深入入门正则表达式(java) - 1 - 入门基础

[size=medium;][b]1.元字符[/size][/b]

很多人对正则表达式的印象就是乱码。。许许多多的符号组合在一起,偶见单词,正则确实是这样的,所以下面我们要看看这些符号都是什么意思

有些符号不是大家看到的字面上的意思:比如[b]“.”、“!”、“?”[/b]……

这些符号就称之为元字符


很遗憾,这些字符的意义必须牢记

[b]注意:本文的所有红色加粗中文引号内的内容均为正则表达式,而不是一般的字符和符号[/b]


下面我们逐一说明

[b]“\”[/b]:转义符号,在字符组内依然是元字符。


在检查一行文本时

[b]“^”[/b]:脱字符:表示一行的开始

[b]“$”[/b]:美元符号:表示一行的结束


字符组

[b]“[]”[/b]:一对中括号,里面可以添加任何内容,比如[hate],括号里面的内容是或者的关系,[b]这个正则的意义是:我想匹配一个字符,这个字符可以是h,可以是a,也可以是t或e。[/b]

[b]记住:字符组最终只会匹配一个字符。[/b]即使你的目标字符串是hate,那么一次匹配成功的结果也只是第一个字母h,并不是整个单词,如果我就想匹配hate这个单词怎么办?很容易,正则内容为“hate”,在字符组外面的字符的关系是“和,并且”的意思。


[b]注意:字符组内的元字符和字符组外的元字符并不一样,即使字符一样,表示的意义也未必相同(*)[/b]

我们先学习下一个内容,然后再来给大家解释上面的这句话


[b]“[^]”[/b]:[b]括号里面以“^”开头,是字符组的否定形式[/b],比如:[^hate]表示:匹配除了h、a、t、e以外的其他字符,依然[b]只会匹配一个字符[/b]

之前刚刚学过“^”表示一行的开始,但是脱字符位于[]内的起始位置则表示否定,这也解释了[b](*)[/b]的内容

如果脱字符位于括号内其他位置表示什么呢?那它表示它自己,此时并不再是一个元字符


[b]“-”[/b]:减号,可以在字符组内表示区间、范围。比如“[a-z]”,表示匹配a到z直接的任意一个小写字母,如果是“[-z]”,那么“-”只表示它自己,没有任何特殊意义,它在字符组外也没有任何特殊意义。

[b]ps:关于“^”、“$”、“-”的其他用法将在高级基础篇讲述
[/b]


[b]“.”[/b]:点号,匹配一个任意字符的字符组简便写法。[b]“.”在字符组内没不是元字符[/b]

[b]ps:“.”也不是万能的,有些字符无法匹配,之后会详细解释并给出替代方案[/b]


[b]“|”[/b]:竖线,表示或者,这个很容易记忆,如果想匹配hate或者like,那么正则为:“hate|like”

[b]注意:如果想匹配I hate you和I like you。那么正则为:“I (hate|like) you”。如果写成“I hate|like you”,那么匹配的结果为“I hate”或者是“like you”了[/b]

这里圆括号的作用是控制竖线的作用范围,“()”有很多作用,稍后再说

(对于传统NFA来说,选择结构是按顺序的,并不是匹配优先也不是忽略优先,关于NFA请参看[url=http://xuqingchen9988.iteye.com/blog/1611655]深入入门正则表达式(java) - 匹配原理 - 1 - 引擎分类与普适原则[/url])


[b]“\b”[/b]:它的作用是单词分隔符,如果我想匹配like,那么正则为“like”,没错,但是会得到一些我不想要的结果,比如likely也会跑到结果集中,我可不想要这些单词。那么修改正则为:“\blike\b”,这回就只能匹配like这个单词了。

注意:java中的单词分隔符为“\b”,有些语言的单词分隔符为[b]“\[/b]和[b]“\>”[/b]。

单词边界是什么呢?其实正则没有那么聪明,它不会识别“Ilikeyou”为“I like you”,它只是找到数字和字母的起始位置和结束位置而已


[b]“\w”[/b]:单词字符。[b]在java中相当于“[a-zA-Z0-9_]”。[/b][b]但是java中的“\b”却支持Unicode字符。[/b]


[b]下面我们来看看正则中的“数字” - 量词[/b]

[b]“?”[/b]:表示0个至1个

[b]“*”[/b]:表示0个至任意多个

[b]“+”[/b]:表示至少一个

[b]“{min,max}”[/b]:区间量词。[b]“{2,5}”,表示匹配2到5次。“{2,}”表示至少两次,“{2}”表示只匹配两次。“{,2}”,正则错误,无意义[/b]

举个例子:正如上面的反面教程所说,如果想匹配一个正整数,那么应该如何来做

首先我们需要明确:我不想匹配0123,只想匹配123这样的数字,0不能开头,第二个要求就是除了数字不能有其他字符了

之前我们学过字符组了,“[0-9]”可以表示0至9中任意一个数字,那么根据上面的量词,我们改正则为“[0-9]+”,表示至少有一个数字,至多没有限制。但是0123这样的数字也会满足要求。那么我们再修改一下,首先第一位不能为0,那么这一位可以写为“[1-9]”,表示匹配1到9的任何一个数字,之后呢?后面的数字有没有都无所谓了,有,那就是多位数,没有,那就是一位数。所以正则为“[1-9][0-9]*”。


[b]贪婪与懒惰[/b]

我们再来看一个量词的例子。比如我想匹配一个单词,正则可以这么写“[a-zA-Z]+”。

[img]http://dl.iteye.com/upload/attachment/0070/1799/3ad66f83-4fe8-3326-a309-52f089662159.jpg[/img]

还是来看there,这回“\w+”只匹配了“th”,并没有匹配到“ther”才停止。

惰性匹配就是尽可能少的匹配,使用方法就是在量词后面加上“?”

如果量词后面没有“?”等其他量词,那么就是默认的贪婪匹配。



“?”,“*”,“+”:也叫匹配优先量词

“*?”,“+?”,“??”:也叫忽略优先量词



其实还有一种量词:

“?+”,“*+”,“++”:占有优先量词 。 (支持这种量词的正则引擎很少,java支持)

这节不讨论这种类型量词,之后的章节讨论



() :将括号里面的内容作为一个独立的单元,理解为一组。



反向引用

“\”+数字 :好多语言能记住“()”里面匹配到的内容,比如java。如果我只想使用“()”匹配到的内容,那么可以使用反向引用。

比如我想找两个一样的单词,总有不小心写错的时候,可能会出现hate hate这样的时候,那么正则应该如何书写呢?

“(hate) \1”

这样就能匹配到了



通常我们不只局限于一个单词,那么我们可以写为:“([a-zA-Z]+) \1”,这样也能找到hate hate形式的错误。

注意:这里([a-zA-Z]+)表示至少一个英文字母,后面的\1不表示至少一个英文字母,而是表示说与()匹配的结果一致! “([a-zA-Z]+) \1”不是“([a-zA-Z]+) ([a-zA-Z]+)”的简写

比如:目标字符串为likely like,“([a-zA-Z]+) ”会匹配到likely和一个空格,“\1”不会匹配“([a-zA-Z]+)”,因为之前括号的结果不是like,所以这次查找失败,无结果。



反向引用中的数字的确定

例如“((\d)(\d))\d”来匹配123这个数字。那么“\1”的结果是遇见的第一个括号,就是最外面的,“\1”结果为12。按着顺序“\2”结果为1,“\3”结果为2



最后再说下“()” ,反向引用 的开始已经说出了括号的另一个作用,那就是保存捕获的内容,这种类型的括号叫做捕获型括号 ,相对应的就有非捕获型括号“(?:)”



“(?:)” :非捕获型括号。“(?:hate)”会匹配到hate这个字符串,但是如果你企图使用反向引用“(?:hate) \1”,那么就会出现错误。这样的操作是非法的。

注意:非捕获型括号不影响捕获计数 ,获取“((?:\d)(\d))”中的“(\d)”捕获的内容为\2,不再是\3

好处:

1.提高效率,很容易理解,不记住捕获的内容也就不占用内存了

2.结构清晰



常用空白字符

“\s” :表示所有空白字符。

“\t” :制表符。

“\n” :换行符。

“\r” :回车。



一些其他常用的缩略表示

“\S” :除“\s”之外的任何字符

“ \ w” :等同于[a-zA-Z0-9_]

“ \W ” :除“\w”之外的任何字符

“ \ d” :等同于[0-9]

“ \ D” :除“d”之外的任何字符

有些工具不支持,比如EditPlus v3.10 中的查找就不支持\d等。



环视(零宽断言)

环视分为顺序和逆序,肯定和否定,组合一下一共4种。下面就看看环视到底是什么

“(?=)” :顺序肯定环视:(从左至右)查看文本,如果能够匹配,就返回匹配成功信息。

“(?<=)” :逆序肯定环视:(从右至左)查看文本,如果能够匹配,就返回匹配成功信息。

“(?!)” :顺序否定环视:(从左至右)查看文本,如果不能够匹配,就返回匹配成功信息。

“(?<!)” :逆序否定环视:(从右至左)查看文本,如果不能够匹配,就返回匹配成功信息。



下面看几个简单的实例,然后就很容易明白上面的火星语了

例:下面有两句话,加入你只想找到book,不想找到books

there is a book on the desk.
there are some books on the desk.

最简单的办法是:“book\b”,这很容易理解,book后面跟着单词分隔符,book后面如果是s,那么肯定被认为是一个单词,所以这样不会匹配到books。如果用环视,应该如何书写呢

“book(?!\w)”
[img]http://dl.iteye.com/upload/attachment/0070/1775/e51f4e19-1743-3d30-a6e2-b087245013b5.jpg[/img]

正则中的book很好理解,依次匹配b、o、o、k,然后呢,\w在上面说过等同于[a-zA-Z0-9],“(?!\w)”是说:我要找这样一个位置,这个位置的后面不能是\w。

第一句话中,在匹配了book后,发现紧跟的是一个空格,恩,不是\w中的内容,匹配成功。



注意:环视不会占用字符!环视查找的是字符与字符之间的位置。

环视括号并没有捕获字符的功效,所以不能使用反向引用。


上图画三角号的位置就是这个环视匹配的位置



如果想匹配books的book怎么办,很简单“book(?=s)”
[img]http://dl.iteye.com/upload/attachment/0070/1779/b7152d32-1c3c-350e-b133-0f0f6bc9d866.jpg[/img]

上面演示了肯定顺序环视和否定顺序环视。下面演示了环视不占用字符。
[img]http://dl.iteye.com/upload/attachment/0070/1781/01977fd3-2856-33e0-803b-8785e9a73789.jpg[/img]

比较容易理解吧,这个例子没有任何实际意义,仅做演示用

之后会给出一些有意义的例子







2.正则模式与匹配模式

此部分内容基本来自《精通正则表达式》 v3

1.忽略大小写模式: (java中使用Pattern.CASE_INSENSITIVE)

2.宽松排列与注释模式: 此模式会忽略字符组外部的所有空白字符 ,但是在java.util.regex中,字符组之外的所有空白字符并非都被忽略,而是作为一个“无意义字符(do-nothing metacharacter)” 。正则“\12 3”表“3”在“\12”之后,而非表示“\123”(java中使用Pattern.COMMENTS)

ps:“空白字符”的定义取决于所采用的字符编码的定义,以及此编码对空白字符的支持程度。大多数程序只能识别ASCII的空白字符。

3.点号通配模式(单行模式): (dot-match-all match mode)通常点号是不能匹配换行符的。 但是在java中情况特殊:在sun的正则表达式包,点号能够匹配未使用此模式时点号不能匹配的所有单字符Unicode行终止符。 (java中使用Pattern.DOTALL )



符:Unicode行终止符



字符

描述



LF

U+000A



VT

U+000B



FF

U+000C



CR

U+000D



CR/LF

U+000D U+000A



NEL

U+0085



LS

U+2028



PS

U+2029



ASCII 换行符



ASCII 垂直制表符



ASCII 进纸符



ASCII 回车



ASCII 回车/换行



Unicode 换行



Unicode 行分隔符



Unicode 段分隔符





4.增强的锚点模式(多行文本模式): (Enhanced line-anchor match mode)此模式影响“^”和“$”的匹配。 通常情况下“^”不能匹配字符串内部的换行符,而只能匹配目标字符串的起始位置。在此增强模式下,它能够匹配字符串中内嵌的文本行的开头位置。“$”也是这样,此模式下可以匹配字符串内部的换行符。这里可能不是很好理解,之后的实例会介绍,其中还包括“\A”,“\Z” 和“\z” 的意义(java中使用Pattern.CASE_INSENSITIVE)

5.文字文本模式: 此模式几乎不能识别任何元字符 。比如此模式下正则“[a-z]+” 匹配的就是字符串“[a-z]+”而并不是连续的小写英文字母(java中使用Pattern.CASE_INSENSITIVE)



上面的几种模式如果没有理解,可以看之后的教程。

将会在基本实例和高级基础中讨论。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值