Java 正则表达式，正则表达式匹配a标签下的链接，正则表达式基础

编程环境

• windows 10

• eclipse

  
  

前言

  在一次Java程序设计课程中，在课堂上了解到了正则表达式，然后自己去百度了一番，发现正则表达式应用的范围还是比较广泛的，在Python爬虫爬取数据时候，也会用上正则表达式，所以决定花点心思去学习一下正则表达式。

正则表达式语法

• 普通字符

正则表达式	说明
[123abc]	匹配[…]括号里边的所有字符，相当于匹配1或2或3或a或b或c， 等价于[1|2|3|a|b|c]
[^123abc]	匹配除了[…]之外的所有字符，相当于匹配除了1,2,3,a,b,c之外的所有字符
[a-z]	表示一个区间，匹配小写字母
[A-Z]	表示一个区间，匹配大写字母
[0-9]	表示一个区间，匹配0到9之间的数字
\d	匹配数字，等价于[0-9]
\D	匹配非数字，等价于[^0-9]
\w	匹配字母、数字或者下划线，等价于[a-zA-z0-9_]
\W	匹配非字母、非数字或者非下划线，\W相当于匹配\w的补集字符,等价于[^a-zA-z0-9_]

说明：\大写字母 和 \小写字母，匹配的字符内容是相反的，^代表取反的意思

• 非打印字符

正则表达式	说明
\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 的值必须是26个字母
\f	匹配一个换页符
\n	匹配一个换行符
\r	匹配一个回车符
\t	匹配一个制表符
\v	匹配一个垂直制表符
\s	匹配所有的空白字符，等价于[\f\n\r\t\v]
\S	匹配所有非空白字符，等价于[^\f\n\r\t\v]

  说明：控制字符主要有LF（换行）、CR（回车）、FF（换页）、DEL（删除）、BS（退格)、BEL（振铃）等，存在于Ascii码中的第0~31号及127号中。想了解更多关于控制字符的内容请点击这里

• 特殊字符

正则表达式	说明
$	匹配输入字符串的结尾位置，要匹配 $ 字符本身，请使用\$。
( )	标记一个子表达式的开始和结束位置，要匹配这些字符，请使用 \( 和 \)
*	匹配前面的子表达式零次或多次，要匹配 * 字符，请使用 \*
+	匹配前面的子表达式一次或多次，要匹配 + 字符，请使用 \+
.	匹配除换行符 \n 之外的任何单个字符，要匹配 . ，请使用 \.
[	标记一个中括号表达式的开始。要匹配 [ ，请使用 \[
?	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，要匹配 ? 字符，请使用 ?
\	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
^	匹配输入字符串的开始位置，当该符号在方括号表达式中使用时，匹配非方括号内容的字符，相当于取反，要匹配 ^ 字符本身，请使用 ^
{	标记限定符表达式的开始，要匹配 {，请使用 \{
|	指明两项之间的一个选择，相当于或，要匹配 |，请使用 |

• 限定字符

正则表达式	说明
{n}	n 是一个非负整数，匹配确定的 n 次
{n,}	n 是一个非负整数，至少匹配n 次
{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

正则表达式的应用

• 实例1

  我们来讲一下比较有用的例子吧，拿html的标签页来举例子，假如说我们需要匹配html中a标签下的链接

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Debug {

	public static void main(String[] args) {
		String html = "<a class=\"regex\" href=\"https://www.baidu.com/\">正则表达式</a>";
		String regex = "<a class=\"[a-z]+\" href=\"(.*?)\">(.*?)</a>";
        for (int i = 0; i < 3; i++) {
            String content = getContentByRegex(html, regex, i);
            System.out.println(content);
        }
	}
    
    public static String getContentByRegex(String html, String regex, int index) {
        String content = "";	// 如果没有匹配到, 则返回空字符串
		Pattern pattern = Pattern.compile(regex);
		Matcher match = pattern.matcher(html);
		if (match.find()) {
			content = match.group(index);
		}
		return content;
    }

}

  解释说明一下上面的代码，html是我们获取到的网页源代码，regex就是我们写的正则表达式规则，可以看到的是，我在href=后边使用了 .*? ，.*? 指的是匹配除了换行之外的所有字符，在这个代码里边就是匹配href后边的整个链接（ps： .*? 在写在href双引号的里边）， .*? 我个人觉得是比较常用的一种，简单好用。接下来就是调用自己写的函数来返回匹配的内容，其中match.find()是必不可少的，match.group(0)或者match.group()代表的是正则表达式规则的全部内容，match.group(1)代表的是第一个括号里边的内容，match.group(2)代表的是第二个括号里边的内容，依次类推。

代码的运行结果如下

<a class="regex" href="https://www.baidu.com/">正则表达式</a>
https://www.baidu.com/
正则表达式

  如果我们只需要href里边的链接，我们就只需要match.group(1)就可以了。

• 实例2

  那如果我们想匹配网页上所有a标签下的链接的话，该怎么做呢？先上代码

import java.util.regex.Matcher;
import java.util.regex.Pattern;
import java.util.List;
import java.util.ArrayList;

public class Debug {

	public static void main(String[] args) {
		String html = "<a class=\"regex\" href=\"https://www.baidu.com/\">正则表达式\n</a>隔开两个a标签的内容\n<a class=\"regex\" href=\"https://blog.csdn.net/\">正则表达式\n</a>";
		String regex = "<a class=\"[a-z]+\" href=\"(.*?)\">(.*?)</a>"; // 正则表达式规则
        List<String> content = getContentByRegex(html, regex, 1);	// 获取到的内容
		System.out.println(content);	// 输出
	}
    
    public static List<String> getContentByRegex(String html, String regex, int index) {
		List<String> list = new ArrayList<>();	// 创建一个空列表
		Pattern pattern = Pattern.compile(regex, Pattern.DOTALL);
		Matcher match = pattern.matcher(html);
		while (match.find()) {
			list.add(match.group(index));
		}
		return list;
	}

}

  解释说明：因为我们需要匹配多个a标签下的链接，所以我们用列表来存储这些链接比较方便，对比上一个例子，会发现compile中多了一个Pattern.DOTALL， 原来 .*? 匹配的是除了换行之外的所有字符，使用DOTALL会把\n也当成一个普通字符，也就是说 .*? 也会匹配换行符；还有就是在getContentByRegex函数中用的是while (match.find()) 而不是if (match.find())，因为这里是有多个链接的，所有用的是while。

代码的运行结果如下

[https://www.baidu.com/, https://blog.csdn.net/]

我们来输出一下match.group(2)，输出结果如下：

[正则表达式
, 正则表达式
]

会发现，也把 \n 符匹配了进去，所以输出时候文字后边会多了一个 \n ，这也就是使用DOTALL的原因，如果没有使用DOTALL则会匹配失败，返回的是空列表 [] 。

总结

  上述就是我对正则表达式的理解，讲到的内容可能偏少，不过都是比较实用的东西。希望这篇文章会对你有帮助，如果有什么问题欢迎在评论区提出。