Java 正则表达式总结 2022/2/20

1 开胃小菜

1.1 提取文章中所有的英文单词

/*
 * 
 */
package regexp;

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

/**
 * 体验正则表达式的威力，给我们文本处理带来哪些便利
 *
 * @author Aldous_Rowe
 * @since 2021/11/23
 */
public class Regexp_ {
   
    public static void main(String[] args) {
   
        // 假定，编写了爬虫，从百度页面得到如下文本
        String content = "1995年，互联网的蓬勃发展给了Oak机会。业界为了使死板、单调的静态网页能够“灵活”起来，急需一种软件技术来开发一种程序，这种程序可以通过网络传播并且能够跨平台运行。于是，世界各大IT企业为此纷纷投入了大量的人力、物力和财力。这个时候，Sun公司想起了那个被搁置起来很久的Oak，并且重新审视了那个用软件编写的试验平台，由于它是按照嵌入式系统硬件平台体系结构进行编写的，所以非常小，特别适用于网络上的传输系统，而Oak也是一种精简的语言，程序非常小，适合在网络上传输。Sun公司首先推出了可以嵌入网页并且可以随同网页在网络上传输的Applet（Applet是一种将小程序嵌入到网页中进行执行的技术），并将Oak更名为Java（在申请注册商标时，发现Oak已经被人使用了，再想了一系列名字之后，最终，使用了提议者在喝一杯Java咖啡时无意提到的Java词语）。5月23日，Sun公司在Sun world会议上正式发布Java和HotJava浏览器。IBM、Apple、DEC、Adobe、HP、Oracle、Netscape和微软等各大公司都纷纷停止了自己的相关开发项目，竞相购买了Java使用许可证，并为自己的产品开发了相应的Java平台。";
        // 提取文章中所有的英文单词
        // （1）传统方法，使用遍历方式，代码量大，效率不高
        // （2）正则表达式技术

        // 1.先创建一个 Pattern 对象，模式对象，可以理解成就是一个正则表达式对象
        Pattern pattern = Pattern.compile("[a-zA-Z]+");
        // 2.创建一个匹配器对象
        // 理解：就是 matcher 匹配器按照 pattern(模式/样式)，到 content 文本中去匹配
        // 找到就返回 true，否则就返回 false
        Matcher matcher = pattern.matcher(content);
        // 3.可以开始循环匹配
        while (matcher.find()) {
   
            // 匹配内容，文本，放到 m.group(0)
            System.out.println("找到：" + matcher.group(0));
        }
    }
}

1.2 提取文章中所有的数字

Pattern pattern = Pattern.compile("[0-9]+");

1.3 提取文章中所有的英文单词和数字

Pattern pattern = Pattern.compile("([0-9]+)|([a-zA-Z]+)");

1.5 提取IP地址

/*
 * 
 */
package regexp;

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

/**
 * @author Aldous_Rowe
 * @since 2021/11/23
 */
public class IP地址 {
   
    public static void main(String[] args) {
   
        String content = "私有地址（Private address）属于非注册地址，专门为组织机构内部使用。\n" +
                "以下列出留用的内部私有地址\n" +
                "A类 10.0.0.0--10.255.255.255\n" +
                "B类 172.16.0.0--172.31.255.255\n" +
                "C类 192.168.0.0--192.168.255.255";
        Pattern pattern = Pattern.compile("\\d+\\.\\d+\\.\\d+\\.\\d+");
        int no = 0;
        Matcher matcher = pattern.matcher(content);
        while (matcher.find()) {
   
            System.out.println("找到：" + (++no) + " " + matcher.group(0));
        }
    }
}

运行结果：

找到：1 10.0.0.0
找到：2 10.255.255.255
找到：3 172.16.0.0
找到：4 172.31.255.255
找到：5 192.168.0.0
找到：6 192.168.255.255

2 正则表达式的基本介绍

一个正则表达式，就是用某种模式去匹配字符串的一个公式。很多人因为它们看上去比较古怪而且复杂所以不敢去使用，不过，经过练习后，就觉得这些复杂的表达式写起来还是相当简单的，而且，一旦你弄懂它们，你就能把数小时辛苦而且易错的文本处理工作缩短在几分钟（甚至几秒钟）内完成

3 正则表达式的底层实现

给你一段字符串（文本），请找出所有四个数字连在一起的子串，比如：

应该找到1998 1999 3443 9889 ===> 分析底层实现 RegTheory.java

/*
 * 
 */
package regexp;

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

/**
 * 分析 Java 的正则表达式的底层实现
 *
 * @author Aldous_Rowe
 * @since 2021/11/23
 */
public class RegTheory {
   
    public static void main(String[] args) {
   
        String content = "1998年12月8日，第二代Java平台的企业版J2EE发布。1999年6月，Sun公司发布了第二代Java平台（简称为Java2）的3个版本：J2ME（Java2 Micro Edition，Java2平台的微型版），应用于移动、无线及有限资源的环境；J2SE（Java 2 Standard Edition，Java 2平台的标准版），应用于桌面环境；J2EE（Java 2Enterprise Edition，Java 2平台的企业版），应用于基于Java的应用服务器。Java 2平台的发布，是Java发展过程中最重要的一个里程碑，标志着Java的应用开始普及。";
        // 目标：匹配所有四个数字
        // 说明
        // 1. \\d 表示一个任意的数字
        String regStr = "(\\d\\d)(\\d\\d)";
        // 2. 创建模式对象【即正则表达式对象】
        Pattern pattern = Pattern.compile(regStr);
        // 3. 创建匹配器
        // 说明：创建匹配器 matcher，按照正则表达式的规则去匹配content字符串
        Matcher matcher = pattern.matcher(content);
        // 4. 开始匹配
        /*
        matcher.find() 完成的任务 （考虑分组）
           什么是分组，比如 (\d\d)(\d\d)，正则表达式中有 () 表示分组，第 1 个 () 表示第 1 组，第 2 个 () 表示第 2 组...
        1. 根据指定的规则，定位满足规则的子字符串（比如 (19)(98)）
        2. 找到后，将子字符串的开始的索引记录到 matcher 对象的属性 int[] groups
           2.1 groups[0] = 0，把该子字符串的结束的索引 +1 的值记录到 groups[1] = 4
           2.2 记录 1 组 () 匹配到的字符串 groups[2] = 0 groups[3] = 2
           2.3 记录 2 组 () 匹配到的字符串 groups[4] = 2 groups[5] = 4
           2.4 如果有更多的分组
        3. 同时记录 oldLast 的值为该子字符串的结束的索引 +1 的值即 4，即下次执行 find 时，就从 4 开始匹配

        matcher.group() 分析、
        源码：
        public String group(int group) {
            if (first < 0)
                throw new IllegalStateException("No match found");
            if (group < 0 || group > groupCount())
                throw new IndexOutOfBoundsException("No group " + group);
            if ((groups[group*2] == -1) || (groups[group*2+1] == -1))
                return null;
            return getSubSequence(groups[group * 2], groups[group * 2 + 1]).toString();
        }
        1. 根据 groups[0] = 0 和 groups[1] = 4 的记录的位置，从 content 开始截取子字符串返回
           就是 [0,4) 包含 0 但是不包含索引为 4 的位置

        如果再次执行 find 方法，仍然按照上面的分析来执行
         */
        while (matcher.find()) {
   
            // 小结
            // 1. 如果正则表达式有 () 即分组
            // 2. 取出匹配的字符串规则如下
            // 3. group(0) 表示匹配到的子字符串
            // 4. group(1) 表示匹配到的子字符串的第一组字符串
            // 5. group(2) 表示匹配到的子字符串的第二组字符串
            // 6. ... 但是分组的数不能越界
            System.out.println("找到：" + matcher.group(0));
            System.out.print