C#使用正则表达式提取数据

有时候我们可能需要从一个字符串中提取一些我们想要的数据。这些字符串是有一定存在规则的。

如url地址：

　　http://www.cnblogs.com

　　http://www.microsoft.com

我们现在需要从中只取出站名。也就是说只需要cnblogs或microsoft。对于这样的需求我们不能使用SubString方法进行简单的截取，应为那样在存在这样的url时可能出问题：http://www.sina.com.cn。

这时我们就需要使用正则表达式进行提取了，代码如下：

 

            Regex reg = new Regex(@"(http://)?www\.(\w+)\.((com)|(cn)|(net))(\.cn)?/?");
            string source = "http://www.sina.com.cn/";
            var result = reg.Match(source).Groups;
            foreach(var item in result)
            {
                Console.WriteLine(item);
            }
            Console.ReadKey();

 

 

 输出结果：

 http://www.sina.com.cn/

http://

sina

com

com

(空白) //没有输出

(空白) //没有输出

.cn

现在我们如果想提取需要的部分就只需要取对应的索引就可以了。如取sina 就读result[2]。

提取出的数据为什么被这样拆分呢？

首先，我们知道正则表达式的分组概念，一个括号表示一个分组，从左到右标示。上面的正则表达式存在8个分组。7个括号+整体一个，第一个分组是整体，所以匹配出来时http://www.sina.com.cn/，然后从左到右匹配，第二个分组是(http://)?，它表示http:// 可以出现0或1次，如果被匹配字符串没有输入http://那么这个匹配得到的结果为空，由于我们存在输入，所以匹配结果为http://；第三个分组为(\w+)，它表示字符出现至少一次（.不属于字符）匹配结果为sina；接下来的一个分组为((com)|(cn)|(net))，内嵌括号就和剥洋葱一样，先外面，再里面。所以匹配结果为com；接下来是(com)，匹配得到com；然后(cn)，没有得到匹配输入，所以为空；然后是(net)，同样没有，为空；最后是(\.cn)?，表示.cn出现0或1次，匹配得到结果.cn。综上得到这样的结果。

此外，正则表达式的split方法和string的spilt方法具有同样的用法，只不过正则表达分割是按照正则表达式匹配的方式进行分割。