------
Java培训、Android培训、iOS培训、.Net培训、期待与您交流！ -------
以前在公司上班的时候，因为工作上的需要，同事写了一个在网页上抓取数据的程序，然后放在公司的服务器，不停的运行，然后从别人的网站上抓取我们需要的数据，每隔3秒就访问一次网页，然后从新的网页上抓取数据。当时感觉很牛B，毕竟叫我弄，我是搞不定的，因为我不懂正则表达式。如今，咱也学习正则表达了，嘿嘿 
咱们先来了解一下正则的知识
正则表达式：符合一定规则的表达式
作用：用于专门操作字符串
特点：用于一些特定的符号来表示一些代码操作。这样就简化书写。所以学习正则表达式，就是在学习一些特殊符号的使用。
好处：可以简化对字符串的复杂操作。
弊端：符号定义越多，正则越长，阅读性越差。
作用：用于专门操作字符串
特点：用于一些特定的符号来表示一些代码操作。这样就简化书写。所以学习正则表达式，就是在学习一些特殊符号的使用。
好处：可以简化对字符串的复杂操作。
弊端：符号定义越多，正则越长，阅读性越差。
以我们现阶段学习的知识来检验一个QQ号是否合格(不是以0开头，长度为5-15位的数字)
public static void checkQQ()
{
String qq="23414243";
int len=qq.length();
if(len>=5&&len<=15)
{
if(!qq.startsWith("0"))
{
char[] arr=qq.toCharArray();
boolean flag=true;
for(int x=0;x<arr.length;x++)
{
if(!(arr[x]>='0' &&arr[x]<='9'))
{
flag=false;
break;
}
}
if(flag)
{
System.out.println("qq:"+qq);
}
else
{
System.out.println("qq号不符合规则");
}
}
}
}
用正则表达式如何做呢？
public static void method()
{
//不能以0开头，长度为5-15位的QQ号
String str="1236465";
String regex="[1-9]\\d{4,14}";
boolean flag=str.matches(regex);
System.out.println(flag);
}哇哦，屌爆了有没有！！！只有四句！！！哦，regex这个变量的值不懂？下面就来了。。。
| 字符 | |
|---|---|
| x | 字符 x |
| \\ | 反斜线字符 |
| \0n | 带有八进制值 0 的字符 n (0 <= n <= 7) |
| \0nn | 带有八进制值 0 的字符 nn (0 <= n <= 7) |
| \0mnn | 带有八进制值 0 的字符 mnn（0 <= m <= 3、0 <= n <= 7） |
| \xhh | 带有十六进制值 0x 的字符 hh |
| \uhhhh | 带有十六进制值 0x 的字符 hhhh |
| \t | 制表符 ('\u0009') |
| \n | 新行（换行）符 ('\u000A') |
| \r | 回车符 ('\u000D') |
| \f | 换页符 ('\u000C') |
| \a | 报警 (bell) 符 ('\u0007') |
| \e | 转义符 ('\u001B') |
| \cx | 对应于 x 的控制符 |
| 字符类 | |
| [abc] | a、b 或 c（简单类） |
| [^abc] | 任何字符，除了 a、b 或c（否定） |
| [a-zA-Z] | a 到 z 或 A 到 Z，两头的字母包括在内（范围） |
| [a-d[m-p]] | a 到 d 或 m 到 p：[a-dm-p]（并集） |
| [a-z&&[def]] | d、e 或 f（交集） |
| [a-z&&[^bc]] | a 到 z，除了 b 和 c：[ad-z]（减去） |
| [a-z&&[^m-p]] | a 到 z，而非 m 到 p：[a-lq-z]（减去） |
| 预定义字符类 | |
|---|---|
| . | 任何字符（与行结束符可能匹配也可能不匹配） |
| \d | 数字：[0-9] |
| \D | 非数字： [^0-9] |
| \s | 空白字符：[ \t\n\x0B\f\r] |
| \S | 非空白字符：[^\s] |
| \w | 单词字符：[a-zA-Z_0-9] |
| \W | 非单词字符：[^\w] |
| POSIX 字符类（仅 US-ASCII） | |
| \p{Lower} | 小写字母字符：[a-z] |
| \p{Upper} | 大写字母字符：[A-Z] |
| \p{ASCII} | 所有 ASCII：[\x00-\x7F] |
| \p{Alpha} | 字母字符：[\p{Lower}\p{Upper}] |
| \p{Digit} | 十进制数字：[0-9] |
| \p{Alnum} | 字母数字字符：[\p{Alpha}\p{Digit}] |
| \p{Punct} | 标点符号：!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~ |
再来看[1-9]\\d{4,14}:表示第一位是由1~9等数字组成。从第二位开始都是数字，而且数字的长度是4-14个，加上首位，长度就是5~15个了。。。
正则表达式具体操作功能
1、匹配 ： String matches() 用规则匹配整个字符串，只要有一处不符合规则，就匹配结束，返回false
/*
匹配手机号，11位
手机号段只有13xxx 15xxx 18xxx
*/
public static void method_1()
{
String tel="18707122014";
String telReg="1[358]\\d{9}";
System.out.println(tel.matches(telReg));
}2、切割 String[] split(String regex)
class RegexDemo
{
public static void main(String[] args)
{
//使用.切割(单独的.代表任意字符，所以要加上转义字符，而在字符串中要使用转义字符要再加上\)
method_Split("zhangsan.lisi.wangwu.sunba","\\.");
method_Split("c:\\abc\\a.txt","\\\\");
/*
为了可以让规则的结果被重用，可以将规则封装成一个组，用()完成。组的出现
都有编号，从1开始，想要使用已有的组，可以通过\n (n就是组的编号)的形式来获取
*/
//按叠词切(其中的小括号里的表示一组，后面的1表示后面的和第一组内容一致，.代表任意字符)
method_Split("sdkkaseqqtryyfkaacgh","(.)\\1");
//按多个叠词切()
method_Split("sdkkaseqqqqqtryyyyyyyyyfkaacgh","(.)\\1+");
}
public static void method_Split(String str,String regex)
{
String[] arr=str.split(regex);
for(String s:arr)
{
System.out.println(s);
}
}
public static void method_Split1()
{
String str="zhangsan lisi wangwu zhaoliu";
//切割多个空格
String regex=" +";
String[] arr=str.split(regex);
for(String s:arr)
{
System.out.println(s);
}
}
}以前，当我们遇到一个字符串由多个字符串组成，中间用一个空格隔开的时候，我们往往会通过split(" ")将这个字符串切割成一个字符串数组，但是当中间隔开的不是一个空格，而是多个空格时，我们就会抓狂了。。。。但是现在，可以用一个空格加一个"+"来表示多个空格，同样可以完成切割。是不是很方便？
当用于分隔的不是空格，而是小数点的时候，就用小数点分隔，但是，小数点在这里表示的是任意字符，而我们仅仅想把它作为小数点用，所以就用到了转义字符，而在字符串中，表示转义字符要用两个\\来表示。如上例
若是用\\隔开的咋办？那就是\\\\
注：为了可以让规则的结果被重用，可以将规则封装成一个组，用()完成。组的出现 都有编号，从1开始，想要使用已有的组，可以通过\n (n就是组的编号)的形式来获取。
"(.)\\1" 这个代表的意思是，（）中的是一个组，代表的是任意字符，而后面的\\1表示使用编号为1的组的结果，并在一起就是两个相同的任意字符，就是叠词，"(.)\\1+"，这里多了个"+"表示多个叠词
3、替换 String replaceAll()
class RegexDemo
{
public static void main(String[] args)
{
//将字符串中长度大于等于5的数字替换成#
method_Replace("asfdf13845218652asdfgkf23345aff","\\d{5,}","#");
//将字符串中的叠词替换成"&"
method_Replace("sdkkaseqqqqqtryyyyyyyyyfkaacgh","(.)\\1+","&");
//将字符串中的叠词替换成一个，如zzz-->z
//通过$来获取前一个规则中的第一个组
method_Replace("sdkkaseqqqqqtryyyyyyyyyfkaacgh","(.)\\1+","$1");
}
//替换
public static void method_Replace(String str,String reg,String newstr)
{
str=str.replaceAll(reg,newstr);
System.out.println(str);
}
}
正则表达式的第四个功能
获取：将字符串中符合规则的子串取出
操作步骤：
1、将正则表达式封装成对象
2、让正则对象和要操作的字符相关联
3、关联后，获取正则匹配引擎
4、通过引擎对符合规则的子串进行操作。如取出
1、将正则表达式封装成对象
2、让正则对象和要操作的字符相关联
3、关联后，获取正则匹配引擎
4、通过引擎对符合规则的子串进行操作。如取出
上面的步骤中涉及到了两个类 Pattern和Matcher
Pattern:正则表达式的编译表示形式。
Matcher:通过解释 Pattern 对 character sequence 执行匹配操作的引擎。通过调用模式的 matcher 方法从模式创建匹配器。
Matcher:通过解释 Pattern 对 character sequence 执行匹配操作的引擎。通过调用模式的 matcher 方法从模式创建匹配器。
具体使用：
import java.util.regex.*;
class RegexDemo2
{
public static void main(String[] args)
{
getDemo();
}
public static void getDemo()
{
String str="ming tian jiu yao fang jia le ,da jia";
System.out.println(str);
/*
其实String类中的matches方法。用的就是Pattern和Matcher对象来完成的。
只不过被String的方法封装后，用起来较为简单。但是功能却单一。
*/
//获取字符串中4个长度的单词
//\b表示单词边际
String reg="\\b[a-z]{4}\\b";
//将规则封装成对象
Pattern p=Pattern.compile(reg);
//让正则对象和要作用的字符串相关联。获取匹配器对象
Matcher m=p.matcher(str);
/*类似于迭代器*/
//boolean b=m.find(); //将规则作用到字符串，并进行符合规则的子串查找
//System.out.println(m.group());//用于获取匹配后结果。
while(m.find())
{
System.out.println(m.group());
System.out.println(m.start()+"...."+m.end());
}
}
}
来两个练习：
/*
练习
到底用四种功能中的哪一个呢？或者哪几个呢？
思路方式：
1、如果只想知道该字符串是否对错，使用匹配
2、想要将已有的字符串变成另一个字符串，替换
3、想要按照自定的方式将字符串变成多个字符串，切割。获取规则以外的子串
4、想要拿到符合需求的字符串子串，获取。获取符合规则的子串
*/
import java.util.*;
class RegexTest1
{
public static void main(String[] args)
{
Method_Test1();
Method_Test2();
checkMail();
}
/*
需求：对邮件地址进行校验
*/
public static void checkMail()
{
String mail="abc123@sina.com.cn";
String reg="[a-zA-Z0-9_]+@[a-zA-Z0-9]+(\\.[a-zA-Z]+)+"; //较为精确的匹配
reg="\\w+@\\w+(\\.\\w+)+";//相对不太精确的匹配，因为 "1@1.1"也能匹配正确
sop(mail.matches(reg));
}
/*
192.168.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30
将IP地址进行地址段顺序的排序
1、按照每一段需要的最多的0进行补齐，那么每一段就会至少保证有3位。
2、将每一段只保留3位。这样，所有的IP地址都是每一段3位
*/
public static void Method_Test2()
{
String ip="192.168.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30";
ip=ip.replaceAll("(\\d+)","00$1"); //补齐，使每一段至少3位
sop(ip);
ip=ip.replaceAll("0*(\\d{3})","$1"); //去掉多余的0，使每一段为3位
sop(ip);
String[] arr=ip.split(" +"); //将字符串转换为数据
TreeSet<String> ts=new TreeSet<String>();
for(String s:arr) //将数组中的元素添加到TreeSet集合中排序
{
ts.add(s);
}
for(String s:ts)
{
sop(s.replaceAll("0*(\\d)","$1")); //将每一段中多余的0去掉,如002-->2
}
}
/*
将下列字符串转成：我要学编程
*/
public static void Method_Test1()
{
String str="我我...我我...我想要...要要...要要...学学学...学学..编编编..编程..程.程程...程...程";
/*
将已有字符串变成另一个字符串，使用替换功能
1、可以将.去掉
2、再将多个重复的内容变成单个内容
*/
String reg1="\\.+";
str=str.replaceAll(reg1,"");
sop(str);
String reg2="(.)\\1+";
str=str.replaceAll(reg2,"$1");
sop(str);
}
public static void sop(Object obj)
{
System.out.println(obj);
}
}应用：网页爬虫
旁白：妈呀，终于到正餐了，这个例子就是我开头说的，在网页上抓取数据的应用，来，咱也搞起。。。。
/*
网页爬虫
*/
import java.io.*;
import java.util.regex.*;
import java.net.*;
class RegexTest2
{
public static void main(String[] args) throws Exception
{
getMail() ;
}
public static void getMail() throws Exception
{
//数据源，从哪里抓取数据
URL url=new URL("http://tieba.baidu.com/p/2986729518"); //从贴吧里一大堆求种的贴子里选了一个
URLConnection urlconn=url.openConnection();
//获取读取流
BufferedReader brIn=new BufferedReader(new InputStreamReader(urlconn.getInputStream()));
//将抓取的数据存入一个文件中
BufferedWriter bwOut=new BufferedWriter(new FileWriter("mailList.txt"));
String line=null;
String mailReg="[a-zA-Z0-9]+@[a-zA-Z0-9]+(\\.[a-zA-Z]+)+";
//将正则表达式封装成对象
Pattern p=Pattern.compile(mailReg);
while((line=brIn.readLine())!=null)
{
//文本和引擎相关联
Matcher m=p.matcher(line);
while(m.find())
{
String str=m.group();
bwOut.write(str);
bwOut.newLine();
bwOut.flush();
System.out.println(str);
}
}
}
}结果：
怎么样？
其实还有是有点瑕疵的，上面的截图只能截取部分，看一下文件吧
看到圈红线部分没，这部分肯定是有问题的，毕竟人家发的是QQ邮箱，但是最后截取的去含有字母。。。。。
我们可以在获取的结果里作下判断，如果结果字符串含有@qq，则从数字部分开始。。。但是也有问题，像uff0c开头的还好，后面的就是QQ号了，但是u5b50这样开始的就不好弄了。。。咋办？
看了下网页源代码：
实际上邮箱应该是选中部分，但是结果却是把前面的u300也截取过来了。。。各位看官，有什么方法没？(待续。。。)
实际上邮箱应该是选中部分，但是结果却是把前面的u300也截取过来了。。。各位看官，有什么方法没？(待续。。。)
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
