Java篇 - 让你不再害怕正则表达式

这章是《Java篇》的最后一章， 以正则表达式结尾。

 

目录：

1. 关于正则表达式
2. 捕获组
3. 正则表达式语法
4. Matcher类的方法

 

 

1. 关于正则表达式

 

• 1.1 概念

正则表达式可以用来处理，搜索和匹配字符串，一个字符串就是一个正则表达式，至少可以匹配它本身：

// 输出 true
System.out.println(Pattern.matches("coder", "coder"));

"."(点)也是一个正则表达式，可以匹配任何单个字符：

// 输出 true
System.out.println(Pattern.matches(".", "a"));

看下面的例子，先睹为快：

// 输出 true
System.out.println(Pattern.matches("test\\s+is\\s+running", "test is running"));

// 输出 true
System.out.println(Pattern.matches("test\\s+is\\s+running", "test   is   running"));
        
// 输出 false
System.out.println(Pattern.matches("test\\s+is\\s+running", "test   are   running"));

上面的正则表达式是"test \s+is\s+running"，注意放到String中会自动转译，\会转译成\\。

解释下这个正则的意义：\s+表示匹配多个空格。

 

• 1.2 正则匹配类

Pattern 类：

pattern对象是一个正则表达式的编译表示。Pattern类没有public构造函数，获取它的对象需要通过静态工厂方法，该方法接受一个正则表达式作为它的第一个参数，第二个参数为待匹配的字符串。

Matcher 类：

Matcher对象是对输入字符串进行解释和匹配操作的引擎。与Pattern类一样，Matcher也没有public构造器。你需要调用Pattern 对象的matcher方法来获得一个Matcher对象。

 

 

2. 捕获组

 

• 2.1 普通捕获组

从正则表达式左侧开始，每出现一个左括号"("记做一个分组，分组编号从1开始。0代表整个表达式。

比如对于时间字符串：2019-01-20，表达式如下：

(\\d{4})-((\\d{2})-(\\d{2}))

有4个左括号，所以有4个分组：

---

编号       捕获组                                         匹配
0            (\d{4})-((\d{2})-(\d{2}))             2019-01-20
1            (\d{4})                                          2019
2           ((\d{2})-(\d{2}))                           01-20
3           (\d{2})                                           01
4           (\d{2})                                           20

---

看看代码：

Pattern pattern = Pattern.compile("(\\d{4})-((\\d{2})-(\\d{2}))");
Matcher matcher = pattern.matcher("2019-01-20");
matcher.find();
System.out.printf("\nmatcher.group(0) value:%s", matcher.group(0));
System.out.printf("\nmatcher.group(1) value:%s", matcher.group(1));
System.out.printf("\nmatcher.group(2) value:%s", matcher.group(2));
System.out.printf("\nmatcher.group(3) value:%s", matcher.group(3));
System.out.printf("\nmatcher.group(4) value:%s", matcher.group(4));

执行输出：

matcher.group(0) value:2019-01-20
matcher.group(1) value:2019
matcher.group(2) value:01-20
matcher.group(3) value:01
matcher.group(4) value:20

 

• 2.2 命名捕获组

每个以左括号开始的捕获组，都紧跟着"?"，而后才是正则表达式。

对于时间字符串：2019-01-20，表达式如下：

(?<year>\\d{4})-(?<md>(?<month>\\d{2})-(?<date>\\d{2}))

有4个命名的捕获组，分别是：

---

编号      名称         捕获组                                                匹配
0            0              (?\d{4})-(?(?\d{2})-(?\d{2}))            2019-01-20
1            year         (?\d{4})                                               2019
2           md            (?(?\d{2})-(?\d{2}))                           01-20
3           month      (?\d{2})                                               01
4           date         (?\d{2})                                               20

---

看看代码：

Pattern pattern = Pattern.compile("(?<year>\\d{4})-(?<md>(?<month>\\d{2})-(?<date>\\d{2}))");
Matcher matcher = pattern.matcher("2019-01-20");
matcher.find();
System.out.printf("\n=========== 使用名称获取 =============");
System.out.printf("\nmatcher.group(0) value:%s", matcher.group(0));
System.out.printf("\n matcher.group('year') value:%s", matcher.group("year"));
System.out.printf("\nmatcher.group('md') value:%s", matcher.group("md"));
System.out.printf("\nmatcher.group('month') value:%s", matcher.group("month"));
System.out.printf("\nmatcher.group('date') value:%s", matcher.group("date"));

matcher.reset();

System.out.printf("\n=========== 使用编号获取 =============");
matcher.find();
System.out.printf("\nmatcher.group(0) value:%s", matcher.group(0));
System.out.printf("\nmatcher.group(1) value:%s", matcher.group(1));
System.out.printf("\nmatcher.group(2) value:%s", matcher.group(2));
System.out.printf("\nmatcher.group(3) value:%s", matcher.group(3));
System.out.printf("\nmatcher.group(4) value:%s", matcher.group(4));

执行输出：

=========== 使用名称获取 =============
matcher.group(0) value:2019-01-20
 matcher.group('year') value:2019
matcher.group('md') value:01-20
matcher.group('month') value:01
matcher.group('date') value:20
=========== 使用编号获取 =============
matcher.group(0) value:2019-01-20
matcher.group(1) value:2019
matcher.group(2) value:01-20
matcher.group(3) value:01
matcher.group(4) value:20

 

 

3. 正则表达式语法

 

• 3.1 说明

在其他语言中，\\ 表示：我想要在正则表达式中插入一个普通的（字面上的）反斜杠，请不要给它任何特殊的意义。

在 Java 中，\\ 表示：我要插入一个正则表达式的反斜线，所以其后的字符具有特殊的意义。

所以，在其他的语言中（如Perl），一个反斜杠 \ 就足以具有转义的作用，而在 Java 中正则表达式中则需要有两个反斜杠才能被解析为其他语言中的转义作用。也可以简单的理解在 Java 的正则表达式中，两个 \\ 代表其他语言中的一个 \，这也就是为什么表示一位数字的正则表达式是 \\d，而表示一个普通的反斜杠是 \\\\。

 

• 3.2 语法

元字符	描述
\	将下一个字符标记符、或一个向后引用、或一个八进制转义符。例如，“\\n”匹配\n。“\n”匹配换行符。序列“\\”匹配“\”而“\(”则匹配“(”。即相当于多种编程语言中都有的“转义字符”的概念。
^	匹配输入字符串的开始位置。如果设置了RegExp对象的Multiline属性，^也匹配“\n”或“\r”之后的位置。
$	匹配输入字符串的结束位置。如果设置了RegExp对象的Multiline属性，$也匹配“\n”或“\r”之前的位置。
*	匹配前面的子表达式任意次。例如，zo*能匹配“z”，“zo”以及“zoo”。*等价于{0,}。
+	匹配前面的子表达式一次或多次(大于等于1次）。例如，“zo+”能匹配“zo”以及“zoo”，但不能匹配“z”。+等价于{1,}。
?	匹配前面的子表达式零次或一次。例如，“do(es)?”可以匹配“do”或“does”中的“do”。?等价于{0,1}。
{n}	n是一个非负整数。匹配确定的n次。例如，“o{2}”不能匹配“Bob”中的“o”，但是能匹配“food”中的两个o。
{n,}	n是一个非负整数。至少匹配n次。例如，“o{2,}”不能匹配“Bob”中的“o”，但能匹配“foooood”中的所有o。“o{1,}”等价于“o+”。“o{0,}”则等价于“o*”。
{n,m}	m和n均为非负整数，其中n<=m。最少匹配n次且最多匹配m次。例如，“o{1,3}”将匹配“fooooood”中的前三个o。“o{0,1}”等价于“o?”。请注意在逗号和两个数之间不能有空格。
?	当该字符紧跟在任何一个其他限制符（*,+,?，{n}，{n,}，{n,m}）后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串“oooo”，“o+?”将匹配单个“o”，而“o+”将匹配所有“o”。
.点	匹配除“\r\n”之外的任何单个字符。要匹配包括“\r\n”在内的任何字符，请使用像“[\s\S]”的模式。
(pattern)	匹配pattern并获取这一匹配。所获取的匹配可以从产生的Matches集合得到，在VBScript中使用SubMatches集合，在JScript中则使用$0…$9属性。要匹配圆括号字符，请使用“\(”或“\)”。
(?:pattern)	匹配pattern但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用或字符“(|)”来组合一个模式的各个部分是很有用。例如“industr(?:y|ies)”就是一个比“industry|industries”更简略的表达式。
(?=pattern)	正向肯定预查，在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如，“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”，但不能匹配“Windows3.1”中的“Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)	正向否定预查，在任何不匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如“Windows(?!95|98|NT|2000)”能匹配“Windows3.1”中的“Windows”，但不能匹配“Windows2000”中的“Windows”。
(?<=pattern)	反向肯定预查，与正向肯定预查类似，只是方向相反。例如，“(?<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”，但不能匹配“3.1Windows”中的“Windows”。
(?<!pattern)	反向否定预查，与正向否定预查类似，只是方向相反。例如“(?<!95|98|NT|2000)Windows”能匹配“3.1Windows”中的“Windows”，但不能匹配“2000Windows”中的“Windows”。
x|y	匹配x或y。例如，“z|food”能匹配“z”或“food”或"zood"(此处请谨慎)。“(z|f)ood”则匹配“zood”或“food”。
[xyz]	字符集合。匹配所包含的任意一个字符。例如，“[abc]”可以匹配“plain”中的“a”。
[^xyz]	负值字符集合。匹配未包含的任意字符。例如，“[^abc]”可以匹配“plain”中的“plin”。
[a-z]	字符范围。匹配指定范围内的任意字符。例如，“[a-z]”可以匹配“a”到“z”范围内的任意小写字母字符。 注意:只有连字符在字符组内部时,并且出现在两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身.
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，“[^a-z]”可以匹配任何不在“a”到“z”范围内的任意字符。
\b	匹配一个单词边界，也就是指单词和空格间的位置（即正则表达式的“匹配”有两种概念，一种是匹配字符，一种是匹配位置，这里的\b就是匹配位置的）。例如，“er\b”可以匹配“never”中的“er”，但不能匹配“verb”中的“er”。
\B	匹配非单词边界。“er\B”能匹配“verb”中的“er”，但不能匹配“never”中的“er”。
\cx	匹配由x指明的控制字符。例如，\cM匹配一个Control-M或回车符。x的值必须为A-Z或a-z之一。否则，将c视为一个原义的“c”字符。
\d	匹配一个数字字符。等价于[0-9]。
\D	匹配一个非数字字符。等价于[^0-9]。
\f	匹配一个换页符。等价于\x0c和\cL。
\n	匹配一个换行符。等价于\x0a和\cJ。
\r	匹配一个回车符。等价于\x0d和\cM。
\s	匹配任何不可见字符，包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。
\S	匹配任何可见字符。等价于[^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于\x09和\cI。
\v	匹配一个垂直制表符。等价于\x0b和\cK。
\w	匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”，这里的"单词"字符使用Unicode字符集。
\W	匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。
\xn	匹配n，其中n为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，“\x41”匹配“A”。“\x041”则等价于“\x04&1”。正则表达式中可以使用ASCII编码。
\num	匹配num，其中num是一个正整数。对所获取的匹配的引用。例如，“(.)\1”匹配两个连续的相同字符。
\n	标识一个八进制转义值或一个向后引用。如果\n之前至少n个获取的子表达式，则n为向后引用。否则，如果n为八进制数字（0-7），则n为一个八进制转义值。
\nm	标识一个八进制转义值或一个向后引用。如果\nm之前至少有nm个获得子表达式，则nm为向后引用。如果\nm之前至少有n个获取，则n为一个后跟文字m的向后引用。如果前面的条件都不满足，若n和m均为八进制数字（0-7），则\nm将匹配八进制转义值nm。
\nml	如果n为八进制数字（0-7），且m和l均为八进制数字（0-7），则匹配八进制转义值nml。
\un	匹配n，其中n是一个用四个十六进制数字表示的Unicode字符。例如，\u00A9匹配版权符号（&copy;）。
\< \>	匹配词（word）的开始（\<）和结束（\>）。例如正则表达式\<the\>能够匹配字符串"for the wise"中的"the"，但是不能匹配字符串"otherwise"中的"the"。注意：这个元字符不是所有的软件都支持的。
\( \)	将 \( 和 \) 之间的表达式定义为“组”（group），并且将匹配这个表达式的字符保存到一个临时区域（一个正则表达式中最多可以保存9个），它们可以用 \1 到\9 的符号来引用。
|	将两个匹配条件进行逻辑“或”（Or）运算。例如正则表达式(him|her) 匹配"it belongs to him"和"it belongs to her"，但是不能匹配"it belongs to them."。注意：这个元字符不是所有的软件都支持的。
+	匹配1或多个正好在它之前的那个字符。例如正则表达式9+匹配9、99、999等。注意：这个元字符不是所有的软件都支持的。
?	匹配0或1个正好在它之前的那个字符。注意：这个元字符不是所有的软件都支持的。
{i} {i,j}	匹配指定数目的字符，这些字符是在它之前的表达式定义的。例如正则表达式A[0-9]{3} 能够匹配字符"A"后面跟着正好3个数字字符的串，例如A123、A348等，但是不匹配A1234。而正则表达式[0-9]{4,6} 匹配连续的任意4个、5个或者6个数字

 

• 3.3 常用正则表达式

规则	正则表达式语法
一个或多个汉字	^[\u0391-\uFFE5]+$
邮政编码	^[1-9]\d{5}$
QQ号码	^[1-9]\d{4,10}$
邮箱	^[a-zA-Z_]{1,}[0-9]{0,}@(([a-zA-z0-9]-*){1,}\.){1,3}[a-zA-z\-]{1,}$
用户名（字母开头 + 数字/字母/下划线）	^[A-Za-z][A-Za-z1-9_-]+$
手机号码	^1[3|4|5|8][0-9]\d{8}$
URL	^((http|https)://)?([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$
18位身份证号	^(\d{6})(18|19|20)?(\d{2})([01]\d)([0123]\d)(\d{3})(\d|X|x)?$

 

 

4. Matcher类的方法

 

• 4.1 public Pattern pattern()

返回创建Matcher的那个pattern对象。

Pattern p = Pattern.compile("\\d");
Matcher m1 = p.matcher("55");
Matcher m2 = p.matcher("fdshfdgdfh");
// 输出 true
System.out.println(m1.pattern() == m2.pattern());

• 4.2 public Matcher reset()

将Matcher的状态重新设置为最初的状态。

 

• 4.3 public Matcher reset(CharSequence input)

重新设置Matcher的状态，并且将候选字符序列设置为input后进行Matcher,
这个方法和重新创建一个Matcher一样，只是这样可以重用以前的对象。

 

• 4.4 public int start()

返回Matcher所匹配的字符串在整个字符串的的开始下标。

String candidateString = "My name is Kuang. Kuang ZW.";
String matchHelper[] = {"          ^", "                      ^"};
Pattern p = Pattern.compile("Kuang");
Matcher matcher = p.matcher(candidateString);

// Find the starting point of the first 'Bond'
matcher.find();
int startIndex = matcher.start();
System.out.println(candidateString);
System.out.println(matchHelper[0] + startIndex);

//Find the starting point of the second 'Bond'
matcher.find();
int nextIndex = matcher.start();
System.out.println(candidateString);
System.out.println(matchHelper[1] + nextIndex);

执行输出：

My name is Kuang. Kuang ZW.
          ^11
My name is Kuang. Kuang ZW.
                      ^18

 

• 4.5 public int start(int group)

指定你感兴趣的sub group，然后返回sup group匹配的开始位置。

 

 

• 4.6 public int end()

这个和start()对应，返回在以前的匹配操作期间，由给定组所捕获子序列的最后字符之后的偏移量。
其实start和end经常是一起配合使用来返回匹配的子字符串。

 

 

• 4.7 public int end(int group)

和public int start(int group)对应，返回在sup group匹配的子字符串最后一个字符在整个字符串下标加一。

 

 

• 4.8 public String group()

返回由以前匹配操作所匹配的输入子序列。
这个方法提供了强大而方便的工具，它可以等同使用start和end，然后对字符串作substring(start, end)操作。

 

• 4.9 public String group(int group)

提供了强大而方便的工具，可以得到指定的group所匹配的输入字符串，前面的匹配组有相关的例子。

 

• 4.10 public int groupCount()

这个方法返回了，正则表达式的匹配的组数。

 

• 4.11 public boolean matches()

尝试将整个区域与模式匹配，这个要求整个输入字符串都要和正则表达式匹配。

 

• 4.12 public boolean find()

find会在整个输入中寻找是否有匹配的子字符串。

 

• 4.13 public boolean find(int start)

从输入字符串指定的start位置开始查找。

 

 

• 4.14 public boolean lookingAt()

基本上是matches更松约束的一个方法，尝试将从区域开头开始的输入序列与该模式匹配。