Java正则表达式实践

Posted 2021-02-01 zhuyuhuanba

　　正则表达式是开发人员处理文本的好选择，在不同的语音之间有一定的共通性，也是一个开发人员必备的基础知识之一，在此特结合人民邮电出版社的《正则表达式必知必会》一书，以java语言实践书中的例子，记录于博客园以备查阅。

　　就按照《正则表达式必知必会》，以下简称《正必》一书的章节目录进行实践。

　　我使用的java版本是1.8.0_65，使用的编译器是eclipse 2018-09，使用的是java.util.regex包下的正则表达式匹配方法。

　　

　　第二章：

　　（1）首先是用字符串匹配，按照《正必》一书中的匹配法则，java中对应的方法是contains(CharSequence s)，这个方法在java.lang.String类中。

　　（2）关于大小写的问题，在java.lang.String类中toLowerCase()，toUpperCase()就可以实现对字符串的大小写转换。

　　（3）接下来就是普通正则表达式的使用了，使用Pattern的matches方法，匹配则返回true，反之则返回false。《正必》第9页的实践如下，想匹配“任意字符a任意字符”的格式。因为后面有后缀xls，因此原书的方法在java并不适用。在java中使用“.a.”只能匹配只含有三个字符且中间字符为a的字符串。想要匹配例如“na4.xls”字符串，则要在“.a.”之后添加对“.xls”的匹配。当然，如果只是想匹配某个字符串的子串是否存在，比如我想匹配“任意字符a任意字符”的格式，那么正则表达式应该这样写：".*.a..*"才可以匹配“任意字符a任意字符”。这里的任意字符不能为空，也不能为换行字符。

　　（4）特殊字符的匹配，对于特殊字符来说，只要在其前加就可以将其视为一个普通字符，而java中\\表示的是一个具有特殊含义的字符，而\\\\才表示一个普通字符。

　　第三章：

　　（1）匹配多个字符中的一个，用中括号括起来就好了，比如我要匹配“na任意字符”和“sa任意字符”，只需要将正则表达式写成“[ns]a.”就可以了。

　　（2）字符区间匹配，比如我要匹配任意小写字母，我难道要用中括号括起来26个字母么？当然不需要，只需要写成“[a-z]”就行了，同理，我要匹配a-f，只要写成“[a-f]”就行了，如果有多个区间，比如忽略大小写匹配所有字母，就可以写成“[a-zA-Z]”。这个区间是指ASCII码字符表里的顺序，具体可以参考ASCII码表。

　　（3）取非匹配，参考（2）在前面添加字符‘^’即可。比如我某一位上要匹配非数字，那么就可以写成“[^0-9]”。要注意的是，‘^’在区间内出现，意味着对区间内的所有取非。

　　第四章：

　　（1）对特殊字符转义，这个前面已经说过了。

　　（2）匹配空白字符，空白字符一共有多种，最常见的就是回车‘ ’，换行符‘ ’和制表符‘ ’。对于Windows系统来说，一行的结尾是回车换行，也就是“ ”，对于linux和Unix来说就是“ ”。

　　（3）匹配特别的字符类别。匹配数字：d，非数字：D；匹配字母数字下划线（等价于“[a-zA-Z0-9_]”）：w，非字母数字下划线：W；匹配空白字符（等价于“[f v]}”）：s，非空白字符：S。

　　（4）POSIX字符。java语言的POSIX字符表示如下，以p开头，然后用大括号括起来特定的单词用来表示不同的匹配规则。小写字母：p{Lower}；大写字母：p{Upper}；ASCII字符：p{ASCII}；字母字符：p{Alpha}；十进制数字：p{Digit}；字母数字字符：p{Alnum}；标点符号（!”#$%&’()*+,-./:;<=>[email protected][]^_>{Ι}< ）：p{Punct}；一个可视的字符：p{Graph}；可打印字符：p{Print}；空格或制表符（[ ]）：p{Blank}；十六进制数字：p{XDigit}；空白字符（[ x0Bf ]）：p{Space}。当然，在java语言中表示一个有特殊意义的需要用\\来表示，在写匹配的字符串时，尤其要注意。

　　第五章：

　　（1）匹配一个或多个字符，只需要在满足需求的表达式后面添加一个‘+’，就可以实现匹配一或多个字符

　　（2）如果要匹配0个或者多个字符，那么就在满足需求的表达式后面添加一个‘*’，就可以实现了

　　（3）那么如果要匹配零个或一个字符，只需要‘?’来匹配就可以了

　　（4）如果要指定匹配某个字符的个数呢？那么只要在表达式之后用大括号括起来次数就可以了。比如要匹配5个连着的n，就可以写成“n{5}”。

　　（5）那么如果要匹配某个字符重复次数在一个区间内，那么和（4）相似，大括号括起来起始数量，比如匹配2--5个n，就可以写成“n{2,5}”。

　　（6）如果是要匹配至少重复某个字符多少次，类似的，只需要在5的情况下省略最大值就可以了，比如匹配5个或者5个以上的n，就可以写成“n{5,}”。

　　（7）过度匹配，正则表达式匹配有两种模式，贪婪型和懒惰型。前者要从开始开始一直匹配到文本末尾，后者则是在完成第一次匹配后就会停止工作。我们前面提及的‘+’，‘*’，‘{2， }’都是贪婪型的。如果想要将其变为懒惰型的，那么只要在其后加上‘?’即可。

　　第六章

　　（1）单词边界，使用‘’来表示单词边界。这个单词边界是什么意思呢，这有个小例子来体现。对文本“The cat scattered his food all over the room.”按照‘’的正则表达式作为分隔符来分割文本并进行输出。输出结果如下：

　　

可以很明显的看出来，每个单词，包括空格和标点符号，都被分割开来，也就是说文本中蕴含了我们无法看到的分割符。当我们想匹配这个文本中的cat时，我们也会匹配到含有cat的scattered。当我们使用“cat”作为匹配表达式时，就之后匹配cat单词而不会匹配到含有cat的单词了。当然，按照前面的规则，使用‘B’就可以不匹配单词边界。

　　（2）字符串边界：‘^’标注字符串的开始，‘$’标注字符串的结束。如果是多行的情况，只需要在匹配表达式前加‘(?m)’或者使用如下代码：

　　

Pattern pattern = Pattern.compile(regex, Pattern.MULTILINE);

　　第七章：

　　（1）如果我们要匹配一个重复出现的字符串，那么我们就可以用小括号括起来这字符串，其他处理就和之前所说相同了。用小括号括起来的表达式被称为子串。

　　（2）子串是允许无限循环嵌套的，但是过多的嵌套很容易带来两个问题，一是可读性问题，二是性能问题。

　　第八章：

　　（1）回溯引用，比如我们在html语言中的标题<h1>标题1</h1>，我们按照之前所说可以很容易的匹配到。但是如果代码中有错误的标题，比如“标题<h2>标题2</h3>”，这个是错误的，我们不能把他匹配到。所以我们要选用回溯引用，保证前后一致。这也要用到之前所说的子串。如过要匹配这种模式，就可以这样写：“<[Hh]([0-9])>.*?</[Hh]\\1>”。这是在java中的写法，\\1表示为1，也就是第一个子串。

　　（2）回溯引用在替换操作中很有用，但是过于简单的替换用正则表达式有一些小题大做，但是对于一些比较复杂的替换，比如对某些文字的排版，等某部分的单词进行大小写变换等等。

　　第九章：

　　（1）向前查找：譬如我们想提取每一行冒号之前的字符串，我们可以这样写：“.+(?=:)”。如果是否定性向前查找，就把‘=’替换为‘!’即可。

　　（2）向后查找：“.+(?<=:)”，否定性，就把‘=’替换为‘!’即可。

　　第十章：

　　（1）正则表达式里的条件，语法是：“?(backerference)true-regex|false-regex)”。也就是给定一个条件backerference，满足条件与否将会分别执行true-regex和false-regex表达式。这种模式很复杂，因此调试起来很困难，可读性也很差。

　　（2）前后查找条件，例如匹配一个字符串为“五位数字-四位数字”，可以这样写：“d{5}(?(?=-))-d{4})”。此处的在java语言中要写做\\。