常用正则表达式.txt

这是一个从指定网页格式分离单词的小程序

Html相关
过滤大部分链接<a href ... > ... </a>
表达式：<\s*[Aa][^<]*[Hh][Rr][Ee][Ff]\s*=[^\/]*<\s*\/[aA]\s*>

所有中文(不包括标点)：
([\xB0-\xF7][\xA1-\xFE])+
所有GB2312-80编码
([\xA1-\xFE][\xA1-\xFE])+
所有中文空格
(\xA1\xA1)+

英文标点：[\x20-\x2F\x3A-\x40\x5B-\x60\x7B-\x7E]


Test04.html类型“Barina ||  巴里纳(澳大利亚通用-霍尔登公司)”
１分析中英：[\w\s]+\s*\|{2,2}\s*[^<>]*
２中文：[^\w\s\|]*(?=\s)
３对应英文：[\w\s]+(?=\|{2,2})



Test03.html类型“1. 棉织物：COTTON FABRIC ”
１分析中英：[\d]+\.[^<>]*(?=<[bB][rR]>)
２中文：[^\s]+(?=\xA3\xBA)
３对应英文第一个字符为冒号：\xA3\xBA[^\s]*



Test05.html类型“按可比口径 on comparable basis”
１分析中英：>([\xA1-\xFE][\xA1-\xFE])+[^<>]*\s*\w(?=<[bB][rR]>)
２中文：([\xA1-\xFE][\xA1-\xFE])+[^<>](?=\w)
３英文：




New001.html类型“烤漆区     Coating Area”
中英：([\xA1-\xFE][\xA1-\xFE])+\s*[\w\s]+<\s*[bB][rR]\s*>
中文：([\xA1-\xFE][\xA1-\xFE])+[^<>\w]*
英文：\w[^\xA1-\xFE]+(?=<\s*[bB][rR]\s*>)


New001.html类型“烤漆区     Coating Area”  网页中用&nbsp分隔的情况
中英：<\s*[bB][rR]\s*>([\xA1-\xFE][\xA1-\xFE])+\s*[^<>]+<\s*[bB][rR]\s*>
中文：([\xA1-\xFE][\xA1-\xFE])+[^<>]*(?=&[nN][bB][sS][pP])
英文：&[nN][bB][sS][pP][^<>]*(?=<\s*[bB][rR]\s*>)



New002.html类型“to pay 付款，支付，偿还 ”
中英：<\s*[bB][rR]\s*>(\w)+\s*[^<>]+<\s*[bB][rR]\s*>
中文：[\xA1-\xFE]+[^<>]*(?=<\s*[bB][rR]\s*>)
英文：\w+[^<>\xA1-\xFE]*(?=[\xA1-\xFE])