(90) 正则表达式 (下) / 计算机程序的思维逻辑

Posted 2021-05-02 老马说编程

介绍了正则表达式的语法，介绍了正则表达式相关的Java API，本节来讨论和分析一些常用的正则表达式，具体包括：

• 邮编
  

• 日期和时间
  

• 身份证
  

• URL

• 中文字符

对于同一个目的，正则表达式往往有多种写法，大多没有唯一正确的写法，本节的写法主要是示例。此外，写一个正则表达式，匹配希望匹配的内容往往比较容易，但让它不匹配不希望匹配的内容，则往往比较困难，也就是说，保证精确性经常是很难的，不过，很多时候，我们也没有必要写完全精确的表达式，需要写到多精确与你需要处理的文本和需求有关，另外，正则表达式难以表达的，可以通过写程序进一步处理。这么描述可能比较抽象，下面，我们会具体讨论分析。

邮编
邮编比较简单，就是6位数字，首位不能是0，所以表达式可以为：

[1-9][0-9]{5}

这个表达式可以用于验证输入是否为邮编，比如：

public static Pattern ZIP_CODE_PATTERN = Pattern.compile(
        "[1-9][0-9]{5}");

public static boolean isZipCode(String text) {
    return ZIP_CODE_PATTERN.matcher(text).matches();
}

但如果用于查找，这个表达式是不够的，看个例子：

文本中只有一个邮编，但输出却为：

100013
186123

这怎么办呢？可以使用介绍的环视边界匹配，对于左边界，它前面的字符不能是数字，环视表达式为：

(?<![0-9])

对于右边界，它右边的字符不能是数字，环视表达式为：

(?![0-9])

所以，完整的表达式可以为：

(?<![0-9])[1-9][0-9]{5}(?![0-9])

使用这个表达式，也就是说，将ZIP_CODE_PATTERN改为：

public static Pattern ZIP_CODE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "[1-9][0-9]{5}"
        + "(?![0-9])"); // 右边不能有数字

就可以输出期望的结果了。

非0开头的6位数字就一定是邮编吗？答案当然是否定的，所以，这个表达式也不是精确的，如果需要更精确的验证，可以写程序进一步检查。

手机号码

中国的手机号码都是11位数字，所以，最简单的表达式就是：

[0-9]{11}

不过，目前手机号第1位都是1，第2位取值为3、4、5、7、8之一，所以，更精确的表达式是：

1[3|4|5|7|8|][0-9]{9}

为方便表达手机号，手机号中间经常有连字符(即减号'-')，形如：

186-1234-5678

为表达这种可选的连字符，表达式可以改为：

1[3|4|5|7|8|][0-9]-?[0-9]{4}-?[0-9]{4}

在手机号前面，可能还有0、+86或0086，和手机号码之间可能还有一个空格，比如：

018612345678
[phone]
0086 18612345678

为表达这种形式，可以在号码前加如下表达式：

((0|\+86|0086)\s?)?

和邮编类似，如果为了抽取，也要在左右加环视边界匹配，左右不能是数字。所以，完整的表达式为：

(?<![0-9])((0|\+86|0086)\s?)?1[3|4|5|7|8|][0-9]-?[0-9]{4}-?[0-9]{4}(?![0-9])

用Java表示的代码为：

public static Pattern MOBILE_PHONE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "((0|\\+86|0086)\\s?)?" // 0 +86 0086
        + "1[3|4|5|7|8|][0-9]-?[0-9]{4}-?[0-9]{4}" // 186-1234-5678
        + "(?![0-9])"); // 右边不能有数字

0[0-9]{2,3}

市内号码表达式为：

[0-9]{7,8}

区号可能用括号包含，区号与市内号码之间可能有连字符，如以下形式：

010-62265678
[phone]

整个区号是可选的，所以整个表达式为：

(\(?0[0-9]{2,3}\)?-?)?[0-9]{7,8}

再加上左右边界环视，完整的Java表示为：

public static Pattern FIXED_PHONE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "(\\(?0[0-9]{2,3}\\)?-?)?" // 区号
        + "[0-9]{7,8}"// 市内号码
        + "(?![0-9])"); // 右边不能有数字

日期
日期的表示方式有很多种，我们只看一种，形如：

2017-06-21
2016-11-1

年月日之间用连字符分隔，月和日可能只有一位。

最简单的正则表达式可以为：

\d{4}-\d{1,2}-\d{1,2}

年一般没有限制，但月只能取值1到12，日只能取值1到31，怎么表达这种限制呢？

对于月，有两种情况，1月到9月，表达式可以为：

0?[1-9]

10月到12月，表达式可以为：

1[0-2]

所以，月的表达式为：

(0?[1-9]|1[0-2])

对于日，有三种情况：

• 1到9号，表达式为：0?[1-9]
  

• 10号到29号，表达式为：[1-2][0-9]
  

• 30号和31号，表达式为：3[01]
  

所以，整个表达式为：

\d{4}-(0?[1-9]|1[0-2])-(0?[1-9]|[1-2][0-9]|3[01])

加上左右边界环视，完整的Java表示为：

public static Pattern DATE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "\\d{4}-" // 年
        + "(0?[1-9]|1[0-2])-" // 月
        + "(0?[1-9]|[1-2][0-9]|3[01])"// 日
        + "(?![0-9])"); // 右边不能有数字

时间
考虑24小时制，只考虑小时和分钟，小时和分钟都用固定两位表示，格式如下：

10:57

基本表达式为：

\d{2}:\d{2}

小时取值范围为0到23，更精确的表达式为：

([0-1][0-9]|2[0-3])

分钟取值范围为0到59，更精确的表达式为：

[0-5][0-9]

所以，整个表达式为：

([0-1][0-9]|2[0-3]):[0-5][0-9]

加上左右边界环视，完整的Java表示为：

public static Pattern TIME_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "([0-1][0-9]|2[0-3])" // 小时
        + ":" + "[0-5][0-9]"// 分钟
        + "(?![0-9])"); // 右边不能有数字

身份证
身份证有一代和二代之分，一代是15位数字，二代是18位，都不能以0开头，对于二代身份证，最后一位可能为x或X，其他是数字。

一代身份证表达式可以为：

[1-9][0-9]{14}

二代身份证可以为：

[1-9][0-9]{16}[0-9xX]

这两个表达式的前面部分是相同的，二代身份证多了如下内容：
[0-9]{2}[0-9xX]

所以，它们可以合并为一个表达式，即：

[1-9][0-9]{14}([0-9]{2}[0-9xX])?

加上左右边界环视，完整的Java表示为：

public static Pattern ID_CARD_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "[1-9][0-9]{14}" // 一代身份证
        + "([0-9]{2}[0-9xX])?" // 二代身份证多出的部分
        + "(?![0-9])"); // 右边不能有数字

192.168.3.5

点号分隔，4段数字，每个数字范围是0到255。最简单的表达式为：

(\d{1,3}\.){3}\d{1-3}

\d{1,3}太简单，没有满足0到255之间的约束，要满足这个约束，就要分多种情况考虑。

值是1位数，前面可能有0到2个0，表达式为：

0{0,2}[0-9]

值是两位数，前面可能有一个0，表达式为：

0?[0-9]{2}

值是三位数，又要分为多种情况。以1开头的，后两位没有限制，表达式为：

1[0-9]{2}

以2开头的，如果第二位是0到4，则第三位没有限制，表达式为：

2[0-4][0-9]

如果第二位是5，则第三位取值为0到5，表达式为：

25[0-5]

所以，\d{1,3}更为精确的表示为：

(0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])

public static Pattern IP_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "((0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])\\.){3}"
        + "(0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])"
        + "(?![0-9])"); // 右边不能有数字

     
URL
URL的格式比较复杂，其规范定义在https://tools.ietf.org/html/rfc1738，我们只考虑http协议，其通用格式是：

http://<host>:<port>/<path>?<searchpart>

开始是http://，接着是主机名，主机名之后是可选的端口，再之后是可选的路径，路径后是可选的查询字符串，以?开头。

一些例子：

http://www.example.com
http://www.example.com/ab/c/def.html
http://www.example.com:8080/ab/c/def?q1=abc&q2=def

主机名中的字符可以是字母、数字、减号和点号，所以表达式可以为：

[-0-9a-zA-Z.]+

端口部分可以写为：

(:\d+)?

路径由多个子路径组成，每个子路径以/开头，后跟零个或多个非/的字符，简单的说，表达式可以为：

(/[^/]*)*

更精确的说，把所有允许的字符列出来，表达式为：

(/[-\w$.+!*'(),%;:@&=]*)*

对于查询字符串，简单的说，由非空字符串组成，表达式为：

\?[\S]*

更精确的，把所有允许的字符列出来，表达式为：

\?[-\w$.+!*'(),%;:@&=]*

路径和查询字符串是可选的，且查询字符串只有在至少存在一个路径的情况下才能出现，其模式为：

(/<sub_path>(/<sub_path>)*(\?<search>)?)?

所以，路径和查询部分的简单表达式为：

(/[^/]*(/[^/]*)*(\?[\S]*)?)?

精确表达式为：

(/[-\w$.+!*'(),%;:@&=]*(/[-\w$.+!*'(),%;:@&=]*)*(\?[-\w$.+!*'(),%;:@&=]*)?)?

HTTP的完整Java表达式为：

public static Pattern HTTP_PATTERN = Pattern.compile(
        "http://" + "[-0-9a-zA-Z.]+" // 主机名
        + "(:\\d+)?" // 端口
        + "(" // 可选的路径和查询 - 开始
            + "/[-\\w$.+!*'(),%;:@&=]*" // 第一层路径
            + "(/[-\\w$.+!*'(),%;:@&=]*)*" // 可选的其他层路径
            + "(\\?[-\\w$.+!*'(),%;:@&=]*)?" // 可选的查询字符串
        + ")?"); // 可选的路径和查询 - 结束

[e-mail]

对于用户名部分，它的要求是：4-16个字符，可使用英文小写、数字、下划线，但下划线不能在首尾。

怎么验证用户名呢？可以为：

[a-z0-9][a-z0-9_]{2,14}[a-z0-9]

新浪邮箱的完整Java表达式为：

public static Pattern SINA_EMAIL_PATTERN = Pattern.compile(
        "[a-z0-9]" 
        + "[a-z0-9_]{2,14}"
        + "[a-z0-9]@sina\\.com");

       
我们再来看QQ邮箱，它对于用户名的要求为：

• 3-18字符，可使用英文、数字、减号、点或下划线
  

• 必须以英文字母开头，必须以英文字母或数字结尾
  

• 点、减号、下划线不能连续出现两次或两次以上
  

如果只有第一条，可以为：

[-0-9a-zA-Z._]{3,18}

为满足第二条，可以改为：

[a-zA-Z][-0-9a-zA-Z._]{1,16}[a-zA-Z0-9]

怎么满足第三条呢？可以使用边界环视，左边加如下表达式：

(?![-0-9a-zA-Z._]*(--|\.\.|__))

完整表达式可以为：

(?![-0-9a-zA-Z._]*(--|\.\.|__))[a-zA-Z][-0-9a-zA-Z._]{1,16}[a-zA-Z0-9]

QQ邮箱的完整Java表达式为：

public static Pattern QQ_EMAIL_PATTERN = Pattern.compile(
        "(?![-0-9a-zA-Z._]*(--|\\.\\.|__))" // 点、减号、下划线不能连续出现两次或两次以上
        + "[a-zA-Z]" // 必须以英文字母开头
        + "[-0-9a-zA-Z._]{1,16}" // 3-18位 英文、数字、减号、点、下划线组成
        + "[a-zA-Z0-9]@qq\\.com"); // 由英文字母、数字结尾       

以上都是特定邮箱服务商的要求，一般的邮箱是什么规则呢？一般而言，以@作为分隔符，前面是用户名，后面是域名。

用户名的一般规则是：

• 由英文字母、数字、下划线、减号、点号组成
  

• 至少1位，不超过64位
  

• 开头不能是减号、点号和下划线
  

比如：

[e-mail]

这个表达式可以为：

[0-9a-zA-Z][-._0-9a-zA-Z]{0,63}

域名部分以点号分隔为多个部分，至少有两个部分。最后一部分是顶级域名，由2到3个英文字母组成，表达式可以为：

[a-zA-Z]{2,3}

对于域名的其他点号分隔的部分，每个部分一般由字母、数字、减号组成，但减号不能在开头，长度不能超过63个字符，表达式可以为：

[0-9a-zA-Z][-0-9a-zA-Z]{0,62}

 
所以，域名部分的表达式为：

([0-9a-zA-Z][-0-9a-zA-Z]{0,62}\.)+[a-zA-Z]{2,3}

完整的Java表示为：

public static Pattern GENERAL_EMAIL_PATTERN = Pattern.compile(
        "[0-9a-zA-Z][-._0-9a-zA-Z]{0,63}" // 用户名
        + "@"
        + "([0-9a-zA-Z][-0-9a-zA-Z]{0,62}\\.)+" // 域名部分
        + "[a-zA-Z]{2,3}"); // 顶级域名

     
中文字符
中文字符的Unicode编号一般位于\u4e00和\u9fff之间，所以匹配任意一个中文字符的表达式可以为：

[\u4e00-\u9fff]

Java表达式为：

public static Pattern CHINESE_PATTERN = Pattern.compile(
        "[\\u4e00-\\u9fff]");

小结
本节详细讨论和分析了一些常见的正则表达式，在实际开发中，有些可以直接使用，有些需要根据具体文本和需求进行调整。

至此，关于正则表达式，我们就介绍完了，相信你对正则表达式一定有了一个更为清晰透彻的理解！

在之前的章节中，我们都是基于Java 7讨论的，从下节开始，我们探讨Java 8的一些特性，尤其是函数式编程。

(与其他章节一样，本节所有代码位于 https://github.com/swiftma/program-logic，位于包shuo.laoma.regex.c90下)

---

持续更新，关注"老马说编程"，老马和你一起探索编程及计算机技术的本质。用心原创，保留所有版权。