java 正则表达式解析数据

1 背景

在写代码过程中，会遇到一些解析需求，需要把字符串里面的某些东西提取出来。和作者信息，生日，地址，年龄之类的。虽然用java 自带String.split()方法能够处理大部分需求了，但显得比较笨拙，因为需要去遍历数组。

2 实战

String dataId = “hello world my name is: DayDayUp. and my birthday is 8.9. unmappedReason,version”;

对于上面这个字符串，现在需要我们把DayDayUp获取出来。则需要先写提取的表达式，
String REGEX = “name is:(.*?)\. and”;
整体逻辑如下：

    @Test
    public void spliteAppNameTest2() {
        String dataId = "hello world my name is: DayDayUp. and my birthday is 8.9. unmappedReason,version";
        String REGEX = "name is:(.*?)\\. and";

        System.out.println(getPatternCode(dataId,REGEX));
    }

    public static String getPatternCode(String dataId, String rgex) {
        if (StringUtils.isEmpty(dataId)) {
            return null;
        }

        // 匹配的模式
        Pattern pattern = Pattern.compile(rgex);
        Matcher m = pattern.matcher(dataId);
        while (m.find()) {
            return m.group(1);
        }
        return null;
    }
}

输出： DayDayUp
getPatternCode()封装了具体的逻辑。如果找到，即满足正则表达式规则，则返回第一个分分组。
ps: 需要用(.?)来提取-补获组，.?表示非贪婪式匹配。.*表示贪婪式匹配。

3 思考

获取生日如何写呢？

 @Test
    public void spliteAppNameTest2() {
        String dataId = "hello world my name is: DayDayUp. and my birthday is 8.9. unmappedReason,version";
        String REGEX = "birthday is (.*?)\\. unmappedReason";

        System.out.println(getPatternCode(dataId,REGEX));
    }

    public static String getPatternCode(String dataId, String rgex) {
        if (StringUtils.isEmpty(dataId)) {
            return null;
        }

        // 匹配的模式
        Pattern pattern = Pattern.compile(rgex);
        Matcher m = pattern.matcher(dataId);
        while (m.find()) {
            return m.group(1);
        }
        return null;
    }

输出：8.9

4 进阶

思考：如何捕获多条数据呢？
这个场景在爬虫场景比较多，如提取列表页中图片url地址或者图片名字时候。下面是一个简化例子，大家可以自己改造一下，就能在很多场景中使用了。
目标： 把字符串中2个生日日期提取出来，即8.9 和1.1

 @Test
    public void spliteAppNameTest2() {
        String dataId =  "hello world my name is: DayDayUp. and Zhang's birthday is 8-9. besides, Yang's birthday is 1-1. besides";
        String REGEX = "birthday is (.*)\\.";

        System.out.println(getPatternCode(dataId,REGEX));
    }

输出：

8-9. besides, Yang's birthday is 1-1

这里使用(.*)贪婪匹配，直接匹配了全部字符串。所以输出比较长。

  @Test
    public void spliteAppNameTest2() {
        String dataId = "hello world my name is: DayDayUp. and Zhang's birthday is 8-9. besides, Yang's birthday is 1-1. besides";
        String REGEX = "birthday is (.*?)\\.";

        System.out.println(getPatternCode(dataId,REGEX));
    }

    public static StrBuilder getPatternCode(String dataId, String rgex) {
        if (StringUtils.isEmpty(dataId)) {
            return null;
        }
        if (StringUtils.isEmpty(rgex)) {
            rgex = REGEX;
        }
        // 匹配的模式
        Pattern pattern = Pattern.compile(rgex);
        Matcher m = pattern.matcher(dataId);
        StrBuilder sb = new StrBuilder();
        while (m.find()) {
            sb.append(m.group(1)+"\n");
           // m.appendReplacement(sb,);
           // return m.group();
        }
        return sb;
    }

输出：

8-9
1-1

改动点，
1 使用了 StrBuilder sb = new StrBuilder(); 来保存补获组 sb.append(m.group(1)+“\n”);
2 String REGEX = “birthday is (.*?)\.”;

5 总结

还是python写正则表达式要简单一点，java写起来代码量比较多，也比较复杂。特别是里面\，需要用2个\来表示一个\。刚开始还不能很好适应。