一. 特殊符号的含义
-
量词
*
:表示前面的模式零次或多次+
:表示前面的模式一次或多次?
:表示前面的模式零次或一次{n}
:表示前面的模式恰好 n 次{n,}
:表示前面的模式至少 n 次{n,m}
:表示前面的模式至少 n 次且不超过 m 次
-
分组和捕获
( )
:用于分组和捕获子表达式(?: )
:用于分组但不捕获子表达式
-
特殊字符
\
:转义字符,用于表示特殊字符本身.
:表示任意字符(除了换行符\r\n)|
:用于指定多个模式的选择
-
锚点
^
表示字串开头$
表示字串结尾\b
表示一个单词的边界,即字与空格间的位置\B
表示非单词的边界
-
字符类
[ ]
:表示括号内的任意一个字符。例如,`[abc]`` 表示字符 “a”、“b” 或 “c”[^ ]
:表示除了括号内的字符以外的任意一个字符。例如,[^abc]
表示除了字符 “a”、“b” 或 “c” 以外的任意字符\w
:表示一个字符,该字符是字母,数字,下划线. 等价于[A-Za-z0-9_]
\d
:表示一个阿拉伯数字. 等价于[0-9]
\D
: 匹配一个非数字字符。等价于[^0-9]
\s
: 匹配任何空白字符,包括空格、制表符、换页符等等。等价于[\f\n\r\t\v]
\S
: 匹配任何非空白字符。等价于[^\f\n\r\t\v]
eg: ^[0-9].*[abc]$
表示"以数字开头,以a或b或c结尾的字串"
[^aeiou]
表示字串中,所有不是aeiou的字符
([1-9])([a-z])
二. 正则表达式可以干什么
- 测试字符串是否满足正则表达的某个格式
- 替换正则表示到的文本
- 从字串中提取正则表示的子字符串
三. 定位查询
前面讲了, ( )
用于匹配后捕获字串的. 但如果( )
里是以下面这4个符号?=、?!、?<=、?<!
开头,则表示以括号内的内容作为定位
-
exp1(?=exp2)
: 以 exp2 为定位, 匹配 exp2 前面的 exp1
runoob(?=[\d]+)
: 匹配后面是数字的 runoob
[例子]: 匹配一个用’_'分割的字符串, 且最后一个分组没有 ‘_’
-
exp1(?!exp2)
: 匹配 exp1, 但不要在 exp2 之前
runoob(?![\d]+)
: 匹配后面不是数字的 runoob
-
(?<=exp2)exp1
: 匹配 exp2 后面的 exp1
(?<=[\d]+)runoob
: 匹配前面是数字的 runoob
-
(?<!exp2)exp1
: 匹配 exp1, 但不要在 exp2 后面
(?<![\d]+)runoob
: p匹配前面不是数字的 runoob
四. 反向引用
()
匹配到的内容,会被正则引擎放到缓冲区中.缓冲区编号从1开始,最大到99.如果想引用前面缓冲区匹配到的内容, 用 \n
表示即可. 比如 \1
表示第一个缓冲区匹配到的内容.反向引用的最简单的、最有用的应用之一,是匹配出文本中两个相同的相邻单词字串.
eg: 匹配 ‘Is is the cost of of gasoline going up up’ 字串中相同的连续字串.
eg: 用这则表达式判断一个数是否是素数
首先, 把整数 n 写成 n 个 1. 比如,数字 13 写成 1111111111111. 则表达式中的1+
表示至少一个1,所以11+
表示2个以上的1. \1
表示(11+)
匹配到的串,这样(11+)\1
表示能被2整除. 后面加上’+'就能表示能被3以上整除了
五. shell 脚本中的正则
-
shell 中使用正则匹配, 用
grep -E
匹配. 但grep
不能很好的支持抓取分组结果. 本想用 sed , 但发现懒惰匹配模式貌似不支持, 改用perl -pe
获取分组结果.# 取 url 参数在aaa,bbb 中任意一个,切后面有 oaid 参数的报文 # perl -pe 抓取 oaid 参数值: \1 取第一个分组 # grep -v '^$' 去掉空行 oaid=`hdfs dfs -text $fileName | grep -E 'url=(aaa|bbb).*&oaid=(.*?)&.*' | perl -pe 's/.*&oaid=(.*?)&.*/\1/g' | grep -v '^$' | head -1` echo "oaid: $oaid"
-
grep 正则匹配引擎的问题
- grep 默认使用的是基本正则表达式(basic regexp)
基本正则表达式是一种比较简单的正则表达式语法,它包括一些基本的元字符和特殊字符,如 .、* 和 [] 等等。 -E
选项:将使用扩展正则表达式(extended regexp)
扩展正则表达式是基本正则表达式的扩展,增加了一些新的元字符和特殊字符,如 +、?、| 和 () 等等。-P
选项:将使用 Perl 正则表达式(Perl regexp)
Perl 正则表达式是一种更加强大和灵活的正则表达式语法,它支持更多的元字符和特殊字符,如 \w、\d、\s 和 (?<=…) 等等
# ipv4 检查 cat aaa.log | grep -P "^(\d+\.){3}\d+ -" | wc -l # ipv6 检查 cat aaa.log | grep -P "^(\w{0,4}:){1,7}\w{0,4} -"| wc -l
- grep 默认使用的是基本正则表达式(basic regexp)
六. Java 的 find 匹配和 match 匹配
find()
可用于递进地循环匹配子串match()
用于一次性匹配整个字串
/**
* target: 有时候,我们有一个匹配日志中参数的正则表达式,想对这个正则表达式,获取其中的分组名称。
* 思路:正则表达式中的分组名称,是使用 (?<分组名称>) 的形式定义的,所以我们可以使用正则表达式来匹配出这些分组名称。
* 注意:正则表达式中的分组名称,是区分大小写的,不能以数字开头。否则匹配不出来
* 这里分别用 Matcher 的 match() 和 find() 方法来演示
* 由于 match() 方法是匹配整个字符串,所以要匹配多个分组名称,正则表达式首先要能匹配整个字串, 然后就要重复多次写出所有匹配 (?<分组名称>) 的表达式
* 由于 find() 方法是匹配子串,
* @param regex
* @return
*/
public static List<String> getNamedGroupListMatch(String regex) {
Set<String> namedGroups = new LinkedHashSet<>();
// (?<分组名称>) 表示匹配分组名称,正则为 \(\?<([a-zA-Z]*)>
// 字串中有多少个分组名,就要写多少个 \(\?<([a-zA-Z]*)>
// 开头加上 .*? 表示最短匹配。匹配最早出现的 \(\?<([a-zA-Z]*)>, 否则只会匹配出最玩出现的 \(\?<([a-zA-Z]*)>
Matcher m = Pattern.compile(".*?\\(\\?<([a-zA-Z]*)>.*?\\(\\?<([a-zA-Z]*)>.*?\\(\\?<([a-zA-Z]*)>.*?\\(\\?<([a-zA-Z]*)>.*").matcher(regex);
if(m.matches()){ // matches() 方法对整个输入字串进行匹配,如果匹配成功,则返回 true。所以如果让“只匹配子串的正则表达式”匹配整个字符串,这样会返回 false
System.out.println(m.group(1));
System.out.println(m.group(2));
System.out.println(m.group(3));
System.out.println(m.group(4));
}
return new ArrayList<>(namedGroups);
}
/**
* 用 find() 方法循环匹配分组名
* @param regex
* @return
*/
public static List<String> getNamedGroupList(String regex) {
Set<String> namedGroups = new LinkedHashSet<>();
// 用于 find() 匹配的正则表达式,只匹配子串即可。
Matcher m = Pattern.compile("\\(\\?<([a-zA-Z]*)>").matcher(regex);
// find()用于循环匹配字串。 find() 尝试匹配下一个满足表达式的子串。如果之前调用过 find(), 则上次调用不会重置 match 的起始位置, 而是接着向后匹配
while (m.find()) {
namedGroups.add(m.group(1));
}
return new ArrayList<>(namedGroups);
}
public static void main(String[] args) {
// (?<分组名>分组表达式)
// [^ ] 表示除了中括号里的都匹配, 这里是除了空格不匹配都匹配
// “.*?” 表示最短匹配。 “.*? aaa”表示 aaa 前面的任意字符,最短匹配
String log = "127.0.0.1 - xxx.com.cn [08/Jul/2024:08:00:00 +0800] \"GET /xx.gif?name=zhang&age=30 HTTP/1.1\" 204 0 \"SohuVideoMobile/9.9.23 (Platform/6)\"";
String regex = "(?<ip>(?:\\d+\\.){3}\\d+|(?:\\w{0,4}:){1,7}\\w{0,4}) \\S* (?<domain>[^ ]*?) \\[(?<ctime>.*?)\\] \".*\\s\\/mvv\\.gif\\?(?<param>.*?)? HTTP\\/1\\.\\d+\" \\d{3} .*?";
List<String> namedGroupList = getNamedGroupListMatch(regex); // 效果同 getNamedGroupList(regex)
System.out.println(namedGroupList);
}