java 元字符_正则表达式教程一 —— 特殊字符（元字符）

概述：

正则表达式，又称规则表达式。是由普通字符(例如字符 a 到 z)以及特殊字符(称为元字符)组成的文字模式。

正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。

它最初是科学家对人类神经系统工作原理的早期研究(一种用数学方式来描述神经网络的新方法)。

Unix的主要发明人 Ken Thompson 将它运用到了计算搜索算法、编辑器qed、编辑器ed(太古老了)，从此被广泛应用

那么它有啥用？

它能帮你在一大堆杂乱无章的内容中，找到符合特定模式的内容

比如，爬取其它网站的内容并提取有用信息；内容关键字审核；特定文本内容整体替换

这一节将介绍一下正则表达式的一些特殊字符和简单用法

在讲这些字符/符号的时候，我会用 php 来举一些例子，基本上所有语言的正则表达式都大同小异，若你使用的是其它语言，也可直接把表达式拿去使用试试

一、特殊字符(元字符)

特殊字符即在正则表达式中有特定含义的内定字符。就好比 java，php 等语言中的关键字

1、$

匹配输入字符串的结尾位置。如果设置了 RegExp 对象的 Multiline 属性，则 $ 也匹配 '\n' 或 '\r'

例子1$s = 'abcd

efd';

preg_match('#[a-z]+?d$#s',$s,$m);//# # 之间的内容为正则表达式，s为修饰符，# 为php中的边界符号，还有 / 也是边界符

print_r($m);//$m 就是我们匹配到的信息

/*

Array

(

[0] => efd

)

*/

匹配以 d结尾(d$) 的一串字符，前面可以是任意a到z 的小写字母([a-z]+?)， 其中 s 为修饰符(后面会讲)，就是多行模式(Multiline)，

所以匹配到了第二行的 efd(因为[a-z]+?不匹配换行)，若要匹配整个换行的字符串，则：#([a-z]|\r\n)+?d$#s

2、( )

标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用

例子2$s = 'abc123def456';

preg_match_all('#(\d+)#',$s,$m);

print_r($m[1]);

/*

Array

(

[0] => 123

[1] => 456

)

*/

匹配并捕获字符串中的所有数字，$m[1] 就是捕获到的内容，关于捕获后的使用，将在下面的 \ 符号介绍

\d 等价于 [0-9]，关于 [] 字符集下面会讲，只要知道 \d 是表示匹配一个数字就行了

3、+

匹配前面的子表达式一次或多次

见例子2

4、*

匹配前面的子表达式零次或多次

见例子2

5、.

匹配除换行符 \n之外的任何单字符

例子3$s = <<

test!@#$

TEXT;

preg_match_all('#.#s',$s,$m);

print_r($m);

/*

Array

(

[0] => Array

(

[0] => t

[1] => e

[2] => s

[3] => t

[4] => !

[5] => @

[6] => #

[7] => $

)

)

*/

6、[ ]

标记一个中括号表达式字符集合

请看例子1，[a-z] 就是一个字符集合，可以是任意字符，比如我只要匹配 【abc,.】 这个5个字符——[abc,.]

这里有一个特殊的符号 - ，代表一个范围，常用的有 A-Z(大写的字母A到Z)，a-z(小写的字母a到z) ，0-9(数字0到9)

7、?

匹配前面的子表达式零次或一次，或指明一个非贪婪限定符

例子4$s = <<

a1a2abbb

TEXT;

//匹配以a开头后面紧跟一个数字或没有数字(用了 ? )的字符串

preg_match_all('#a\d?#',$s,$m);

print_r($m);

/*

Array

(

[0] => Array

(

[0] => a1

[1] => a2

[2] => a

)

)

*/

8、\

将下一个字符标记为或特殊字符、或原义字符、或向后引用、或八进制转义符。

比如匹配在正则中有特殊含义的字符，如 . 、 \ 、 $ 、 ( 、 [ 等等，这里就讲一下 向后引用(反向引用)

例子5$s = <<

this is bthis is i

TEXT;

preg_match_all('#(.+?)\1>#i',$s,$m);

echo "

";

print_r($m);

echo "

";

/*

Array

(

[0] => Array

(

[0] => this is b

[1] => this is i

)

[1] => Array

(

[0] => b

[1] => i

)

[2] => Array

(

[0] => this is b

[1] => this is i

)

)

*/

我想匹配标签 b 和 i (或者其它标签)中的内容，总不能为了每一个标签都写一个表达式吧，比如这个：#(.+?)|(.+?)#i；那么多标签不得写死啊

而标签开头和结尾都是一样的，那么把匹配到的开始标签引用到结束位置不就行了？！

还记得例子2中 () 的作用吗，捕获匹配到的内容，供后面使用。而 \1 就是使用第一个 ( 开始所匹配到并被捕获的内容。在这个例子里 \1 就是匹配到的 b 或 i

那么想一想，若是在 () 中还有 ()，如何使用反向引用？

好吧，不用你们想了，我来公布答案。

不管表达式中有多少个 ()，都是以 ( 为顺序(从1开始)，放在捕获的区域以供后面使用，最多好像是支持 99 个，没试过

在正则表达式中使用之前匹配并捕获(反向引用)的内容就是用 \1 \2 \3 ....各语言可能不同，比如 js 是 $1 ,java 是 \\1

例子6$s = <<

this is b

this is span

this is i

TEXT;

preg_match_all('#(.+?)\2>\1>#i',$s,$m);

print_r($m);

/*

Array

(

[0] => Array

(

[0] => 

this is b

[1] => this is i

)

[1] => Array

(

[0] => div

[1] => span

)

[2] => Array

(

[0] => b

[1] => i

)

[3] => Array

(

[0] => this is b

[1] => this is i

)

)

*/

匹配外层是多字符标签(div span 等)包裹，内层紧跟一个字符的标签(b i 等)，因为 ([a-z]) 后面没有跟 + ，说明是匹配一个字符

由于

this is span

不满足内层一个字符的标签，所以没有被匹配

例子7 java 版import java.util.regex.*;

public class Test {

public static void main(String[] args) throws Exception {

String str = "

this is b

this is span

this is i";

Matcher m = Pattern.compile("(.+?)\\2>\\1>").matcher(str);

while(m.find()){

System.out.println(m.group()+"\n"+m.group(1)+"\n"+m.group(2)+"\n开始位置 : "+m.start()+" \n结束位置 : "+m.end()+"\n\n");

}

}

}

输出

this is b

div

b

开始位置 : 0

结束位置 : 27

this is i

span

i

开始位置 : 63

结束位置 : 92

9、^

匹配输入字符串的开始位置，除非在方括号表达式中使用，此时它表示不接受该字符集合

例子8$s = <<

1abc

TEXT;

//2def

//ght

//34xyz

preg_match_all('#^\d[^\d]+#',$s,$m);

echo "

";

print_r($m);

echo "

";

/*

Array

(

[0] => Array

(

[0] => 1abc

)

)

*/

匹配以一个数字开头后面紧跟非数字的字符串，这个例子就把 ^ 的两个概念都讲了，例子的结果就是能匹配 1abc，2def，不能匹配 ght，34xyz

这里讲讲为什么不能匹配 34xyz，因为 3 被 \d 匹配了，而 4 就只能被 [^\d]+ 匹配，但是这个集合只匹配非数字字符串，所以不满足要求，整个字符串都不能被匹配

在一个字符集中用 ^ (一定要在字符集的开始位置),如 [^abc] ,那么就表示，不匹配abc这三个字母

10、{ }

标记限定符表达式的开始

这个将在限定符一节中将，简单来说就是表示一个范围

11、|

指明两项(多项)之间的一个选择

例子9$s = <<

this is bthis is ithis is span

TEXT;

preg_match_all('#(.+?)\1>#',$s,$m);

print_r($m);

/*

Array

(

[0] => Array

(

[0] => this is b

[1] => this is i

)

[1] => Array

(

[0] => b

[1] => i

)

[2] => Array

(

[0] => this is b

[1] => this is i

)

)

*/

匹配 b 或者 i 标签包裹的内容，若也要匹配 span， 加上即可，#(.+?)\1>#

特殊字符暂时就介绍这些，单个的字符都很好理解，但想写出复杂的正则表达式却无从下手。

那么如何构造复杂的表达式？

简单来说就是化整为零，正则表达式可以是单个的字符、字符集合、字符范围、字符间的选择或者所有这些符号的任意组合。

用多种元字符(特殊字符)与操作符将小的表达式结合在一起来创建更复杂的表达式。

比如 例子5 就用了很多元字符

一定要多练，才能把所有符号牢记于心，都是熟能生巧。

布置一个练习题

待匹配内容

123abc,

456def

a1b2c3

请匹配出 456def

分析下：

1、外面包裹的标签不一定是这几个(div span m)

2、内容是以 数字开头的，后面跟个几个字母

很简单，看上面的几个例子，动动手就可以完成

下一节讲 限定符和符号的运算优先级