正则与NSPredicate 应用



正则表达式应用——实例应用

  1.验证用户名和密码:("^[a-zA-Z]\w{5,15}$")正确格式:"[A-Z][a-z]_[0-9]"组成,并且第一个字必须为字母6~16位;

  2.验证电话号码:("^(\d{3.4}-)\d{7,8}$")正确格式:xxx/xxxx-xxxxxxx/xxxxxxxx;

  3.验证身份证号(15位或18位数字):("^\d{15}|\d{18}$");

  4.验证Email地址:("^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$");

  5.只能输入由数字和26个英文字母组成的字符串:("^[A-Za-z0-9]+$") ;

  6.整数或者小数:^[0-9]+\.{0,1}[0-9]{0,2}$

  7.只能输入数字:"^[0-9]*$"。

  8.只能输入n位的数字:"^\d{n}$"。

  9.只能输入至少n位的数字:"^\d{n,}$"。

  10.只能输入m~n位的数字:。"^\d{m,n}$"

  11.只能输入零和非零开头的数字:"^(0|[1-9][0-9]*)$"。

  12.只能输入有两位小数的正实数:"^[0-9]+(.[0-9]{2})?$"。

  13.只能输入有1~3位小数的正实数:"^[0-9]+(.[0-9]{1,3})?$"。

  14.只能输入非零的正整数:"^\+?[1-9][0-9]*$"。

  15.只能输入非零的负整数:"^\-[1-9][]0-9"*$。

  16.只能输入长度为3的字符:"^.{3}$"。

  17.只能输入由26个英文字母组成的字符串:"^[A-Za-z]+$"。

  18.只能输入由26个大写英文字母组成的字符串:"^[A-Z]+$"。

  19.只能输入由26个小写英文字母组成的字符串:"^[a-z]+$"。

  20.验证是否含有^%&',;=?$"等字符:"[^%&',;=?$\x22]+"。

  21.只能输入汉字:"^[\u4e00-\u9fa5]{0,}$"

  22.验证URL:"^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$"。

  23.验证一年的12个月:"^(0?[1-9]|1[0-2])$"正确格式为:"01"~"09"和"1"~"12"。

  24.验证一个月的31天:"^((0?[1-9])|((1|2)[0-9])|30|31)$"正确格式为;"01"~"09"和"1"~"31"。

  25.获取日期正则表达式:\d{4}[年|\-|\.]\d{\1-\12}[月|\-|\.]\d{\1-\31}日?

  评注:可用来匹配大多数年月日信息。

  26.匹配双字节字符(包括汉字在内):[^\x00-\xff]

  评注:可以用来计算字符串的长度(一个双字节字符长度计2,ASCII字符计1)

  27.匹配空白行的正则表达式:\n\s*\r

  评注:可以用来删除空白行

  28.匹配HTML标记的正则表达式:<(\S*?)[^>]*>.*?</>|<.*? />

  评注:网上流传的版本太糟糕,上面这个也仅仅能匹配部分,对于复杂的嵌套标记依旧无能为力

  29.匹配首尾空白字符的正则表达式:^\s*|\s*$

  评注:可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等),非常有用的表达式

  30.匹配网址URL的正则表达式:[a-zA-z]+://[^\s]*

  评注:网上流传的版本功能很有限,上面这个基本可以满足需求

  31.匹配帐号是否合法(字母开头,允许5-16字节,允许字母数字下划线):^[a-zA-Z][a-zA-Z0-9_]{4,15}$

  评注:表单验证时很实用

  32.匹配腾讯QQ号:[1-9][0-9]\{4,\}

  评注:腾讯QQ号从1000 0 开始

  33.匹配中国邮政编码:[1-9]\d{5}(?!\d)

  评注:中国邮政编码为6位数字

  34.匹配ip地址:((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。

  评注:提取ip地址时有用

例如
验证 邮箱和手机号码的代码
if ( ![UPdateViewController setpredicate:self.fieldadd.text]||![UPdateViewController setpredicatephone:self.fieldphone.text])//传一个输入的字符串到谓词方法里判断  是否符合我们设定的正则
    {//不符号进这方法
       
                 UIAlertView *aler=[[UIAlertView alloc]initWithTitle:@"提示" message:@"email或手机号码输入有误请重新输入" delegate:self cancelButtonTitle:@"确定" otherButtonTitles:nil, nil];
                         [aler show];
              }
                else{

   
   
    text5AppDelegate* app=(text5AppDelegate*)[[UIApplication sharedApplication] delegate];//获取app代理
    self.context=[app managedObjectContext];//初始化 要分配空间

   
//赋值给数据库   
        student.stuname=self.fieldname.text;
        student.stunameping=self.fieldnameping.text;
        student.stuxing=self.fieldxing.text;
        student.stuxingping=self.fieldxingping.text;
        student.stugongsi=self.fieldgongsi.text;
        student.stuphone=self.fieldphone.text;
        student.stuurl=self.fieldfirst.text;
        student.stuimage=UIImagePNGRepresentation(imagename);
        student.stuemail=self.fieldadd.text;
   
    NSLog(@"%@",student.stuname);
    NSLog(@"%@",student.stuemail);
  
    NSError *error;
    [context save:&error]; //save  更新数据 不要忘记
   
                }
   


+(BOOL)setpredicate:(NSString *)sender //设定邮箱验证 信息
 
    NSString *match = @"^[A-Z0-9a-z._%+-]+@[A-Za-z0-9.-]+\\.[A-Za-z]{2,4}$"; //注意\d正则法则在OC中表达式\\d 
//用谓词过滤
    NSPredicate *result = [NSPredicate predicateWithFormat:@"SELF matches %@",match];
   return  [result evaluateWithObject:sender];//返回一个BOOL值
   
   
}
+(BOOL)setpredicatephone:(NSString *)sender
{
    NSString *match= @"^\\d{8}|\\d{11}$";//注意\d正则法则在OC中表达式\\d 
//用谓词过滤
    NSPredicate *result=[NSPredicate predicateWithFormat:@"SELF MATCHES %@",match];
    return [result evaluateWithObject:sender];//返回一个BOOL值
}

分数阶傅里叶变换(Fractional Fourier Transform, FRFT)是对传统傅里叶变换的拓展,它通过非整数阶的变换方式,能够更有效地处理非线性信号以及涉及时频局部化的问题。在信号处理领域,FRFT尤其适用于分析非平稳信号,例如在雷达、声纳和通信系统中,对线性调频(Linear Frequency Modulation, LFM)信号的分析具有显著优势。LFM信号是一种频率随时间线性变化的信号,因其具有宽频带和良好的时频分辨率,被广泛应用于雷达和通信系统。FRFT能够更精准地捕捉LFM信号的时间和频率信息,相比普通傅里叶变换,其性能更为出色。 MATLAB是一种强大的数值计算和科学计算工具,拥有丰富的函数库和用户友好的界面。在MATLAB中实现FRFT,通常需要编写自定义函数或利用信号处理工具箱中的相关函数。例如,一个名为“frft”的文件可能是用于执行分数阶傅里叶变换的MATLAB脚本或函数,并展示其在信号处理中的应用。FRFT的正确性验证通常通过对比变换前后信号的特性来完成,比如评估信号的重构质量、信噪比等。具体而言,可以通过计算原始信号经过FRFT处理后的信号之间的相似度,或者对比LFM信号的关键参数(如初始频率、扫频率和持续时间)是否在变换后得到准确恢复。 在MATLAB代码实现中,通常包含以下步骤:首先,生成LFM信号模型,设定其初始频率、扫频率、持续时间和采样率等参数;其次,利用自定义的frft函数对LFM信号进行分数阶傅里叶变换;接着,使用MATLAB的可视化工具(如plot或imagesc)展示原始信号的时域和频域表示,以及FRFT后的结果,以便直观对比;最后,通过计算均方误差、峰值信噪比等指标来评估FRFT的性能。深入理解FRFT的数学原理并结合MATLAB编程技巧,可以实现对LFM信号的有效分析和处理。这个代码示例不仅展示了理论知识在
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值