88节介绍了正则表达式的语法,上节介绍了正则表达式相关的Java API,本节来讨论和分析一些常用的正则表达式,具体包括:
- 邮编
- 电话号码,包括手机号码和固定电话号码
- 日期和时间
- 身份证
- IP地址
- URL
- Email地址
- 中文字符
对于同一个目的,正则表达式往往有多种写法,大多没有唯一正确的写法,本节的写法主要是示例。此外,写一个正则表达式,匹配希望匹配的内容往往比较容易,但让它不匹配不希望匹配的内容,则往往比较困难,也就是说,保证精确性经常是很难的,不过,很多时候,我们也没有必要写完全精确的表达式,需要写到多精确与你需要处理的文本和需求有关,另外,正则表达式难以表达的,可以通过写程序进一步处理。这么描述可能比较抽象,下面,我们会具体讨论分析。
邮编
邮编比较简单,就是6位数字,首位不能是0,所以表达式可以为:
[1-9][0-9]{5}
这个表达式可以用于验证输入是否为邮编,比如:
public static Pattern ZIP_CODE_PATTERN = Pattern.compile( "[1-9][0-9]{5}"); public static boolean isZipCode(String text) { return ZIP_CODE_PATTERN.matcher(text).matches(); }
但如果用于查找,这个表达式是不够的,看个例子:
public static void findZipCode(String text) { Matcher matcher = ZIP_CODE_PATTERN.matcher(text); while (matcher.find()) { System.out.println(matcher.group()); } } public static void main(String[] args) { findZipCode("邮编 100013,电话18612345678"); }
文本中只有一个邮编,但输出却为:
100013 186123
这怎么办呢?可以使用88节介绍的环视边界匹配,对于左边界,它前面的字符不能是数字,环视表达式为:
(?<![0-9])
对于右边界,它右边的字符不能是数字,环视表达式为:
(?![0-9])
所以,完整的表达式可以为:
(?<![0-9])[1-9][0-9]{5}(?![0-9])
使用这个表达式,也就是说,将ZIP_CODE_PATTERN改为:
public static Pattern ZIP_CODE_PATTERN = Pattern.compile( "(?<![0-9])" // 左边不能有数字 + "[1-9][0-9]{5}" + "(?![0-9])"); // 右边不能有数字
就可以输出期望的结果了。
非0开头的6位数字就一定是邮编吗?答案当然是否定的,所以,这个表达式也不是精确的,如果需要更精确的验证,可以写程序进一步检查。
手机号码
中国的手机号码都是11位数字,所以,最简单的表达式就是:
[0-9]{11}
不过,目前手机号第1位都是1,第2位取值为3、4、5、7、8之一,所以,更精确的表达式是:
1[3|4|5|7|8|][0-9]{9}
为方便表达手机号,手机号中间经常有连字符(即减号'-'),形如:
186-1234-5678
为表达这种可选的连字符,表达式可以改为:
1[3|4|5|7|8|][0-9]-?[0-9]{4}-?[0-9]{4}
在手机号前面,可能还有0、+86或0086,和手机号码之间可能还有一个空格,比如:
018612345678 +86 18612345678 0086 18612345678
为表达这种形式,可以在号码前加如下表达式:
((0|\+86|0086)\s?)?
和邮编类似,如果为了抽取,也要在左右加环视边界匹配,左右不能是数字。所以,完整的表达式为:
(?<![0-9])((0|\+86|0086)\s?)?1[3|4|5|7|8|][0-9]-?[0-9]{4}-?[0-9]{4}(?![0-9])
用Java表示的代码为:
public static Pattern MOBILE_PHONE_PATTERN = Pattern.compile( "(?<![0-9])" // 左边不能有数字 + "((0|\\+86|0086)\\s?)?" // 0 +86 0086 + "1[3|4|5|7|8|][0-9]-?[0-9]{4}-?[0-9]{4}" // 186-1234-5678 + "(?![0-9])"); // 右边不能有数字
固定电话
不考虑分机,中国的固定电话一般由两部分组成:区号和市内号码,区号是3到4位,市内号码是7到8位。区号以0开头,表达式可以为:
0[0-9]{2,3}
市内号码表达式为:
[0-9]{7,8}
区号可能用括号包含,区号与市内号码之间可能有连字符,如以下形式:
010-62265678 (010)62265678
整个区号是可选的,所以整个表达式为:
(\(?0[0-9]{2,3}\)?-?)?[0-9]{7,8}
再加上左右边界环视,完整的Java表示为:
public static Pattern FIXED_PHONE_PATTERN = Pattern.compile( "(?<![0-9])" // 左边不能有数字 + "(\\(?0[0-9]{2,3}\\)?-?)?" // 区号 + "[0-9]{7,8}"// 市内号码 + "(?![0-9])"); // 右边不能有数字
日期
日期的表示方式有很多种,我们只看一种,形如:
2017-06-21 2016-11-1
年月日之间用连字符分隔,月和日可能只有一位。
最简单的正则表达式可以为:
\d{4}-\d{1,2}-\d{1,2}
年一般没有限制,但月只能取值1到12,日只能取值1到31,怎么表达这种限制呢?
对于月,有两种情况,1月到9月,表达式可以为:
0?[1-9]
10月到12月,表达式可以为:
1[0-2]
所以,月的表达式为:
(0?[1-9]|1[0-2])
对于日,有三种情况:
- 1到9号,表达式为:0?[1-9]
- 10号到29号,表达式为:[1-2][0-9]
- 30号和31号,表达式为:3[01]
所以,整个表达式为:
\d{4}-(0?[1-9]|1[0-2])-(0?[1-9]|[1-2][0-9]|3[01])
加上左右边界环视,完整的Java表示为:
public static Pattern DATE_PATTERN = Pattern.compile( "(?<![0-9])" // 左边不能有数字 + "\\d{4}-" // 年 + "(0?[1-9]|1[0-2])-" // 月 + "(0?[1-9]|[1-2][0-9]|3[01])"// 日 + "(?![0-9])"); // 右边不能有数字
时间
考虑24小时制,只考虑小时和分钟,小时和分钟都用固定两位表示,格式如下:
10:57
基本表达式为:
\d{2}:\d{2}
小时取值范围为0到23,更精确的表达式为:
([0-1][0-9]|2[0-3])
分钟取值范围为0到59,更精确的表达式为:
[0-5][0-9]
所以,整个表达式为:
([0-1][0-9]|2[0-3]):[0-5][0-9]
加上左右边界环视,完整的Java表示为:
public static Pattern TIME_PATTERN = Pattern.compile( "(?<![0-9])" // 左边不能有数字 + "([0-1][0-9]|2[0-3])" // 小时 + ":" + "[0-5][0-9]"// 分钟 + "(?![0-9])"); // 右边不能有数字
身份证
身份证有一代和二代之分,一代是15位数字,二代是18位,都不能以0开头,对于二代身份证,最后一位可能为x或X,其他是数字。
一代身份证表达式可以为:
[1-9][0-9]{14}
二代身份证可以为:
[1-9][0-9]{16}[0-9xX]
这两个表达式的前面部分是相同的,二代身份证多了如下内容:
[0-9]{2}[0-9xX]
所以,它们可以合并为一个表达式,即:
[1-9][0-9]{14}([0-9]{2}[0-9xX])?
加上左右边界环视,完整的Java表示为:
public static Pattern ID_CARD_PATTERN = Pattern.compile( "(?<![0-9])" // 左边不能有数字 + "[1-9][0-9]{14}" // 一代身份证 + "([0-9]{2}[0-9xX])?" // 二代身份证多出的部分 + "(?![0-9])"); // 右边不能有数字
符合这个要求的就一定是身份证号码吗?当然不是,身份证还有一些更为具体的要求,本文就不探讨了。
IP地址
IP地址格式如下:
192.168.3.5
点号分隔,4段数字,每个数字范围是0到255。最简单的表达式为:
(\d{1,3}\.){3}\d{1-3}
\d{1,3}太简单,没有满足0到255之间的约束,要满足这个约束,就要分多种情况考虑。
值是1位数,前面可能有0到2个0,表达式为:
0{0,2}[0-9]
值是两位数,前面可能有一个0,表达式为:
0?[0-9]{2}
值是三位数,又要分为多种情况。以1开头的,后两位没有限制,表达式为:
1[0-9]{2}
以2开头的,如果第二位是0到4,则第三位没有限制,表达式为:
2[0-4][0-9]
如果第二位是5,则第三位取值为0到5,表达式为:
25[0-5]
所以,\d{1,3}更为精确的表示为:
(0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])
所以,加上左右边界环视,IP地址的完整Java表示为:
public static Pattern IP_PATTERN = Pattern.compile( "(?<![0-9])" // 左边不能有数字 + "((0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])\\.){3}" + "(0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])" + "(?![0-9])"); // 右边不能有数字
URL
URL的格式比较复杂,其规范定义在https://tools.ietf.org/html/rfc1738,我们只考虑http协议,其通用格式是:
http://<host>:<port>/<path>?<searchpart>
开始是http://,接着是主机名,主机名之后是可选的端口,再之后是可选的路径,路径后是可选的查询字符串,以?开头。
一些例子:
http://www.example.com http://www.example.com/ab/c/def.html http://www.example.com:8080/ab/c/def?q1=abc&q2=def
主机名中的字符可以是字母、数字、减号和点号,所以表达式可以为:
[-0-9a-zA-Z.]+
端口部分可以写为:
(:\d+)?
路径由多个子路径组成,每个子路径以/开头,后跟零个或多个非/的字符,简单的说,表达式可以为:
(/[^/]*)*
更精确的说,把所有允许的字符列出来,表达式为:
(/[-\w$.+!*'(),%;:@&=]*)*
对于查询字符串,简单的说,由非空字符串组成,表达式为:
\?[\S]*
更精确的,把所有允许的字符列出来,表达式为:
\?[-\w$.+!*'(),%;:@&=]*
路径和查询字符串是可选的,且查询字符串只有在至少存在一个路径的情况下才能出现,其模式为:
(/<sub_path>(/<sub_path>)*(\?<search>)?)?
所以,路径和查询部分的简单表达式为:
(/[^/]*(/[^/]*)*(\?[\S]*)?)?
精确表达式为:
(/[-\w$.+!*'(),%;:@&=]*(/[-\w$.+!*'(),%;:@&=]*)*(\?[-\w$.+!*'(),%;:@&=]*)?)?
HTTP的完整Java表达式为:
public static Pattern HTTP_PATTERN = Pattern.compile( "http://" + "[-0-9a-zA-Z.]+" // 主机名 + "(:\\d+)?" // 端口 + "(" // 可选的路径和查询 - 开始 + "/[-\\w$.+!*'(),%;:@&=]*" // 第一层路径 + "(/[-\\w$.+!*'(),%;:@&=]*)*" // 可选的其他层路径 + "(\\?[-\\w$.+!*'(),%;:@&=]*)?" // 可选的查询字符串 + ")?"); // 可选的路径和查询 - 结束
Email地址
完整的Email规范比较复杂,定义在https://tools.ietf.org/html/rfc822,我们先看一些实际中常用的。
比如新浪邮箱,它的格式如:
abc@sina.com
对于用户名部分,它的要求是:4-16个字符,可使用英文小写、数字、下划线,但下划线不能在首尾。
怎么验证用户名呢?可以为:
[a-z0-9][a-z0-9_]{2,14}[a-z0-9]
新浪邮箱的完整Java表达式为:
public static Pattern SINA_EMAIL_PATTERN = Pattern.compile( "[a-z0-9]" + "[a-z0-9_]{2,14}" + "[a-z0-9]@sina\\.com");
我们再来看QQ邮箱,它对于用户名的要求为:
- 3-18字符,可使用英文、数字、减号、点或下划线
- 必须以英文字母开头,必须以英文字母或数字结尾
- 点、减号、下划线不能连续出现两次或两次以上
如果只有第一条,可以为:
[-0-9a-zA-Z._]{3,18}
为满足第二条,可以改为:
[a-zA-Z][-0-9a-zA-Z._]{1,16}[a-zA-Z0-9]
怎么满足第三条呢?可以使用边界环视,左边加如下表达式:
(?![-0-9a-zA-Z._]*(--|\.\.|__))
完整表达式可以为:
(?![-0-9a-zA-Z._]*(--|\.\.|__))[a-zA-Z][-0-9a-zA-Z._]{1,16}[a-zA-Z0-9]
QQ邮箱的完整Java表达式为:
public static Pattern QQ_EMAIL_PATTERN = Pattern.compile( "(?![-0-9a-zA-Z._]*(--|\\.\\.|__))" // 点、减号、下划线不能连续出现两次或两次以上 + "[a-zA-Z]" // 必须以英文字母开头 + "[-0-9a-zA-Z._]{1,16}" // 3-18位 英文、数字、减号、点、下划线组成 + "[a-zA-Z0-9]@qq\\.com"); // 由英文字母、数字结尾
以上都是特定邮箱服务商的要求,一般的邮箱是什么规则呢?一般而言,以@作为分隔符,前面是用户名,后面是域名。
用户名的一般规则是:
- 由英文字母、数字、下划线、减号、点号组成
- 至少1位,不超过64位
- 开头不能是减号、点号和下划线
比如:
h_llo-abc.good@example.com
这个表达式可以为:
[0-9a-zA-Z][-._0-9a-zA-Z]{0,63}
域名部分以点号分隔为多个部分,至少有两个部分。最后一部分是顶级域名,由2到3个英文字母组成,表达式可以为:
[a-zA-Z]{2,3}
对于域名的其他点号分隔的部分,每个部分一般由字母、数字、减号组成,但减号不能在开头,长度不能超过63个字符,表达式可以为:
[0-9a-zA-Z][-0-9a-zA-Z]{0,62}
所以,域名部分的表达式为:
([0-9a-zA-Z][-0-9a-zA-Z]{0,62}\.)+[a-zA-Z]{2,3}
完整的Java表示为:
public static Pattern GENERAL_EMAIL_PATTERN = Pattern.compile( "[0-9a-zA-Z][-._0-9a-zA-Z]{0,63}" // 用户名 + "@" + "([0-9a-zA-Z][-0-9a-zA-Z]{0,62}\\.)+" // 域名部分 + "[a-zA-Z]{2,3}"); // 顶级域名
中文字符
中文字符的Unicode编号一般位于\u4e00和\u9fff之间,所以匹配任意一个中文字符的表达式可以为:
[\u4e00-\u9fff]
Java表达式为:
public static Pattern CHINESE_PATTERN = Pattern.compile( "[\\u4e00-\\u9fff]");
小结
本节详细讨论和分析了一些常见的正则表达式,在实际开发中,有些可以直接使用,有些需要根据具体文本和需求进行调整。
至此,关于正则表达式,我们就介绍完了,相信你对正则表达式一定有了一个更为清晰透彻的理解!
在之前的章节中,我们都是基于Java 7讨论的,从下节开始,我们探讨Java 8的一些特性,尤其是函数式编程。
(与其他章节一样,本节所有代码位于 https://github.com/swiftma/program-logic,位于包shuo.laoma.regex.c90下)
转载:http://www.cnblogs.com/swiftma/p/7062987.html