http://blog.sina.com.cn/s/blog_56d8ea900100wryf.html
如果你曾经用过Perl或任何其他内建正则表达式支持的语言,你一定知道用正则表达式处理文本和匹配模式是多么简单。如果你不熟悉这个术语,那么“正则表达式”(Regular Expression)就是一个字符构成的串,它定义了一个用来搜索匹配字符串的模式。
一、正则表达式基础知识
1.1 句点符号
1.2 方括号符号
1.3 “或”符号
1.4 表示匹配次数的符号
假设我们要在文本文件中搜索美国的社会安全号码。这个号码的格式是999-99-9999。用来匹配它的正则表达式如图一所示。在正则表达式中,连字符(“-”)有着特殊的意义,它表示一个范围,比如从0到9。因此,匹配社会安全号码中的连字符号时,它的前面要加上一个转义字符“\”。
假设进行搜索的时候,你希望连字符号可以出现,也可以不出现——即,999-99-9999和999999999都属于正确的格式。这时,你可以在连字符号后面加上“?”数量限定符号,如图二所示:
下面我们再来看另外一个例子。美国汽车牌照的一种格式是四个数字加上二个字母。它的正则表达式前面是数字部分“[0-9]{4}”,再加上字母部分“[A-Z]{2}”。图三显示了完整的正则表达式。
1.5 “否”符号
“^”符号称为“否”符号。如果用在方括号内,“^”表示不想要匹配的字符。例如,图四的正则表达式匹配所有单词,但以“X”字母开头的单词除外。
1.6 圆括号和空白符号
假设要从格式为“June 26, 1951”的生日日期中提取出月份部分,用来匹配该日期的正则表达式可以如图五所示:
新出现的“\s”符号是空白符号,匹配所有的空白字符,包括Tab字符。如果字符串正确匹配,接下来如何提取出月份部分呢?只需在月份周围加上一个圆括号创建一个组,然后用ORO API(本文后面详细讨论)提取出它的值。修改后的正则表达式如图六所示:
1.7 其它符号
表二:常用符号
例如,在前面社会安全号码的例子中,所有出现“[0-9]”的地方我们都可以使用“\d”。修改后的正则表达式如图七所示:
字符 | |
B | 字符B |
\xhh | 16进制值0xhh所表示的字符 |
\uhhhh | 16进制值0xhhhh所表示的Unicode字符 |
\t | Tab |
\n | 换行符 |
\r | 回车符 |
\f | 换页符 |
\e | Escape |
正则表达式的强大体现在它能定义字符集(character class)。下面是一些最常见的字符集及其定义的方式,此外还有一些预定义的字符集:
字符集 | |
. | 表示任意一个字符 |
[abc] | 表示字符a,b,c中的任意一个(与a|b|c相同) |
[^abc] | 除a,b,c之外的任意一个字符(否定) |
[a-zA-Z] | 从a到z或A到Z当中的任意一个字符(范围) |
[abc[hij]] | a,b,c,h,i,j中的任意一个字符(与a|b|c|h|i|j相同)(并集) |
[a-z&&[hij]] | h,i,j中的一个(交集) |
\s | 空格字符(空格键, tab, 换行, 换页, 回车) |
\S | 非空格字符([^\s]) |
\d | 一个数字,也就是[0-9] |
\D | 一个非数字的字符,也就是[^0-9] |
\w | 一个单词字符(word character),即[a-zA-Z_0-9] |
\W | 一个非单词的字符,[^\w] |
在一些语言里,"\\"的意思是"只是要在正则表达式里插入一个反斜杠。没什么特别的意思。"但是在Java里,"\\"的意思是"要插入一个正则表达式的反斜杠,所以跟在它后面的那个字符的意思就变了。"举例来说,如果想表示一个或更多的"单词字符",那么这个正则表达式就应该是" \\w +"。如果要插入一个反斜杠,那就得用" \\\\ "。不过像换行,跳格之类的还是只用一根反斜杠:"\n\t"。
逻辑运算符 | |
XY | X 后面跟着 Y |
X|Y | X或Y |
(X) | 一个"要匹配的组(capturing group)". 以后可以用\i来表示第i个被匹配的组。 |
边界匹配符 | |
^ | 一行的开始 |
$ | 一行的结尾 |
\b | 一个单词的边界 |
\B | 一个非单词的边界 |
\G | 前一个匹配的结束 |
compile( )方法还有一个版本,它需要一个控制正则表达式的匹配行为的参数:
Pattern Pattern.compile(String regex, int flag)
flag的取值范围如下:
Pattern.CANON_EQ
当且仅当两个字符的"正规分解(canonical decomposition)"都完全相同的情况下,才认定匹配。比如用了这个标志之后,表达式"a\u030A"会匹配"?"。默认情况下,不考虑"规范相等性(canonical equivalence)"。
Pattern.CASE_INSENSITIVE(?i)
默认情况下,大小写不明感的匹配只适用于US-ASCII字符集。这个标志能让表达式忽略大小写进行匹配。要想对Unicode字符进行大小不明感的匹配,只要将UNICODE_CASE与这个标志合起来就行了。
Pattern.COMMENTS(?x)
在这种模式下,匹配时会忽略(正则表达式里的)空格字符(注:不是指表达式里的"\\s",而是指表达式里的空格,tab,回车之类)。注释从#开始,一直到这行结束。可以通过嵌入式的标志来启用Unix行模式。
Pattern.DOTALL(?s)
在这种模式下,表达式'.'可以匹配任意字符,包括表示一行的结束符。默认情况下,表达式'.'不匹配行的结束符。
Pattern.MULTILINE(?m)
在这种模式下,'^'和'$'分别匹配一行的开始和结束。此外,'^'仍然匹配字符串的开始,'$'也匹配字符串的结束。默认情况下,这两个表达式仅仅匹配字符串的开始和结束。
Pattern.UNICODE_CASE(?u)
在这个模式下,如果你还启用了CASE_INSENSITIVE标志,那么它会对Unicode字符进行大小写不明感的匹配。默认情况下,大小写不明感的匹配只适用于US-ASCII字符集。
Pattern.UNIX_LINES(?d)
在这个模式下,只有'\n'才被认作一行的中止,并且与'.','^',以及'$'进行匹配。
备注:http://www.java3z.com/cwbwebhome/article/article8/Regex/Java.Regex.Tutorial.html
http://www.360doc.com/content/11/0907/15/3040000_146461586.shtml
Matcher matcher = Pattern.compile("t(a|oo)*n", Pattern.CASE_INSENSITIVE).matcher("atoonatoonbtancctn33");
int groupCount = matcher.groupCount();
while (matcher.find()) {
}
输出:
toon
oo
-----
toon
oo
-----
tan
a
-----
tn
null
-----
正则表达式(?is)(<tr[^>]*>)(.*?)(</tr>),请问前面的(?is)是什么意思
(?is)表示启用模式修改符号 i表示忽略大小写 s表示启用单行模式
正则表达式.*匹配 字符串java将输出两次java,空字符 .+ 和 ^.*$就只输出一次JAVA
public static void main(String[] args) throws Exception { System.out.println("开始.........."); Matcher matcher = Pattern.compile(".*",Pattern.DOTALL).matcher("java"); while (matcher.find()) { System.out.println(matcher.group()); } System.out.println("结束.........."); } 输出: 开始.......... java 结束.......... 类似正则为"m|a|b||c"可以匹配任何字符,同样道理 另外:\p在正则表达式里是特殊的东西哦,说明如下: Unicode支持 本正则表达式匹配引擎的实现遵循了《Unicode技术报告:Unicode正则表达式指南》,实现了该指南的第二层所需的功能,但是在细微处有一些简单语法修改。 Unicode块(Block)和分类(Category)通过\p和\P通配苻表示。\p{prop}匹配含有prop的输入序列,而\P{prop}匹配不含有prop的输入序列。Unicode块通过前缀In表示,如\p{InMongolian}。Unicode分类通过可选的前缀Is表示,因此\p{L}和\p{IsL}都代表Unicode分类 letters。Unicode块和分类都可以在正则表达式子集外部和内部使用。 目前支持的Unicode块和分类是《Unicode标准,第三版》中所指定的块和分类。 Unicode块名称在《Unicode 字符数据库》的第14章被定义,文件名称叫Blocks-3.txt,但是名称中的空格被去掉了。例如"Basic Latin"成了"BasicLatin"。无论是标准化的还是非标准化的分类,都在该标准的第88页的第4-5表中被全部定义。