

    //根据前后内容返回字符串
    public static string  GetPatternString(string strHead, string strTear)
    {
        return "(?<head>"+strHead +")"+ "(?<body>.*?)" +"(?<tear>"+ strTear+")";
    }

    为了便于控制，分别对匹配后的三部分命名为head、body、tear，可以使用类似Group["body"].Value的方式来访问三个部分。

    测试该函数的结果为：

    Console.WriteLine(RegexUtil.GetPatternString("PW=",";"));

    输出：

    (?<head>PW=)(?<body>.*?)(?<tear>;)

    2、转义字符的处理

    上述模式串的生成中，还有一个较大的问题，如果传递的前后限定字符串中包含一些正则表达式的特殊符号的话，则会带来歧义。正则表达式中，以下符号都是有特定含义的：

    <>.^${}|)*+?

    如果要当作普通字符的话，需要在前面加“”进行转义。这个小小的细节却是我比较烦的一个来源，因为在写正则表达式的时候，往往很难准确的记得究竟是哪些字符需要转义，因此每次都要去查手册。

    因此，我们对于这些特殊符号，自动进行转义，去掉特殊化。这样，在大多数的情况下，我们不用考虑这些特殊符号了，任何符号都可以直接使用。

    public static string CharTransfer(string str)  //转换为模式串
    {
        return str
            .Replace(@"", "\x5C")    //优先替换
            .Replace("<", @"<")
            .Replace(">", @">")
            .Replace(".", @".")
            .Replace("$", @"$")
            .Replace("^", @"^")
            .Replace("{", @"{")
            .Replace("[", @"[")
            .Replace("(", @"(")
            .Replace("|", @"|")
            .Replace(")", @")")
            .Replace("*", @"*")
            .Replace("+", @"+")
            .Replace("?", @"?")
            ;
    }

    构造模式串的函数也相应的变化：

    public static string  GetPatternString(string strHead, string strTear)
    {
        return "(?<head>" + CharTransfer(strHead) + ")" + "(?<body>.*?)" + "(?<tear>" + CharTransfer(strTear) + ")";
    }

    测试：

    Console.WriteLine(RegexUtil.GetPatternString("1.", ";"));

    输出：

    (?<head>1.)(?<body>.*?)(?<tear>;)

    这样，我们就可以放心大胆的指定匹配串了，不怕犯正则表达式的“忌讳”了！

    3、对界定串的通用化处理

    现在已经可以达到任意指定前后界定串的程度了，但是，在实际应用中，往往有这种情况：假如前后的定界串存在一些细节上的差异，该怎么描述？

    借鉴DOS/Windows中广为接受的通配符的做法，我们也可以定义一个通配符*，用来匹配任意文本。为了和普通的*区分，设定为“(*)”。这种模式可以看作是一种自定义的转义字符。对于“(*)”，可以转换为正则表达式的“.*?”，?的作用是惰性匹配，只要能够匹配，就以第一次的匹配结果作为结果。惰性匹配的模式能够更好的满足我们的需求。

    因此，对于CharTransfer函数，就需要加上一个自定义的转义。当然，还需要考虑到相互间的逻辑关系和转换的先后次序，处理的结果如下：

    private static string CharTransfer(string str)  //转换为模式串
    {
        return str
            .Replace("(*)", "A_n_y_C_h_a_r_s")      //(*)-->A_n_y_C_h_a_r_s-->.* ,如果先替换.*会会被当成普通的字符，如果后*也会被当成普通字符
            .Replace(@"", "\x5C")    //优先替换
            .Replace("<", @"<")
            .Replace(">", @">")
            .Replace(".", @".")
            .Replace("$", @"$")
            .Replace("^", @"^")
            .Replace("{", @"{")
            .Replace("[", @"[")
            .Replace("(", @"(")
            .Replace("|", @"|")
            .Replace(")", @")")
            .Replace("*", @"*")
            .Replace("+", @"+")
            .Replace("?", @"?")
            .Replace("A_n_y_C_h_a_r_s", ".*?")
            ;
    }

    4、单匹配还是多匹配

    构造出模式串后，就可以进行匹配了。正则表达式的匹配结果可以返回单个匹配和匹配集合。前者用Match方法，后者用Matches方法。本人在应用中，往往喜欢使用后者，因为后者是可以包含前者的，这种思路在JQuery中也得到了体现，默认情况下，返回的结果都是集合。

    三、多个目标的匹配

    前述的匹配中，每次匹配，目标往往只有一个。加入需要同时匹配多个目标呢？如Excel的文本的匹配，每个单元格都以 分隔，行间以 分隔。借鉴前面的通用化思路，也可以构造出一个串，直接进行匹配。因此，对GetPatternString进行了重构，如下：

    public static string  GetPatternString(string strHead, string strTear)
    {
        return "(?<head>" + CharTransfer(strHead) + ")" + "(?<body>.*?)" + "(?<tear>" + CharTransfer(strTear) + ")";
    }

    通过多项匹配，处理过程如下：

                string s = @"
    学号    姓名    成绩    班号
    951001    李小明    76    11
    951002    赵    林    87    21
    951003    李小敏    85    11
    951004    陈维强    50    31
    951005    林玉美    53    11
    951006    陈    山    96    21
    951007    江苏明    85    11
    951008    罗晓南    67    31
    ";
                MatchCollection mas = Regex.Matches(s, RegexUtil.GetPatternString("(*) (*) (*) (*) "));
                for (int i = 0; i < mas.Count; i++)
                {
                    Console.WriteLine(mas[i].Value);
                }

    输出如下：

    951001    李小明    76    11

    951002    赵    林    87    21

    951003    李小敏    85    11

    951004    陈维强    50    31

    951005    林玉美    53    11

    951006    陈    山    96    21

    951007    江苏明    85    11

    951008    罗晓南    67    31

    上述例子中，为便于处理，对于每个节点最好也能命名。但由于数量不定，因此只能采用用户自行命名的方式。对此，我们设定规则如下：

    (*name*)：表示任意字符串，匹配后，其分组命名为name。

    那么，对于GetPatternString中，需要对这种表示进行解析。

    public static string GetPatternString(string str)
    {
        //先处理(*)，防止干扰
        string mypattern = str.Replace("(*)", "A_n_y_C_h_a_r_s");

        //先把(*name*)命名全部替换为一个不含特殊字符的串  L_e_f_t...R_i_g_h_t
        string pat = GetPatternString("(*", "*)");
        mypattern = Regex.Replace(mypattern, pat, delegate(Match mat)
                        {
                            return "L_e_f_t" + mat.Groups["body"].Value + "R_i_g_h_t";
                        }
        );

        mypattern = mypattern.Replace("A_n_y_C_h_a_r_s", "(*)");  //再把(*)替换回去，统一转正则表达式
        mypattern = CharTransfer(mypattern);  //将特殊字符转换为正则表达式的转义字符

        //将命名串换回符合正则表达式的样式
        string pat2 = GetPatternString("L_e_f_t", "R_i_g_h_t");
        mypattern = Regex.Replace(mypattern, pat2, delegate(Match mat)
            {
                return "(?<" + mat.Groups["body"].Value + ">.*?)";
            }
        );
        return mypattern;
    }

    调用命名模式处理如下：

    MatchCollection mas = Regex.Matches(s, RegexUtil.GetPatternString("(*) (*xm*) (*cj*) (*) "));
    for (int i = 0; i < mas.Count; i++)
    {
        Console.WriteLine(mas[i].Groups["xm"].Value+" - "+mas[i].Groups["cj"].Value);
    }

    输出：

    姓名 - 成绩
    李小明 - 76
    赵    林 - 87
    李小敏 - 85
    陈维强 - 50
    林玉美 - 53
    陈    山 - 96
    江苏明 - 85
    罗晓南 - 67

    四、进一步扩展

    1、返回字符串数组。这个简化的意义有限。

    2、重写一个Matches。意义也有限，因为核心在模式串。

    3、构造串时，加入正则表达式的规则。在实际应用中，也有这样的需求，如无法定位结尾，命名的部分需要指定模式等。但是，综合考虑到设计初衷，还是放弃。

    对于需要特定处理的，可以对返回的串进行进一步的修改加工。如，对于配置文件的读取：

    [Options]
    Language=2052
    BackupPrompt=0
    HideWarnings=1
    MSG_CONFIRMCLEAN=False
    WINDOW_MAX=1

    采用以下代码处理：

    string s = AccessFile.ReadFile(Application.StartupPath+"\test.ini");
    MatchCollection mas = Regex.Matches(s,RegexUtil.GetPatternString("(*name*)=(*value*) "));
    for (int i = 0; i < mas.Count; i++)
    {
        Console.WriteLine(mas[i].Groups["name"].Value+":"+mas[i].Groups["value"].Value);
    }

    输出：

    Language:2052
    BackupPrompt:0
    HideWarnings:1
    MSG_CONFIRMCLEAN:False

    可以看出，最后一行没有被解析出来。因为最后一行的结束标志不是回车。

    如果对正则表达式比较熟悉的话，完全可以进行修改：

    string pat=RegexUtil.GetPatternString("(*name*)=(*value*) ");
    pat=pat.Replace(" ","( |$)");
    MatchCollection mas = Regex.Matches(s,pat); 

                string s = AccessFile.ReadFile(Application.StartupPath+"\test.ini");
            string pat=RegexUtil.GetPatternString("(*name*)=(*value*)
");
            pat=pat.Replace("
","(
|$)");
            MatchCollection mas = Regex.Matches(s,pat);
            for (int i = 0; i < mas.Count; i++)
            {
                Console.WriteLine(mas[i].Groups["name"].Value+":"+mas[i].Groups["value"].Value);
            }

    输出如下：

    Language:2052
    BackupPrompt:0
    HideWarnings:1
    MSG_CONFIRMCLEAN:False
    WINDOW_MAX:1
  • 相关阅读:
    iOS 键盘自适应（IQKeyboardManager）使用小结
    GitHub error “Failed to get HEAD”
    Java 8 VM GC Tuning Guide Charter2
    Java 8 VM GC Tuning Guide Charter3-4
    java中加密解密工具类
    effactive java读书小结1
    RESTful风格的SSM框架搭建
    关于“Could not open ServletContext resource [/WEB-INF/applicationContext.xml]”解决方案
    HttpPutFormContentFilter 和 ContextLoaderListener 讲解
    mybatis-spring 项目简介
  • 原文地址：https://www.cnblogs.com/jetz/p/3727697.html
Copyright © 2020-2023  润新知