黑马程序员-正则表达式（网页爬虫）

------- <a  target="blank">android培训</a>、<a  target="blank">java培训</a>、期待与您交流！ -------

package it.heima.mylog;

public class RegExp {

/* 知识点：正则表达式,网页爬虫 
* 
* 1，正则表达式用于操作字符串数据。
* 2，通过一些特定的符号来体现的。
* 3，所有掌握正则表达式，就需要强记一些符号的意义。
* 4，正则表达式便于了我们操作字符串，虽然简化了，但阅读性降低了。

* 需求：定义一个功能对QQ号进行校验。长度5~15位，只能是数字，0不能开头。
* String qq = "1234567890";
* int len = qq.length(); 
* 没学正则前：
* if(len >= 5 && len <= 15){
* if(!qq.startsWith("0")){
* try{
* long l = Long.parseLong(qq);
* SOP(l+"正确");
* } catch(NumberFormatException e ) SOP(qq+"含非法字符");
* }else (qq+"不能0开头");
* }else (qq+"长度错误");
* 过程，代码繁琐

* 用正则表达式解决：
* String qq = "1234567890";
* String regex = "[1-9][0-9]{4,14}";正则表达式[1-9]表示第一位为1到9，[0-9]第二位为0到9，{4,14}为可以有4到14个[0-9]这样的数
* boolean b = qq.matches(regex);
* SOP(qq+":"+b);

* 正则表达式对字符串的常见操作
* 1，匹配。其实使用的就是String类中的matches方法。
* String tel = "18675590994";匹配手机号是否正确
* String regex = "1[358]\\d{9}";正则表达式 \d表示数字0-9。要用一个反斜线转义后面一个反斜线。
* boolean b = tel.matches(regex);

* 2，切割。其实使用的就是String类中的split方法。
* 组的概念((A)(B(C)))ABC分别为为一二三组。
* String str = "zhangsantttttxiaoqiangeeeeezhaoliu";切除姓名字符串
* String[] names = str.split("(.)\\1+");.代表通配符；1表示第一组(.)

* 3，替换。其实使用的就是String类中的replaceAll方法。
* String str = "zhangsantttttxiaoqiangwwwwwwwzhaoliu";
* str = str.replaceAll("(.)\\1+","$1");替换
* String tel = "18600001111";
* tel = tel.replaceAll("(\\d{3})\\d{4}(\\d{4})","$1****$2");

* 4，获取。

* Pattern final类
* 正则表达式的编译表示形式
* 将正则规则进行对象的封装。静态方法，无需创建对象。
* Pattern p = Pattern.compile("a*b");
* 通过正则对象的matcher方法字符串相关联。获取要对字符串操作的匹配器对象Matcher。
* Matcher m = p.matcher("aaaaab");
* 通过Matcher匹配器对象的方法对字符串进行操作。
* bolean b = m.matchers();

* String str = "da jia hao,ming tian bu fang jia!";
* String regex = "\\b[a-z]{3}\\b";\b单词边界 

* 1，将正则封装成对象
* Pattern p = Pattern.compile(regex);
* 2,通过正则对象获取匹配器对象
* Matcher m = p.matcher(str);
* 3，使用Matcher对象的方法对字符串进行操作。
* 既然要获取三个字母组成的单词，查找 find();
* System.out.println(str);
* while(m.find()){
* System.out.println(m.group());获取匹配的子序列
* System.out.println(m.start()+":"+m.end())；
* }
*/

/* @Test
* 
* 需求：ip地址排序
* String ip_str = "192.168.10.200 127.1.1.56 105.20.20.9 10.10.10.220";
* 为了让ip，可以按照字符串顺序比较，只要让ip的每一段烦人位数相同，所以，补零，每一段都加两个零。
* ip_str = ip_str.replaceAll("(\\d+)","00$1");
*
* 然后每一段保留3位数
* ip_str = ip_str.replaceAll("0*(\\d{3})",$1);
*
* 将ip地址切出
* String[] ip = ip_str.split(" +");
*
* TreeSet<String> ts = new TreeSet<String>();
* for(String ip : ips){
* ts.add(ip);
* }
* 去掉开头多余的零输出
* for(String ip :ts){
* System.out.println(ip.replaceAll("0*(\\d+)","$1"));
* }
*
*/

/*
* 网页爬虫：其实就是一个程序在互联网中获取符合指定规则的数据。
*
* 爬取邮箱地址。
*
* 读取源文件
* URL url = new URL("http://10.10.10.220:8080/myweb/mail.html");
* BufferedReader bufIn = new BufferedReader(new InputStreamReader(url.openStream()));
*
* 对读取的数据进行规则的匹配。从中获取符合规则的数据。
* String mail_regex = "\\w+@\\w+(\\.\\w+)+"; \w表示单词字符[a-zA-Z_0-9]。
* List<String> list = new ArrayList<String>();
* Pattern p = Pattern.compile(mail_regex);
* String line = null;
* while((line = buIn.reandLine()) != null){
* Matcher m = p.matcher(line);
* while(m.find()){
* list.add(m.group());
* }
* }
* return list;
*/
/*
一些常见的正则表达式规则

构造          规则
 
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]
 
边界匹配器
^ 行的开头
$ 行的结尾
\b 单词边界
\B 非单词边界
\A 输入的开头
\G 上一个匹配的结尾
\Z 输入的结尾，仅用于最后的结束符（如果有的话）
\z 输入的结尾
*/

}

------- <a  target="blank">android培训</a>、<a  target="blank">java培训</a>、期待与您交流！ -------