java的正则表达式

最新推荐文章于 2020-06-25 18:10:36 发布

李奈 - Leemon

最新推荐文章于 2020-06-25 18:10:36 发布

阅读量170

点赞数

文章标签： java基础

本文链接：https://blog.csdn.net/lmchhh/article/details/101342624

版权

1 正则表达式的规则

字符类：

[abc] 代表匹配abc其中任意一个字符。

[^abc] 代表匹配除abc以外的任意一个字符。

[a-c] 代表匹配abc其中任意一个字符。

[a-cA-C] 代表匹配小写abc或大写ABC中任意一个字符。

预定义字符：

\d 代表匹配0-9之间任意一个数字。

\D 代表非数字。

\w 代表匹配[a-zA-Z_0-9]中任意一个字符。

\W 代表匹配除了[a-zA-Z_0-9]以外的任意一个字符。

\s 代表匹配一个空格。

\S 代表匹配一个非空格。

. 代表匹配任意一个字符。

边界词：

^ 代表行的开头；

$ 代表行的结尾；

\b 代表单词的边界；

数量词：

?代表匹配0次或1次；

+代表匹配1次或多次；

*匹配0次或多次；

{n}匹配n次

{n,}匹配至少n次

{n,m}匹配至少n次，不超过m次。

注意：正则表达式是一个字符匹配一位。

2 正则表达式的使用

2.1 匹配内容

第一步：定义规则；

第二步：通过字符串的matches方法进行匹配。如果该方法返回true，代表匹配成功；否则匹配失败。

package demo01正则表达式;

/*
 * 使用正则匹配手机号
*/
public class Demo01 {

	public static void main(String[] args) {
		// 定义规则
		String regex = "1\\d{10}";
		// 调用字符串的matches进行匹配
		String phone = "13a22223456";
		boolean isMatch = phone.matches(regex);
		System.out.println(isMatch ? "匹配" : "不匹配");
	}

}

2.2 替换内容

第一步：定义规则；

第二步：调用字符串的replaceAll方法替换符合正则表达式的内容；

/*
 * 使用正则实现替换功能
*/
public class Demo02 {

	public static void main(String[] args) {
		String content = "请联系我13522234567请联系我13622234567请联系我14522234567请联系我18522234567";
		
		// 定义规则
		String regex = "1\\d{10}";
		// 使用replaceAll方法把手机号码替换成###########
		content = content.replaceAll(regex, "###########");
		
		System.out.println(content);
	}

}

2.3 字符串切割

第一步：定义规则；

第二步：调用字符串的split方法按照正则表达式进行切割，该方法返回一个String[]数组。

package demo01正则表达式;

/*
 * 使用正则实现字符串切割
*/
public class Demo03 {

	public static void main(String[] args) {
		String ip = "192.168.0.100";
		
		// 定义规则
		String regex = "\\.";
		// 按照ip的一点进行切割
		String[] arr = ip.split(regex);
		System.out.println("开始打印...");
		for (String s : arr) {
			System.out.println(s);
		}
		
	}

}

2.4 查找

第一步：把正则表达式编译成Pattern对象；

第二步：创建匹配器；

第三步：调用匹配器的find()和group()方法查找符合正则表达式的内容；

find（）: 查找下一个符合正则表达式的内容，如果找到返回true，否则返回false；

group()：获取以前匹配到的字符串内容；

package demo01正则表达式;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Demo04 {

	public static void main(String[] args) {
		String content = "请联系我13522234567请联系我13622234567请联系我14522234567请联系我18522234567";
		
		// 定义规则，然后把规则编译成Pattern对象
		String regex = "1\\d{10}";
		Pattern p = Pattern.compile(regex);
		
		// 创建匹配器对象
		Matcher m = p.matcher(content);
		
		// 调用匹配器的find和group查找符合正则表达式的内容
		/*boolean b = m.find();
		if (b) {
			String s = m.group();
			System.out.println(s);
		}*/
		
		while (m.find()) {
			String s = m.group();
			System.out.println(s);
		}
	}

}

3 爬虫实现

3.1 网络资源的分析

主要先对网站源代码进行分析，找规则，然后得出正则表达式

举例（爬取贴吧的所有标题）：

第一步：查看网页的源码。http://tieba.baidu.com/f?kw=%E4%B8%AD%E5%9B%BD%E5%A5%BD%E5%A3%B0%E9%9F%B3

第二步：查找标题对应的标签。

<a rel="noreferrer" href="/p/6198751550" title="整天尴尬扯国籍黑的人，有王力宏在的卫视是不是都要抵制?" target="_blank" class="j_th_tit ">整天尴尬扯国籍黑的人，有王力宏在的卫视是不是都要抵制?</a>
<a rel="noreferrer" href="/p/6197308075" title="自从王力宏发出加入中国好声音的消息，吧内谢霆锋的部分粉丝开始" target="_blank" class="j_th_tit ">自从王力宏发出加入中国好声音的消息，吧内谢霆锋的部分粉丝开始</a>
<a rel="noreferrer" href="/p/6197557059" title="王粉不要再碰瓷谢霆锋" target="_blank" class="j_th_tit ">王粉不要再碰瓷谢霆锋</a>

第三步：分析标题所使用标签的规则。例如

String regex = "target=\"_blank\" class=\"j_th_tit\">.*？</a>";

上面.*代表匹配任意0个或多个任意字符。默认情况下，正则表达式会尝试匹配尽可能多的字符，我们称为贪婪模式。而上面在.*后面加上?，代表匹配尽量少的字符。

3.2 爬取网页

第一步：创建一个URL对象，该对象可以用于绑定网络资源的地址。

URL url = new URL（"URL地址"）;

第二步：创建URLConnection对象，该对象用于与URL资源建立连接。

URLConnection connection = url.openConnection();

第三步：获取资源的内容；

InputStream inputStream = connection.getInputStream();

第四步：通过InputStream对象读取资源的内容（I/O操作）。

第五步：关闭connection。

connection.disconnect();

例如：爬取百度贴吧（http://tieba.baidu.com/f?kw=中国好声音）。

package demo02爬虫;

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.URL;
import java.net.URLConnection;

public class Demo02 {

	public static void main(String[] args) throws IOException {
		// 创建URL对象
		URL url = new URL("http://tieba.baidu.com/f?kw=%E4%B8%AD%E5%9B%BD%E5%A5%BD%E5%A3%B0%E9%9F%B3");
		// 创建URLConnection对象，建立远程连接
		HttpURLConnection connection = (HttpURLConnection) url.openConnection();
		// 获取InputStream
		InputStream inputStream = connection.getInputStream();
		// 把inputStream对象转换BufferedReader对象
		BufferedReader br = new BufferedReader(new InputStreamReader(inputStream));
		
		// 使用StringBuilder字符串缓冲类，用于拼接字符串。
		StringBuilder sb = new StringBuilder();
		String line = br.readLine();
		while (line != null) {
			// 把读取到的内容先保存在StringBuilder内部维护的字符串数组中。
			// 当调用tostring方法的时候，StringBuilder才会把字符串数组中的内容放入在内存中。
			sb.append(line);
			line = br.readLine();
		}
		
		String tieba = sb.toString();
		System.out.println(tieba);
		
		// 关闭连接
		connection.disconnect();
	}

}

3.3 抓取网页的内容

这里通过上面正则表达式查找的步骤相同。

package demo02爬虫;

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.MalformedURLException;
import java.net.URL;
import java.net.URLConnection;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Demo02 {

	public static void main(String[] args) throws IOException {
		// 爬取网页
		String tieba = getHtmlContent();
		
		// 定义规则，然后编译成Pattern
		String regex = "target=\"_blank\" class=\"j_th_tit \">.*?</a>";
		Pattern p = Pattern.compile(regex);
		
		// 创建匹配器对象
		Matcher m = p.matcher(tieba);
		
		// 调用find和group方法获取匹配内容
		while (m.find()) {
			String title = m.group();
			title = title.replace("target=\"_blank\" class=\"j_th_tit \">", "");
			title = title.replace("</a>", "");
			System.out.println(title);
		}
	}

	// 爬取网页
	private static String getHtmlContent() throws MalformedURLException,
			IOException {
		// 创建URL对象
		URL url = new URL("http://tieba.baidu.com/f?kw=%E4%B8%AD%E5%9B%BD%E5%A5%BD%E5%A3%B0%E9%9F%B3");
		// 创建URLConnection对象，建立远程连接
		HttpURLConnection connection = (HttpURLConnection) url.openConnection();
		// 获取InputStream
		InputStream inputStream = connection.getInputStream();
		// 把inputStream对象转换BufferedReader对象
		BufferedReader br = new BufferedReader(new InputStreamReader(inputStream));
		
		// 使用StringBuilder字符串缓冲类，用于拼接字符串。
		StringBuilder sb = new StringBuilder();
		String line = br.readLine();
		while (line != null) {
			// 把读取到的内容先保存在StringBuilder内部维护的字符串数组中。
			// 当调用tostring方法的时候，StringBuilder才会把字符串数组中的内容放入在内存中。
			sb.append(line);
			line = br.readLine();
		}
		
		String tieba = sb.toString();
		//System.out.println(tieba);
		
		// 关闭连接
		connection.disconnect();
		return tieba;
	}

}

李奈 - Leemon

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
java的正则表达式

1 正则表达式的规则字符类：[abc] 代表匹配abc其中任意一个字符。[^abc] 代表匹配除abc以外的任意一个字符。[a-c] 代表匹配abc其中任意一个字符。[a-cA-C] 代表匹配小写abc或大写ABC中任意一个字符。预定义字符：\d 代表匹配0-9之间任意一个数字。\D 代表非数字。\w 代表匹配[a-zA-Z_0-9]中任意一个字符。\W 代表匹配除了[a-zA...
复制链接

扫一扫