Java 正则表达式

Posted 2021-03-03 Loserfromlazy

十一.正则表达式

概述

正则表达式定义了字符串的模式。正则表达式可以用来搜索、编辑或处理文本。正则表达式并不仅限于某一种语言，但是在每种语言中有细微的差别。

java.util.regex 包主要包括以下三个类：

• Pattern 类：

  pattern 对象是一个正则表达式的编译表示。Pattern 类没有公共构造方法。要创建一个 Pattern 对象，你必须首先调用其公共静态编译方法，它返回一个 Pattern 对象。该方法接受一个正则表达式作为它的第一个参数。

• Matcher 类：

  Matcher 对象是对输入字符串进行解释和匹配操作的引擎。与Pattern 类一样，Matcher 也没有公共构造方法。你需要调用 Pattern 对象的 matcher 方法来获得一个 Matcher 对象。

• PatternSyntaxException：

  PatternSyntaxException 是一个非强制异常类，它表示一个正则表达式模式中的语法错误。

语法

根据 Java Language Specification 的要求，Java 源代码的字符串中的反斜线被解释为 Unicode 转义或其他字符转义。因此必须在字符串字面值中使用两个反斜线，表示正则表达式受到保护，不被 Java 字节码编译器解释。例如，当解释为正则表达式时，字符串字面值 "" 与单个退格字符匹配，而 " " 与单词边界匹配。字符串字面值 "(hello)" 是非法的，将导致编译时错误；要与字符串 (hello) 匹配，必须使用字符串字面值 "\(hello\)"。

常见匹配符号

1. 任意一个字符串表示匹配任意对应的字符，如a匹配a，7匹配7，-匹配-
2. ^regex正则必须匹配字符串开头
3. regex$正则必须匹配字符串结尾
4. []代表匹配中括号中的任一个字符如[abc]匹配a或b或c
5. -在中括号中不匹配自己，比如[a-z]代表匹配匹配26个小写字母中的任一个；[a-zA-Z]匹配大小写共52个字母中任一个；[0-9]匹配十个数字中任一个。
6. ^{在中括号中与外面不同。在外时，就表示开头，如}7[0-9]表示匹配开头是7的，且第二位是任一数字的字符串。如果在中括号里面，表示除了这个字符之外的任意字符(包括数字，特殊字符)，如[^abc]表示匹配出去abc之外的其他任一字符。
7. 点.表示匹配任意的字符
8. XY表示X后面跟着Y，这里X和Y分别是正则表达式的一部分。
9. 匹配 x 或 y。例如，‘z|food‘ 匹配"z"或"food"。‘(z|f)ood‘ 匹配"zood"或"food"。

示例：

• [jpg|png] 代表匹配 j 或 p 或 g 或 p 或 n 或 g 中的任意一个字符。
• (jpg|png) 代表匹配 jpg 或 png。

元字符（是一个预定义的字符）

1. d表示数字
2. D表示非数字
3. s表示匹配任何空白字符，包括空格、制表符、换页符等。与 [ f v] 等效。
4. S匹配任何非空白字符。与 [ ^f v] 等效。
5. w表示字母数字下划线匹配任何字类字符，包括下划线。与"[A-Za-z0-9_]"等效。
6. W与任何非单词字符匹配。与[ ^A-Za-z0-9_]等效。

限定符（定义了一个元素可以发生的概率）

1. ?表示出现0次或1次。例如，"do(es)?"匹配"do"或"does"中的"do"。? 等效于 {0,1}。
2. +表示出现1次或多次。例如，"zo+"与"zo"和"zoo"匹配，但与"z"不匹配。+ 等效于 {1,}。
3. *表示出现0次、1次或多次。 如，zo *匹配“z”和“zoo”。等效于{0,}
4. {n}表示出现n次。
5. {n,m}表示出现n~m次。
6. {n,}表示出现n次或n次以上。

分组和反向引用

小括号 () 可以达到对正则表达式进行分组的效果。

在以正则表达式替换字符串的语法中，是通过 $ 来引用分组的反向引用，$0 是匹配完整模式的字符串（注意在 javascript 中是用 $& 表示）；$1 是第一个分组的反向引用；$2 是第二个分组的反向引用，以此类推。

例如：

package com.wuxianjiezh.demo.regex;
public class RegexTest {

    public static void main(String[] args) {
        // 去除单词与 , 和 . 之间的空格
        String Str = "Hello , World .";
        String pattern = "(\w)(\s+)([.,])";
        // $0 匹配 `(w)(s+)([.,])` 结果为 `o空格,` 和 `d空格.`
        // $1 匹配 `(w)` 结果为 `o` 和 `d`
        // $2 匹配 `(s+)` 结果为 `空格` 和 `空格`
        // $3 匹配 `([.,])` 结果为 `,` 和 `.`
        System.out.println(Str.replaceAll(pattern, "$1$3")); // Hello, World.
    }
}

当我们在小括号 () 内的模式开头加入 ?:，那么表示这个模式仅分组，但不创建反向引用。

否定先行断言

我们可以创建否定先行断言模式的匹配，即某个字符串后面不包含另一个字符串的匹配模式。

否定先行断言模式通过 (?!pattern) 定义。比如，我们匹配后面不是跟着 "b" 的 "a"：a(?!b)

Java中的反斜杠

反斜杠 在 Java 中表示转义字符，这意味着 在 Java 拥有预定义的含义。

这里例举两个特别重要的用法：

• 在匹配 . 或 { 或 [ 或 ( 或 ? 或 $ 或 ^ 或 * 这些特殊字符时，需要在前面加上 \，比如匹配 . 时，Java 中要写为 \.，但对于正则表达式来说就是 .。
• 在匹配 时，Java 中要写为 \\，但对于正则表达式来说就是 \。

注意：Java 中的正则表达式字符串有两层含义，首先 Java 字符串转义出符合正则表达式语法的字符串，然后再由转义后的正则表达式进行模式匹配。

在字符串中使用正则表达式

在 Java 中有四个内置的运行正则表达式的方法，分别是 matches()、split())、replaceFirst()、replaceAll()。注意 replace() 方法不支持正则表达式。

方法	描述
s.matchs("regex")	当且仅当正则匹配整个字符串时返回true
s.split("regex")	按匹配的正则表达式切片字符串
s,replaceFirst("regex","replacement")	替换首次匹配的字符串片段
s.replaceAll("regex","replacement")	替换所有匹配的字符

模式和匹配

Java 中使用正则表达式需要用到两个类，分别为 java.util.regex.Pattern 和 java.util.regex.Matcher。

package com.wuxianjiezh.regex;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class RegexTest {

    public static void main(String[] args) {
        String text = "Hello Regex!";
		//第一步通过正则表达式创建模式对象Pattern
        Pattern pattern = Pattern.compile("\w+");
        // Java 中忽略大小写，有两种写法：
        // Pattern pattern = Pattern.compile("\w+", Pattern.CASE_INSENSITIVE);
        // Pattern pattern = Pattern.compile("(?i)\w+"); // 推荐写法
        //第二步，通过模式对象根据自定字符串创建匹配对象
        Matcher matcher = pattern.matcher(text);
        //第三步，根据匹配对象Matcher根据正则表达式创建对象
        // 遍例所有匹配的序列
        while (matcher.find()) {
            System.out.print("Start index: " + matcher.start());
            System.out.print(" End index: " + matcher.end() + " ");
            System.out.println(matcher.group());
        }
        // 创建第两个模式，将空格替换为 tab
        Pattern replace = Pattern.compile("\s+");
        Matcher matcher2 = replace.matcher(text);
        System.out.println(matcher2.replaceAll("	"));
    }
}

常见示例

匹配中文

[u4e00-u9fa5]+ 代表匹配中文字。

数字范围

正则表达式匹配数字范围时，首先要确定最大值与最小值，最后写中间值。比如，匹配 1990 到 2017。

注意：这里有个新手易范的错误，就是正则 [1990-2017]，实际这个正则只匹配 0 或 1 或 2 或 7 或 9 中的任一个字符。

"^1990$|^199[1-9]$|^20[0-1][0-6]$|^2017$" 为判断 1990-2017 正确的正则表达式

img标签的匹配

// 这里考虑了一些不规范的 img 标签写法，比如：空格、引号
Pattern pattern = Pattern.compile("<img\s+src=(?:[‘"])?(?<src>\w+.(jpg|png))(?:[‘"])?\s*/>");

参考资料：segmentfault，菜鸟