一些简单的正则语法规则
在研究C#爬虫的时候遇到了许许多多的问题，暂时还没啥成果，先记下一些心得，日后好翻看。
正则表达式的基本语法规则：
\b:代表着单词的开头或结尾，也就是单词的分界处。 . ：表示匹配除了换行符以外的任意字符 * :表示的是数量，它指定前面的内容可以重复使用任意次，以使整个表达式得到匹配。.*连在一起就表示任意数量的不包含换行的字符。 例子：\bhi\b.*\bLucy\b表示：先是一个单词hi,然后是任意个字符(但是不能换行)，最后是lucy这个单词
\d :匹配一位数字 例：0\d{2}-\d{8}。 这里\d后面的{2}({8})的意思是前面\d必须连续重复匹配2次(8次) \s ：匹配任意的空白符，包括空格、制表符(Tab)，换行符，中文全角空格等 \w :匹配字母或数字或下划线或汉字等 例子： \ba\w*\b 匹配以字母a开头的单词——先是某个单词开始处(\b)，然后是字母a，然后是任意数据的字母或数字(\w*),最后是单词的结束处(\b) \d+ 匹配一个或更多连续的数字。这里的+是和*类似的元字符，不同的是*匹配重复任意次(可能是0次)，而+则匹配重复1次或更多次 \b\w{6}\b 匹配刚好6位的单词
元字符^和$都匹配一个位置，这和\b有点类似 ^匹配你要用来查找的字符串的开头,$匹配结尾，验证QQ或者手机号的时候可以使用。表示的是整个字符串都要匹配这个正则 例：^\d{5,12}$ 表示整个输入字符串必须以数字开头，重复次数不能小于5次，不能多于12次，否则都不匹配。
字符转义： \ 使用这个字符来取消这些特殊字符的特殊意义。 例：deerchao\.cn 匹配deerchao.cn c:.\\Windows 匹配 c:\Windows 重复 Windows\d+ 匹配Windows后面跟一个或更多数字 ^\w+ 匹配以字母或数字或下划线或汉字开头的（除去空格）多个字符。或者说匹配一行的第一个单词(或整个字符串的第一个单词，具体匹配哪个意思得看选项设置) ? 表示前面的匹配字符能出现0次或1次 [] 这个字符里面的任意一个字符 例：[aeiou]匹配任意一个元音节字母 [.?!]匹配标点符号(.或?或!)。 也可以指定字符范围 例：[0-9]代表的含义与\d完全一致。匹配任意数字。[a-z0-9A-Z]与\w完全一致(只考虑英文的话) 例子：\(?0\d{2}[) -]?\d{8} 这个表达式可以匹配几种格式的电话号码，像(010)88886666，或022-22334455等 分析一下：首先是一个转义字符\(，他能出现0次或者1次(?)，然后是一个0，后面跟2个数字(\d{2})然后是)或者-或者空格中的 一个，他出现的次数是0或者1(?)，最后是8个数字。
分支条件 | 表示有几种规则，如果满足其中任意一种规则就应该当成匹配，具体做法是使用 | 将不同的规则分隔开 例子： 0\d{2}-\d{8}|0\d{3}-\d{7} 这个表达式能匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号(如010-12345678)，一种是4位区号，7位本地号(0376-2233445)。 \d{5}-\d{4}|\d{5}这个表达式用于匹配美国的邮政编码 。分支条件时要注意各个条件的顺序。 \d{5}|\d{5}-\d{4}只会匹配5位的邮编(以及9位邮编的前5位)。原因是匹配分枝条件时，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管其它的条件了。
反义： 查找除了数字以外，其他任意字符都行的情况，这时需要用到反义，注意前三个是大写字母，大小写表示的含义正好相反： \W:匹配任意一个不是字母，数字，下划线，汉字的字符 \S :匹配任意不是空白符的字符 \D :匹配任意非数字的字符 [^x]:匹配除了x以外的任意字符 例子： \S+ 匹配不包含空白字符的字符串。 <a[^>]+> 匹配用尖括号括起来的以a开头的字符串 a[^\d]+[^>] 匹配a后面跟的不是任意一个或几个数字([^\d]+)再后面不是>([^>])的字符 如<abcdef>匹配出来的结果是abcdef
分组： 重复单个字符直接在字符后面添加限定符就行了，要想重复多个字符可以使用子表达式()，就可以指定这个子表达式的重复次数，也可以做一些其他的操作 例子： (\d{1,3}\.){3}\d{1,3}是一个简单的IP地址匹配表达式。 解析：\d{1,3}匹配1到3位数字。 (\d{1,3}\.){3}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复三次，最后再加上一个一到三位的数字(\d{1,3})。 这个表达式有点错误256.300.888.999这种不可能存在的ip地址也会匹配出来 匹配一个正确的Ip:((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5][01]?\d\d?)。 解析：以2开头后面跟一个0-4之间的数字(2[0-4])后面再跟一个任意数字(\d) 或者(|) 25后面跟一个0-5的数字[0-5] 或者(|) 0或1[0-1]出现0次或1次，后面跟一个数字(\d)，后面再跟一个数字出现0或1次(\d?),这个分组重复三次{3}。 ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3} 后面再匹配一个三位数。 后向引用： 使用小括号指定一个子表达式之后，匹配这个子表达式的文本(也就是此分组捕获的内容)，可以在表达式或其他程序中作进一步的处理。默认情况下，每个分组会自动拥有一个组号，规则是：从左到右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2，以此类推。分组0代表整个表达式。 后向引用：用于重复搜索前面某个分组匹配的文本。例如：\1表示分组1匹配到的文本 例子：\b(\w+)\b\s+\1\b 可以用来匹配重复的单词,像go go 这样的可以匹配到 go cat go这样的是匹配不到的 解析：表达式首先是一个单词，也就是单词开头和结尾处之间多于一个字母和数字(\b(\w+)\b)，这个单词会被捕获到编号1的分组中。然后是一个或几个空白符(\s+),最后是分组1中捕获的内容(\1)，也就是前面匹配到的那个单词 也可以自己指定子表达式的组名。要指定一个子表达式的组名，可以使用这样的语法(?<Word>\w+)或者(?'Word'\w+),这样就把\w+的组名指定为Word了。要反向引用这个分组捕获的内容，可以使用\k<Word>或者\k'Word'。 所以上面的例子可以写成：\b(?'Word'\w+)\b\s+\k'Word'\b 常用分组语法 (exp) 匹配exp，并捕获文本到自动命名的组里 (?<name>exp)，匹配exp，并捕获文本到名称为name的组里 (?:exp)， 匹配exp，不捕获匹配的文本，也不给此分组分配组号
零宽断言： 像\b,^,$ 那样用于指定一个位置，这个位置应该满足一定的条件(即断言)，因此他们也被称为零宽断言。 (?=exp) 也叫零宽正预测先行断言，它断言自身出现的位置的后面能匹配表达式exp 例子：\b\w+(?=ing\b)，匹配以ing单词结尾的前面部分(除了ing以外的部分)，如查找I'm singing while you're dancing.时，它会匹配sing和danc，也就是说能匹配ing结尾的单词ing前面的部分 (?<=exp) 也叫零宽度正预测后发断言，他断言自身出现的位置的前面能匹配表达式exp。 例子：(?<=\bre)\w+\b 会匹配以re开头的单词的后半部分(除了re以外的部分)，例如在查找reading a book时，它匹配ading，也就是将re后面的部分截取出来 例子：(?<=\s)\d+(?=\s) 匹配以空白字符间隔的数字 负向零宽断言： 我们只想确保某个字符没有出现，并不像去匹配它时可以使用负向零度断言 例子：我们想查找这样一个单词，它里面出现了字母q，但是q后面跟的不是字母u，我们可以这样尝试： 不使用负向零宽断言： \b\w*q[^u]\w*\b 匹配包含后面不是字母u的字母q的单词，这样的话，像Iraq fighting这样的就全部匹配出来了 使用负向零宽断言： \b\w*q(?!u)\w*\b 他只匹配一个位置，并不消费任何字符 零宽度负预测先行断言(?!exp)，断言此位置的后面不能匹配表达式exp 例子：\d{3}(?!\d)匹配三位数字，而且这三位数字的后面不能是数字；\b((?!abc)\w)+\b匹配不包含连续字符串abc的单词 同理，我们可以用(?<!exp),零宽度负回顾后发断言来断言此位置的前面不能匹配表达式exp：(?<![a-z])\d{7}匹配前面不是小写字母的七位数字。 断言使用复杂小例子： 匹配包含属性的简单HTML标签内的内容。(?<=<(\w+)>).*(?=<\/\1>) 解析：(?<=<(\w+)>)指定了被尖括号括起来的单词(比如可能是一个<b>)，然后是.*(任意的字符串)，最后是一个后缀(?=<\/\1>)，\/是一个转义，\1是引用前面捕获的组，这个匹配的内容有可能是<b></b>之间的内容，不包含<b></b>
贪婪与懒惰： 在使用正则的重复限定符时，正则会匹配尽可能多的字符 例子：a.*b 如果我们搜索aabab的话他会匹配整个字符串aabab，我们叫做贪婪匹配 匹配尽可能少的字符，我们叫做懒惰匹配。贪婪匹配转换成懒惰匹配只需要在后面加一个? .*?意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复 a.*?b 匹配最短的，以a开始，以b结束的字符串。如果应用于aabab的话，他会匹配aab和ab
平衡组，递归匹配() < #最外层的左括号 [^<>]* #它后面非括号的内容 ( ( (?'Open'<) #左括号，压入"Open" [^<>]* #左括号后面的内容 )+ ( (?'-Open'>) #右括号，弹出一个"Open" [^<>]* #右括号后面的内容 )+ )* (?(Open)(?!)) #最外层的右括号前检查 #若还有未弹出的"Open" #则匹配失败 > #最外层的右括号 平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配嵌套的<div>标签：
<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>
博客参考：https://deerchao.cn/tutorials/regex/regex.htm
