韩顺平Java | C27 正则表达式

入门介绍

需求：提取文本中某类字符
传统方法：遍历每个字符，判断其是否在ASCII码中某种类型得编码范围内，代码量大，效率不高

正则表达式(RegExp, regular expression)：处理文本的利器，是对字符串执行模式匹配的技术。java\javascript\php等语言都支持。

//假设爬虫获取内容
String content = "...";
//1 先创建一个Pattern模式对象，即一个正则表达式对象
//提取所有英文单词
Pattern pattern = Pattern.compile("[a-zA-Z]+");
//提取所有数字
Pattern pattern = Pattern.compile("[0-9]+");
//提取所有数字和英文单词
Pattern pattern = Pattern.compile("([0-9]+)|([a-zA-Z]+)");
//提取百度热搜的标题
Pattern pattern = Pattern.compile("<a target=\"_blank\" title=\"(\\S*)\"");
//提取文本中的ip地址
Pattern pattern = Pattern.compile("\\d+\\.\\d+\\.\\d+\\.\\d+")
//2 创建一个匹配器对象，按照模式到content中匹配，找到返回true，否则false
Matcher matcher = pattern.matcher(content);
//3 开始循环匹配
while (matcher.find()) {
	//匹配内容，文本，放到m.group(0)
	System.out.println("找到：" + matcher.group(0)); //热搜标题使用group(1)
}

正则底层实现

matcher.find()：定位满足指定规则的字符串，将找到的子字符串的开始缩影记录到matcher的属性int[] groups中groups[0]；把结束索引+1的值记录到groups[1]，同时记录为oldLast的值，作为下次find开始的位置。
group(int group)：根据groups[2 * group]和groups[2 * group + 1]从content截取字符串(前闭后开)并返回。

String regStr = "\\d\\d\\d\\d"; //4个任意数字
group(0) //返回content中[group[0], group(1))的子字符串

String regStr = "(\\d\\d)(\\d\\d)"; //表示分组1和2
//另外还会把第1组匹配到的子字符串的开始索引和结束索引+1的值记录到group[2]和group[3]；第2组对应值记录到group[4]和group[5]...
group(0) //返回匹配到的子字符串，content中[group[0], group(1))的子字符串
group(1) //返回匹配到的子字符串中的第1组，content中[group[2], group[3])的子字符串
group(2) //返回匹配到的子字符串中的第2组，content中[group[4], group[5])的子字符串

基本语法

元字符

转义符\\

使用正则表达式去检索某些特殊字符的时候，需要用到转义符号，将下一字符标记为特殊字符，如：. * + ( ) $ / \ ? [ ] ^ { }。Java正则表达式中\\代表其它语言中的一个\。

字符匹配符

选择匹配符

限定符

指定其前面的字符和组合项连续出现多少次

定位符

e.g.^[0-9]+[a-z]$ 以至少1个数字作为行开头，后接至少一个小写字母作为行结尾的字符串，如可以匹配"123abc"，不可匹配"123abc12"

分组

捕获分组

String regStr = "(?<g1>\\d\\d)(?<g2>\\d)(?<g3>\\d)";
group("g1") //返回匹配到的子字符串中的第1组
group("g2") //返回匹配到的子字符串中的第2组
group("g3") //返回匹配到的子字符串中的第3组

非捕获分组

非贪婪匹配

Java正则表达式默认贪婪匹配
?当此字符紧随任何其他限定符（*、+、?、{n}、{n,}、{n,m}）之后时，匹配模式是"非贪心的"。"非贪心的"模式匹配搜索到的、尽可能短的字符串，而默认的"贪心的"模式匹配搜索到的、尽可能长的字符串。例如，在字符串"oooo"中，"o+?“只匹配单个"o”，而"o+“匹配所有"o”。

※三个常用类

Pattern

Pattern对象时一个正则表达式对象。Pattern类没有公共构造方法。要创建一个Pattern对象，调用其公共静态方法，接收一个正则表达式作为它的第一个参数，它返回一个Pattern对象。Pattern r = Pattern.compile(pattern);

Pattern类的方法
boolean isMatch = Pattern.matches(String pattern, String content); // 整体匹配，用于验证输入字符串是否满足条件使用
String content = "hello, world!";
String pattern = "hello"; //false
String regStr = "hello.*"; //true .*后跟 *任意个 .任意字符

Matcher

Matcher对象是对输入字符串进行解释和匹配的引擎。Matcher也没有公共构造方法。需要调用Pattern对象的matcher方法来获得一个Matcher对象。

PatternSyntaxException

非强制异常，表示一个正则表达式模式中的语法错误。

※分组、捕获、反向引用

分组：用圆括号组成一个比较复杂的匹配模式，一个个圆括号部分我们可以看作是一个子表达式/一个分组。

捕获：把正则表达式中子表达式/分组匹配的内容，保存到内存中以数字编号或显示命名的组里，0代表整个正则式，从左向右分组号依次是1，2…

反向引用：圆括号的内容被捕获后，可以在这个括号后被使用，从而写出一个比较实用的匹配模式，称为反向引用。这种引用可以在正则表达式内部或外部，内部反向引用\\分组号，外部反向引用$分组号。

(\\d)\\1 //要匹配两个连续的相同数字
(\\d)\\1{4} //匹配连续5个相同数字
(\\d)(\\d)\\2\\1 //匹配个位与千位相同，十位与百位相同的数

String类中的正则表达式

替换

pubilc String replaceAll(String regex, String replacement)

content.replaceAll("JDK1\\.3|JDK1\\.4", "JDK);

判断

pubilc boolean matches(String regex)

phone.matches("13(8|9)\\d{8}"); //验证手机号以138或139开头

分割

pubilc String[] split(String regex)

content = "hello#abc-jack12smith~北京":
String[] split = content.split("#|-|~|\\d+")
for (String s : split) {
	System.out.println(s); 
}
/**
* hello
* abc
* jack
* smith
* 北京
*/