【技术攻略】Java正则表达式实战指南(Java Regex): 文本处理利器(Toolbox)

正则表达式

引言

正则表达式是一种灵活而强大的模式匹配工具，用于在文本中识别特定的字符串模式。它们由一系列字符和特殊符号组成，这些符号具有特殊的含义，能够帮助我们精确地描述和匹配文本中的各种模式。

正则表达式的概念起源于20世纪50年代，最初是由数学家斯蒂芬·科尔·克莱尼提出的，作为描述形式语言的一种方法。随着时间的发展，正则表达式逐渐成为了编程和文本处理中的一个重要组成部分。
接下来我们将深入探讨正则表达式的具体构成和一些常见的模式，并展示如何在Java中使用正则表达式。

正则表达式基础

1. 正则表达式的定义

正则表达式（Regular Expression，简称regex或regexp）是一种用于匹配字符串中字符组合的强大工具。它允许用户对字符串执行复杂的搜索和替换操作。正则表达式由普通字符（例如A到Z的字母）和特殊字符（称为元字符）组成，用来定义要匹配的模式。

2. 基本构成元素

正则表达式由多种元素组成，包括但不限于以下几种：

• 字面量: 普通字符，如字母、数字或特殊字符，当它们出现在正则表达式中时，就是它们本身的意思。例如，a 匹配字符 a。

• 元字符: 特殊字符，具有特殊含义，例如 . 表示任意单个字符，* 表示前面的元素可以出现任意次数（包括0次）。例如，. 可以匹配任何单个字符，而 a* 可以匹配多个 a 或者没有 a。

• 字符集: 一组括在方括号 [ ] 内的字符，匹配其中任意一个字符。例如，[aeiou] 可以匹配任何一个元音字母。

• 范围: 在字符集中使用 - 符号来表示一个字符范围。例如，[a-z] 可以匹配任何小写字母。

• 分组与捕获: 使用圆括号 ( ) 来创建一个捕获组，可以用来匹配括号内的整个子表达式，并且可以引用捕获的内容。例如，(ab)+ 可以匹配一个或多个 ab 序列。

• 限定符: 控制模式重复次数的特殊字符。例如：

  • *: 前面的元素可以出现任意次（包括0次）
  • +: 前面的元素至少出现一次
  • ?: 前面的元素出现0次或1次
  • {n}: 前面的元素恰好出现 n 次
  • {n,}: 前面的元素至少出现 n 次
  • {n,m}: 前面的元素出现至少 n 次但不超过 m 次

• 断言: 不消耗字符的条件判断，用于确认位置。例如：

  • ^: 行的开始
  • $: 行的结束
  • \b: 单词边界
  • \B: 非单词边界
  • (?=...): 前向肯定断言
  • (?!...): 前向否定断言
  • (<=...): 后向肯定断言
  • (?!...): 后向否定断言

• 转义字符: 使用反斜杠 \ 来表示特殊字符。例如，\. 匹配实际的点号字符，而不是任何字符。

3. 正则表达式的语法结构

构造一个简单的正则表达式通常涉及选择适当的元素并将其组合起来形成一个完整的模式。下面是一些具体的例子：

• 字面量: hello 匹配字符串 “hello”。
• 元字符: . 匹配任何单个字符。
• 字符集: [abc] 匹配 ‘a’、‘b’ 或 ‘c’ 中的任意一个字符。
• 范围: [a-z] 匹配任何小写字母。
• 分组与捕获: (ab) 匹配 “ab” 并将其作为一个整体捕获。
• 限定符: a{2} 匹配两个连续的 ‘a’。
• 断言: ^\d 匹配行首的数字。
• 转义字符: \. 匹配实际的点号字符。

示例:

• 匹配任何三个字母的单词:

  \b[a-zA-Z]{3}\b
  

  这里 \b 是单词边界断言，确保匹配的是一个完整的单词；[a-zA-Z] 是一个字符集，匹配任何字母；{3} 限定符确保正好匹配三个字母。

• 匹配包含一个或多个数字的字符串:

  \d+
  

  这里 \d 是一个元字符，代表数字，+ 限定符确保至少有一个数字。

常用正则表达式详解

1. 匹配数字和字母

• \d: 匹配任何十进制数字，等价于 [0-9]。

  • 示例: a\d 匹配以字母 “a” 开头后跟一个数字的字符串，如 “a1”。

• \D: 匹配任何非数字字符。

  • 示例: a\D 匹配以字母 “a” 开头后跟一个非数字字符的字符串，如 “ab”。

• \w: 匹配任何“单词”字符，即字母、数字或下划线。等价于 [a-zA-Z0-9_]。

  • 示例: \w+ 匹配一个或多个单词字符组成的序列，如 “helloWorld123”。

• \W: 匹配任何非单词字符。

  • 示例: \W+ 匹配一个或多个非单词字符组成的序列，如 “!” 或 “@#$%”。

2. 匹配空白字符

• \s: 匹配任何空白字符，包括空格、制表符、换页符等。等价于 [ \t\n\r\f\v]。

  • 示例: \s+ 匹配一个或多个空白字符。

• \S: 匹配任何非空白字符。

  • 示例: \S+ 匹配一个或多个非空白字符。

3. 匹配边界

• \b: 匹配单词边界，即单词字符和非单词字符之间的边界。

  • 示例: \bthe\b 匹配单词 “the”，但不会匹配 “there” 中的 “the”。

• \B: 匹配非单词边界，即两个单词字符或两个非单词字符之间的位置。

  • 示例: \B\w+\B 匹配被非单词字符包围的单词。

4. 匹配字符串开头和结尾

• ^: 表示行的开始。

  • 示例: ^abc 匹配所有以 “abc” 开始的字符串。

• $: 表示行的结束。

  • 示例: abc$ 匹配所有以 “abc” 结束的字符串。

5. 匹配任意字符

• . (点号): 匹配除换行符之外的任何单个字符。
  • 示例: a.b 匹配形如 “acb” 的字符串，其中中间的字符可以是任意字符。

6. 重复限定符

• * (零次或多次): 表示前面的元素可以出现任意次（包括0次）。

  • 示例: a* 匹配 “a” 的零次或多次重复，如 “”、“a”、“aa” 等。

• + (一次或多次): 表示前面的元素至少出现一次。

  • 示例: a+ 匹配 “a” 的一次或多次重复，如 “a”、“aa” 等，但不匹配空字符串。

• ? (零次或一次): 表示前面的元素出现0次或1次。

  • 示例: a? 匹配 “a” 的零次或一次重复，如 “” 或 “a”。

• {n} (正好 n 次): 表示前面的元素恰好出现 n 次。

  • 示例: a{3} 匹配 “a” 出现三次的情况，如 “aaa”。

• {n,} (至少 n 次): 表示前面的元素至少出现 n 次。

  • 示例: a{2,} 匹配 “a” 至少出现两次的情况，如 “aa”、“aaa” 等。

• {n,m} (至少 n 次，最多 m 次): 表示前面的元素出现次数介于 n 和 m 之间。

  • 示例: a{1,3} 匹配 “a” 出现1到3次的情况，如 “a”、“aa”、“aaa”。

7. 非贪婪限定符

• *?, +?, ??, {n,}?: 这些限定符是非贪婪的版本，尽可能少地匹配字符。
  • 示例: a.*?b 匹配从 “a” 到最近的 “b” 之间的任意字符，例如在 “abcdeabfghib” 中，会匹配 “bcde” 而不是整个字符串。

8. 选择和条件

• (A|B): 匹配 A 或 B。
  • 示例: (cat|dog) 匹配 “cat” 或 “dog”。

9. 否定和肯定预查

• (?=...) (肯定预查): 断言后面跟着的模式存在，但不会消费掉这些字符。

  • 示例: a(?=b) 匹配 “a”，且紧随其后的字符必须是 “b”。

• (?!...) (否定预查): 断言后面跟着的模式不存在。

  • 示例: a(?!b) 匹配 “a”，但紧随其后的字符不能是 “b”。

当然可以！下面是关于Java中正则表达式的详细介绍：

Java中的正则表达式

1. Java 正则表达式包

Java 中的正则表达式功能主要通过 java.util.regex 包实现。这个包包含了用于编译正则表达式模式和执行匹配操作的主要类。

2. 类和接口概览

• Pattern 类：

  • Pattern 是不可变的编译器，它把正则表达式转换成内部使用的模式。你可以使用 Pattern.compile(String regex) 方法来创建一个 Pattern 对象。

• Matcher 类：

  • Matcher 是 Pattern 的子类的一个实例，用于对输入的字符串执行匹配操作。你可以使用 Pattern.matcher(String input) 方法来创建一个 Matcher 对象。

• PatternSyntaxException 异常：

  • 当提供的正则表达式语法错误时，编译过程会抛出 PatternSyntaxException。

3. 创建 Pattern 和 Matcher 对象

// 创建 Pattern 对象
Pattern pattern = Pattern.compile("your_regex_here");

// 创建 Matcher 对象
Matcher matcher = pattern.matcher("input_string_here");

4. 查找和替换

• Matcher.find()：

  • 用于查找下一个匹配项的位置。如果找到匹配项，则返回 true；否则返回 false。
  • 可以使用 Matcher.group() 方法来获取匹配的内容。

• Matcher.replaceAll(String replacement)：

  • 将匹配的所有子串替换成指定的字符串。

• Matcher.replaceFirst(String replacement)：

  • 将匹配的第一个子串替换成指定的字符串。

String input = "Hello World";
String regex = "o";
Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(input);

String replaced = matcher.replaceAll("*");
System.out.println(replaced); // 输出 "Hell* W*rld"

5. 匹配整个字符串

• Matcher.matches()：
  • 用于检查整个区域是否与正则表达式匹配。

String input = "Hello";
String regex = "^Hello$";
Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(input);

boolean isMatch = matcher.matches();
System.out.println(isMatch); // 输出 "true"

6. 分组和捕获

• 使用 () 进行分组：

  • 在正则表达式中使用括号 () 来定义捕获组，这些组可以用 Matcher.group(int groupNumber) 访问。

• 获取捕获组的结果：

  • 使用 Matcher.group(int groupNumber) 方法来获取指定组的匹配内容。

String input = "My number is 123-456-7890";
String regex = "(\\d{3})-(\\d{3})-(\\d{4})";
Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(input);

if (matcher.find()) {
    System.out.println("Area code: " + matcher.group(1)); // 输出 "Area code: 123"
    System.out.println("Prefix: " + matcher.group(2)); // 输出 "Prefix: 456"
    System.out.println("Line number: " + matcher.group(3)); // 输出 "Line number: 7890"
}

7. 编译选项

• Pattern.CASE_INSENSITIVE：

  • 忽略大小写差异。

• Pattern.MULTILINE：

  • 允许 ^ 和 $ 分别匹配每行的开头和结尾。

• Pattern.DOTALL：

  • 允许 . 匹配任何字符，包括换行符。

String input = "Hello\nWorld";
String regex = "H.*W";
Pattern pattern = Pattern.compile(regex, Pattern.DOTALL);
Matcher matcher = pattern.matcher(input);

boolean isMatch = matcher.find();
System.out.println(isMatch); // 输出 "true"

8. Java 实战案例

• 验证电子邮件地址：

  • 电子邮件地址通常包含一个 @ 符号和一个域名。

• 提取日期和时间：

  • 可以使用正则表达式来匹配日期和时间格式。

• 清洗文本数据：

  • 移除不需要的字符，比如标点符号。

• 替换 HTML 标签：

  • 从文本中去除 HTML 标签。

• 搜索和提取 URL 地址：

  • 可以匹配常见的 URL 格式。

示例：验证电子邮件地址

String email = "example@example.com";
String regex = "^[\\w.-]+@[\\w.-]+\\.\\w+$";
Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(email);

boolean isValidEmail = matcher.matches();
System.out.println("Is valid email: " + isValidEmail); // 输出 "Is valid email: true"

示例：提取日期和时间

String dateTimeString = "2023-07-24 12:34:56";
String regex = "(\\d{4})-(\\d{2})-(\\d{2}) (\\d{2}):(\\d{2}):(\\d{2})";
Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(dateTimeString);

if (matcher.find()) {
    System.out.println("Year: " + matcher.group(1));
    System.out.println("Month: " + matcher.group(2));
    System.out.println("Day: " + matcher.group(3));
    System.out.println("Hour: " + matcher.group(4));
    System.out.println("Minute: " + matcher.group(5));
    System.out.println("Second: " + matcher.group(6));
}

示例：清洗文本数据

String text = "This is a sample text with some punctuation!";
String cleanedText = text.replaceAll("[^a-zA-Z ]", "");
System.out.println(cleanedText); // 输出 "This is a sample text with some punctuation"

示例：替换 HTML 标签

String html = "<p>Hello <strong>world</strong></p>";
String cleanHtml = html.replaceAll("<[^>]*>", "");
System.out.println(cleanHtml); // 输出 "Hello world"

示例：搜索和提取 URL 地址

String textWithUrls = "Visit http://www.example.com and https://www.example.org";
String regex = "https?://\\S+";
Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(textWithUrls);

while (matcher.find()) {
    System.out.println("URL: " + matcher.group());
}

总结

Java 正则表达式包

• java.util.regex 包：提供了用于编译正则表达式模式和执行匹配操作的类。

类和接口概览

• Pattern 类：不可变的编译器，用于编译正则表达式字符串到内部模式。

  • 静态方法：compile(String regex) 用于创建 Pattern 对象。

• Matcher 类：用于对输入字符串执行匹配操作。

  • 方法：matches()、find()、replaceAll()、replaceFirst()、group(int groupNum) 等。

• PatternSyntaxException：当正则表达式语法有误时抛出的异常。

创建 Pattern 和 Matcher 对象

• 创建 Pattern：Pattern pattern = Pattern.compile("regex");
• 创建 Matcher：Matcher matcher = pattern.matcher("input");

查找和替换

• Matcher.find()：查找下一个匹配项。
• Matcher.replaceAll()：替换所有匹配项。
• Matcher.replaceFirst()：替换第一个匹配项。

匹配整个字符串

• Matcher.matches()：检查整个区域是否与正则表达式完全匹配。

分组和捕获

• 使用 ()：定义捕获组。
• 获取组结果：Matcher.group(int groupNum) 获取特定组的匹配结果。

编译选项

• CASE_INSENSITIVE：忽略大小写。
• MULTILINE：使 ^ 和 $ 能够匹配每行的开头和结尾。
• DOTALL：允许 . 匹配任何字符，包括换行符。

Java 实战案例

• 验证电子邮件地址：使用正则表达式检查电子邮件格式。
• 提取日期和时间：匹配并提取日期和时间格式。
• 清洗文本数据：移除不需要的字符如标点符号。
• 替换 HTML 标签：从文本中去除 HTML 标签。
• 搜索和提取 URL 地址：匹配并提取文本中的 URL。