正则表达式 Regular Expression

重新整理记录一下正则规则

一、定义

Regular Expression - 正规的/有规律的表达式，是计算机科学的一个概念。使用一个字符串来描述、匹配一系列符合某个句法规则的字符串

最初这个概念是由Unix中的工具软件如sed和grep普及开的，通常简写为regex ['ridʒɛks]

几乎所有操作系统以及编程语言中都有正则表达式的应用

二、引擎

正则引擎主要分为两大类：

• DFA
• NFA
• POSIX NFA

一. DFA引擎
速度：最快
特点：以文本为主导
主要使用者：awk、egrep、flex、lex、MySQL、Procmail

二. NFA引擎
速度：次之
特点：以表达式为主导，更容易操纵，一般程序员更偏爱NFA
只要使用者：GNU Emacs、Java、ergp、less、.NET、PCRE

三. POSIX NFA
意义：为了防止继续出现不同引擎的变体而产生的统一引擎
速度：最慢
使用者：mawk、GNU Emacs（使用时显式指定）

三、表达式的构造

表达式的基本思路：对字符串中的字符一个一个的进行匹配

构造	匹配

Characters - 字符
x	字符x就带表某个字符x
\\	backslash 反斜杠
\0n	octal 八进制数n
\xhh	hexadecimal 十六进制数hh
\uhhhh	hexadecimal 十六进制数hhhh
\t	tab 制表符(‘\u0009’)
\n	newline 新行(‘\u000A’)
\r	carriage return 回车(‘\u000D’)

Character classes - 字符类型
[abc]	a,b, or c
[^abc]	exclusive OR 任意character except a,c, or c
[a-zA-Z]	a through z or A through Z
[a-d[m-p]]	并集，相当于[a-dm-p]
[a-z&&[bcd]]	交集，相当于[bcd]
[a-z&&[^bc]]	交集，相当于[ad-z]

Predefined character classes - 预定义的字符类型
.	任意character
\d	A digit:[0-9]
\D	A non-digit:[^0-9]
\s	whitespace:[ \t\n\x0B\f\r]，注意中括号的第一个字符是空格(ASCII32)不是\t
\S	non-whitespace:[^\s]
\w	A word:[a-zA-Z_0-9]
\W	A non-word:[^\w]

Boundary matchers - 边界匹配器
^	The beginning of a line
$	The end of a line
\b	A word boundary
\B	A non-word boundary

Greedy quantifiers - 贪婪量词
X?	X出现一次或not at all
X*	X出现0次或多次
X+	X出现一次或多次
X{n}	X固定出现n次
X{n,}	X至少出现n次
X{n,m}	X出现n到m次

Reluctant quantifiers - 勉强量词	由Greedy加”?”构成
X??	X出现一次或not at all
X*?	X出现0次或多次
X+?	X出现一次或多次
X{n}?	X固定出现n次
X{n,}?	X至少出现n次
X{n,m}?	X出现n到m次

Possessive quantifiers - 独占量词	由Greedy加”+”构成
X?+	X出现一次或not at all
X*+	X出现0次或多次
X++	X出现一次或多次
X{n}+	X固定出现n次
X{n,}+	X至少出现n次
X{n,m}+	X出现n到m次

Logical operators - 逻辑操作符
XY	X后面跟Y
X	Y
(X)	X，作为一个捕获组capturing group

Back references - 引用捕获组
\n	代表捕获组中的第n个，第0个默认代表整个表达式

Special constructs - 特殊构造	包括非捕获组
(?:X)	X作为非捕获组
(?=X)	X通过零宽度正向预测先行断言，匹配X前面的位置
(?!X)	X通过零宽度负预测先行断言，匹配后面跟的不是exp的位置
(?<=X)	X通过零宽度正回顾后发断言，匹配X后面的位置
(?	X通过零宽度负回顾后发断言，匹配前面不是X的位置
(?>X)	X作为独立组，非捕获

TIPS：
零宽度断言用于匹配那些：在X之前或之后的需求

四、一些点

1. Groups and capturing 组和捕获

捕获组的编号通过从左至右数左括号来编号，如表达式((A)(B(C)))中，

0：始终代表整个表达式
1：((A)(B(C)))
2：(A)
3：(B(C))
4：(C)

捕获的子序列可以通过上面说的Back references在表达式中使用

2. Backslash 反斜线

\Backslash反斜线用于：

1. 引用转义构造
2. 引用其它应该被解释为非转义构造的字符(转义字符想要正常使用)
3. 另外，在Java中字符串中的反斜线被视为Unicode转义（写法\uxxxx）或其它字符转义，因此需要使用两个反斜线来代表原意

---

五、Java中

使用到的各种情况，功能直接或间接都是由java.util.regex包中的两个类Pattern和Matcher的方法来完成的

1. Pattern类
   正则表达式的编译表示形式

   指定为字符串的正则表达式必须首先被编译为此类的实例：

   Pattern p = Pattern.compile(regex);

   Pattern只创建正则对象，而具体功能的实现则由Matcher类提供，典型的调用顺序是：

   Pattern p = Pattern.compile("a*b");
   Matcher m = p.matcher("aaaaaab");
   boolean b = m.matches();

2. Matcher类
   通过解释某个固定的Pattern从而对固定character sequence执行匹配操作的引擎

   Matcher对象一经建立，其Pattern和String都已经确定了

   匹配器可以执行3种不同的匹配操作：

   1. matches
      将整个输入序列与该模式进行匹配
   2. lookingAt
      将输入序列从头开始与该模式匹配
   3. find
      扫描输入序列以查找与该模式匹配的下一个子序列

   当由以上3个中任意一个匹配方法匹配成功后，就可做很多事情了，如：
   m.group();//获取刚刚匹配的输入子序列
   m.start();//获取刚刚匹配的输入子序列的开始索引
   m.end();//同上，结束索引

1. 匹配

/**
 * 1. 匹配
 *  方法：使用String的matches()
 *  规则：第一位必须是1，第二位可以是3/5/8，后面是9位数字
 */
String str1 = "13812312319";
String regex1 = "1[358]\\d{9}";
System.out.println(str1.matches(regex1));//true

2. 分割

/**
 * 2. 分割
 *  方法：使用String的split()
 *  目标：
 *  2.1 任意个空格的分割
 *  2.2 以.分割：需要注意取消.在正则中代表任意字符的含义
 *  2.3 重复的字符来分割，需要使用分组，因为要求第2个字符跟第1个相同
 */
String str21 = "asdf 909  sdfd sadf           sdf";
String regex21 = "\u0020+";//空格就是\u0020(十进制32)，也可以直接敲个 (前面是个空格)，或者使用\\s
String [] strs21 = str21.split(regex21);

String str22 = "asdf.909.sdfd.sadf.sdf";
String regex22 = "\\.";//首先\.代表想正常使用点(而不是正则字符)，又因为在Java的String中，所以再加\
String [] strs22 = str22.split(regex22);

String str23 = "asdfssss909aaaasdfdbbbbbsadfttttsdf";
String regex23 = "([a-z])\\1+";//首先，第一个字符是任意小写英文；接着，第二个字符和第一个一样；最后，第二个字符出现至少一次
String [] strs23 = str23.split(regex23);

3. 替换

/**
 * 3. 替换
 *  方法：使用String的replaceAll()
 *  目标：
 *  3.1 简单替换
 *  3.2 使用被替换的内容替换，将重复的变为1个：需使用组，可以在方法第二个参数中使用美元符号$选取组
 *  3.3 手机号码中4位用*号代替
 */
String str31 = "asdf 909  sdfd sadf           sdf";
String regex31 = "\u0020+";
str31 = str31.replaceAll(regex31, "1");//asdf19091sdfd1sadf1sdf

String str32 = "asdf 909  sdfd sadf           sdf";
String regex32 = "(\u0020)+";
str32 = str32.replaceAll(regex32, "$1");//asdf 909 sdfd sadf sdf

String str33 = "13812312319";
String regex33 = "(.{3}).{4}(.{4})";//将需要保留的内容编组保留，以便之后还原，然后整体替换
str33 = str33.replaceAll(regex33, "$1****$2");

4. 获取

/**
 * 4. 获取
 *  方法：创建一个匹配给定输入(String)和给定模式(Pattern)的匹配器(Matcher)
 *  目标：
 *  4.1 获取3个字母组成的单词
 */
String str41 = "asdf, sdd*adf%$$sdsf";
String regex41 = "[a-z]{3}";
Pattern p = Pattern.compile(regex41);//创建正则模式对象
Matcher m = p.matcher(str41);//创建根据固定字符串和模式的匹配器
while(m.find()){//查找一个匹配的子序列
    System.out.println(m.group());//返回之前匹配的输入子序列
}

---

完整的学习正则表达式和Java中的正则，我推荐两个地址：

正则表达式30分钟入门教程
JavaSE8的API中的java.util.regex.Pattern类

正则表达式所有东西还是不少的，较为复杂，而且平常使用的只是一小部分，没有必要全学完
可以学会常用的，不常用的用到时去上面两个地方查询

---

---

---

---

---

20161126 突然想到应该记录下，自己用到的正则

常用正则表达式记录

1. JavaBean中给private字段加空注释

   /**
    * 
    */

   find：private
   Replace with：/*\r\n\u0009\u0020\u0020\r\n\u0009\u0020*/\r\n\u0009private