知识卡片
真实数据需要假设
每个模式都依赖输入和使用方式的假设:编码、换行、转义约定、是否包含注释,以及执行的是整串验证还是局部提取。把引文识别式直接用于整个源文件,可能误取注释中的引号;把历史URL候选规则当作标准校验,也会混淆任务。假设本身并非错误,隐而不说、超出范围使用才使结果难以判断。应把这些假设随模式记录。
第5章新闻URL例子明确假定ASCII数据并限定有限的历史后缀、标点启发式和误报处理。不能把这张列表、简单端口拆分或单标签样例提升为现代域名/URL/HTML完整规范。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 真实数据需要假设
- · Egrep元字符
- · 基础知识拓展
- · 使用正则表达式修改文本
- · HTML相关范例
原书出处 · 5 处
- · 查看原书依据
检索文本的了解程度与检索精确性之间求得平衡。例如,如果我们知道,针对某个检索文本,「03.19.76」这个正则表达式基本不可能匹配不期望的结果,使用它就是合理的。要想正确使用正则表达式,清楚地了解目标文本是非常重要的。 多选结构 Alternation 匹配任意子表达式
- · 查看原书依据
因为我们降低了对匹配的要求,所以‘http://..../foo.html’也能匹配,虽然它显然不是一个合法的 URL。我们需要关心这一点吗?这取决于具体的情况。如果我只是需要扫描自己的E-mail,得到一些错误结果并不算是问题。而且,我没准会用更简单的表达式: %eg
- · 查看原书依据
末尾的标点显然不应该作为URL的一部分。在匹配英文文本中的URL时,末尾的「[.,?!]」是不应该作为URL的一部分的(这并不是什么规定,而是我的经验,而且大多数时候都有效)。这很简单,只需要在表达式的末尾添加一个表示“除「[.,?!]」之外的任何字符”的否定逆序环视,
- · 查看原书依据
了解数据,做出假设 Knowing Your Data and Making Assumptions 现在是时候强调我曾经数次提到过的关于构建和使用正则表达式的一般规则了。知道正则表达式会在什么情况中应用,关于目标数据又有什么样的假设,这非常重要。即使简单如「a」这样的
- · 查看原书依据
ASCII编码的英文字母,所以完全可以用「-\w」来取代「-a-z0-9」。「\w」同样可以匹配下画线,在某些系统中,它还可以匹配所有的Unicode字符,但是我们知道,这个程序在运行时不会遇到这些问题。 不过,URL通常不是以http://或者mailto:开头的,例