Go语言中使用正则提取匹配的字符串

Posted 2021-04-05 飞雪无情

我们在做爬虫的过程中，需要对爬取到的内容处理，比如说提取出我们需要的内容和文本，比如城市信息、人员信息等等，除了字符串查找外，使用正则匹配是比较优雅和方便的方案。

这篇文章，主要以提取URL中的日期和文章名为例，来举例说明如何使用正则提取字符串。

比如这个URL http://www.flysnow.org/2018/01/20/golang-goquery-examples-selector.html，这是前段时间写的一篇关于goquery的使用教程。从这个URL我们可以看到有年月日的日期信息，还有最后面的文章的名称信息，这样一个URL，我们如何从中得到这些信息呢？这就要用到正则表达式的分组了。

正则表达式的分组，以括号()表示，每一对括号就是我们匹配到的一个文本，可以把他们提取出来。

通过上面URl的分析，我们定义正则表达式如下：

1^http://www.flysnow.org/([\d]{4})/([\d]{2})/([\d]{2})/([\w-]+).html$

^$分别表示匹配的开始和结束，界定我们正则表达式的范围。

[\d]{4}表示我们要正好匹配4位数字，因为年份是4位，所以我们定义为匹配4位。后面的月份和天是2位，所以定义为2位。

[\w-]匹配字符串和中杠，加号(+)表示匹配1个或者多个。

然后他们都加了括号()，意味着我们要提取这些字符串。

下面看下完整的源代码。

1flysnowRegexp := regexp.MustCompile(`^http://www.flysnow.org/([\d]{4})/([\d]{2})/([\d]{2})/([\w-]+).html$`)
2params := flysnowRegexp.FindStringSubmatch("http://www.flysnow.org/2018/01/20/golang-goquery-examples-selector.html")
3
4for _,param :=range params {
5    fmt.Println(param)
6}

运行打印输出：

1http://www.flysnow.org/2018/01/20/golang-goquery-examples-selector.html
22018
301
420
5golang-goquery-examples-selector

FindStringSubmatch方法是提取出匹配的字符串，然后通过[]string返回。我们可以看到，第1个匹配到的是这个字符串本身，从第2个开始，才是我们想要的字符串。

1    fmt.Println("年份为："+params[1])
2    fmt.Println("月份为："+params[2])
3    fmt.Println("天数为："+params[3])
4    fmt.Println("文章名为："+params[4])

这样我们需要的这篇文章的信息就被提取出来了。

正则对于处理文章很好用，关于更多Golang正则的使用，可以参考官方的这篇正则表达式的介绍。https://github.com/google/re2/wiki/Syntax

扫码关注