請(qǐng)教一個(gè)正則表達(dá)式匹配問題

xinglu1983

寫個(gè)采集工具，采集網(wǎng)頁，發(fā)現(xiàn)網(wǎng)頁里有些混淆用的字符，想用正則過濾掉，無奈正則太差，不知道如何匹配，特來請(qǐng)教下各位大蝦~

內(nèi)容類似于：
正文正文正文＊ ＷwＷ.ＷxＷＸ.cＯＭ正文正文
其中標(biāo)紅處為混淆字符。

規(guī)律大概是 一個(gè)全角或半角的特殊字符＊+零個(gè)或多個(gè)空格+全角或半角或大小寫的www.wxwx.com，其中www.wxwx.com中間可能混入 

類似的混淆字符有：
＊ ＷwＷ.ＷxＷＸ.cＯＭ
+ Ｗww.wXwＸ.Ｃom
／ www.ＷxwＸ.ＣＯＭ
(ＷＷＷ.wxＷＸ. ＣＯＭ
* wＷw.ＷxＷx.com

求助~~~

yinyuemi

回復(fù) 1# xinglu1983

試試吧，

1. echo '正文正文正文＊ ＷwＷ.ＷxＷＸ.cＯＭ正文正文' |grep --color -Pi '＊.*?(Ｍ|m)'
   
2. 正文正文正文＊ ＷwＷ.ＷxＷＸ.cＯＭ正文正文
   

復(fù)制代碼

Looiml

回復(fù) 1# xinglu1983
用PCRE還好點(diǎn)兒，用BRE或ERE就略顯蛋疼了，不過看起來還是暈暈的，這里用只是用grep -oP作一舉例，建議用支持PCRE的文本處理工具來處理。

1. 
   
2. $>cat a
   
3. 正文正文正文＊ ＷwＷ.ＷxＷＸ.cＯＭ正文正文
   
4. 正文正文正文＊ ＷwＷ.ＷxＷＸ.cＯＭ 正文正文
   
5. 正文正文正文+ Ｗww.wXwＸ.Ｃom正文正文
   
6. 正文正文正文／ www.Ｗ xwＸ.ＣＯＭ正文正文
   
7. 正文正文正文(ＷＷＷ.wxＷＸ.  ＣＯＭ正文正文
   
8. 正文正文正文* wＷw.ＷxＷx.com正文正文
   
9. 正文正文正文＊ ＷwＷ.Ｗx ＷＸ.cＯ Ｍ正文正文
   
10. 
    
11. $>grep -oP '(*UTF8).(( )*)([wWＷｗ](?1)){3}\.(?1)((?3)([xXｘＸ](?1))){2}\.(?1)[cCＣｃ](?1)[oOＯｏ](?1)[mMＭｍ](?1)' a
    
12. ＊ ＷwＷ.ＷxＷＸ.cＯＭ
    
13. ＊ ＷwＷ.ＷxＷＸ.cＯＭ 
    
14. + Ｗww.wXwＸ.Ｃom
    
15. ／ www.Ｗ xwＸ.ＣＯＭ
    
16. (ＷＷＷ.wxＷＸ.  ＣＯＭ
    
17. * wＷw.ＷxＷx.com
    
18. ＊ ＷwＷ.Ｗx ＷＸ.cＯ Ｍ
    

復(fù)制代碼