本系列文章經補充和完善，已修訂整理成書《Java程式設計的邏輯》（馬俊昌著），由機械工業出版社華章分社出版，於2018年1月上市熱銷，讀者好評如潮！各大網店和書店有售，歡迎購買：京東自營連結
上節我們提到了正規表示式，它提升了文字處理的表達能力，本節就來討論正規表示式，它是什麼？有什麼用？各種特殊字元都是什麼含義？如何用Java藉助正規表示式處理文字？都有哪些常用正規表示式？由於內容較多，我們分為三節進行探討，本節先簡要探討正規表示式的語法。
正規表示式是一串字元，它描述了一個文字模式，利用它可以方便的處理文字，包括文字的查詢、替換、驗證、切分等。
正規表示式中的字元有兩類，一類是普通字元，就是匹配字元本身，另一類是元字元，這些字元有特殊含義，這些元字元及其特殊含義就構成了正規表示式的語法。
正規表示式有一個比較長的歷史，各種與文字處理有關的工具、編輯器和系統都支援正規表示式，大部分程式語言也都支援正規表示式。雖然都叫正規表示式，但由於歷史原因，不同語言、系統和工具的語法不太一樣，本文主要針對Java語言，其他語言可能有所差別。
下面，我們就來簡要介紹正規表示式的語法，我們先分為以下部分分別介紹：
- 單個字元
- 字元組
- 量詞
- 分組
- 特殊邊界匹配
- 環視邊界匹配
最後針對轉義、匹配模式和各種語法進行總結。
單個字元
大部分的單個字元就是用字元本身表示的，比如字元`0`,`3`,`a`,`馬`等，但有一些單個字元使用多個字元表示，這些字元都以斜槓“開頭，比如：
- 特殊字元，比如tab字元` `，換行符`
`，回車符`
`等； - 八進位制表示的字元，以 開頭，後跟1到3位數字，比如 141，對應的是ASCII編碼為97的字元，即字元`a`；
- 十六進位制表示的字元，以x開頭，後跟兩位字元，比如x6A，對應的是ASCII編碼為106的字元，即字元`j`；
- Unicode編號表示的字元，以u開頭，後跟四位字元，比如u9A6C，表示的是中文字元`馬`，這隻能表示編號在0xFFFF以下的字元，如果超出0XFFFF，使用x{…}形式，比如對於字元`?`，可以使用x{1f48e}；
- 斜槓本身，斜槓是一個元字元，如果要匹配它自身，使用兩個斜槓表示，即
`\`； - 元字元本身，除了“，正規表示式中還有很多元字元，比如. * ? +等，要匹配這些元字元自身，需要在前面加轉義字元“，比如
`.`。
字元組
任意字元
點號字元`.`是一個元字元，預設模式下，它匹配除了換行符以外的任意字元，比如正規表示式：
a.f
複製程式碼既匹配字串”abf”，也匹配”acf”。
可以指定另外一種匹配模式，一般稱為單行匹配模式或者叫點號匹配模式，在此模式下，`.`匹配任意字元，包括換行符。
可以有兩種方式指定匹配模式，一種是在正規表示式中，以(?s)開頭，s表示single line，即單行匹配模式，比如：
(?s)a.f
複製程式碼另外一種是在程式中指定，在Java中，對應的模式常量是Pattern.DOTALL，下節我們再介紹Java API。
指定的多個字元之一
在單個字元和任意字元之間，有一個字元組的概念，匹配組中的任意一個字元，用中括號[]表示，比如：
[abcd]
複製程式碼匹配a, b, c, d中的任意一個字元。
[0123456789]
複製程式碼匹配任意一個數字字元。
字元區間
為方便表示連續的多個字元，字元組中可以使用連字元`-`，比如：
[0-9]
[a-z]
複製程式碼可以有多個連續空間，可以有其他普通字元，比如：
[0-9a-zA-Z_]
複製程式碼在字元組中，`-`是一個元字元，如果要匹配它自身，可以使用轉義，即`-`，或者把它放在字元組的最前面，比如：
[-0-9]
複製程式碼排除型字元組
字元組支援排除的概念，在[後緊跟一個字元^，比如：
[^abcd]
複製程式碼表示匹配除了a, b, c, d以外的任意一個字元。
[^0-9]
複製程式碼表示匹配一個非數字字元。
排除不是不能匹配，而是匹配一個指定字元組以外的字元，要表達不能匹配的含義，需要使用後文介紹的環視語法。
^只有在字元組的開頭才是元字元，如果不在開頭，就是普通字元，匹配它自身，比如：
[a^b]
複製程式碼就是匹配字元a, ^或b。
字元組內的元字元
在字元組中，除了^ – [ ] 外，其他在字元組外的元字元不再具備特殊含義，變成了普通字元，比如`.`，[.*]就是匹配`.`或者`*`本身。
字元組運算
字元組內可以包含字元組，比如：
[[abc][def]]
複製程式碼最後的字元組等同於[abcdef]，內部多個字元組等同於並集運算。
字元組內還支援交集運算，語法是使用&&，比如：
[a-z&&[^de]]
複製程式碼匹配的字元是a到z，但不能是d或e。
需要注意的是，其他語言可能不支援字元組運算。
預定義的字元組
有一些特殊的以開頭的字元，表示一些預定義的字元組，比如：
- d：d表示digit，匹配一個數字字元，等同於[0-9] ;
- w：w表示word，匹配一個單詞字元，等同於[a-zA-Z_0-9];
- s：s表示space，匹配一個空白字元，等同於[
x0Bf
]。
它們都有對應的排除型字元組，用大寫表示，即：
- D：匹配一個非數字字元，即[^d] ;
- W：匹配一個非單詞字元，即[^w];
- S：匹配一個非空白字元，即[^s]。
POSIX字元組
還有一類字元組，稱為POSIX字元組，POSIX是一個標準，POSIX字元組是POSIX標準定義的一些字元組，在Java中，這些字元組的形式是p{…}，比如：
- p{Lower}：小寫字母，等同於[a-z]；
- p{Upper}：大寫字母，等同於[A-Z];
- p{Digit}：數字，等同於[0-9]；
- p{Punct} ：標點符號，匹配
!"#$%&`()*+,-./:;<=>?@[]^_`{|}~中的一個。
POSIX字元組比較多，本文就不列舉了。
量詞
常用量詞 + * ?
量詞指的是指定出現次數的元字元，有三個常見的元字元+ * ?：
+：表示前面字元的一次或多次出現，比如正規表示式ab+c，既能匹配abc，也能匹配abbc，或abbbc；*：表示前面字元的零次或多次出現，比如正規表示式ab*c，既能匹配abc，也能匹配ac，或abbbc；?：表示前面字元可能出現，也可能不出現，比如正規表示式ab?c，既能匹配abc，也能匹配ac，但不能匹配abbc。
通用量詞 {m,n}
更為通用的表示出現次數的語法是{m,n}，出現次數從m到n，包括m和n，如果n沒有限制，可以省略，如果m和n一樣，可以寫為{m}，比如：
- ab{1,10}c：b可以出現1次到10次
- ab{3}c：b必須出現三次，即只能匹配abbbc
- ab{1,}c：與ab+c一樣
- ab{0,}c：與ab*c一樣
- ab{0,1}c：與ab?c一樣
需要注意的是，語法必須是嚴格的{m,n}形式，逗號左右不能有空格。
?, *, +, {是元字元，如果要匹配這些字元本身，需要使用“轉義，比如
a*b
複製程式碼匹配字串”a*b”。
這些量詞出現在字元組中時，不是元字元，比如表示式
[?*+{]
複製程式碼就是匹配其中一個字元本身。
貪婪與懶惰
關於量詞，它們的預設匹配是貪婪的，什麼意思呢？看個例子，正規表示式是：
<a>.*</a>
複製程式碼如果要處理的字串是：
<a>first</a><a>second</a>
複製程式碼目的是想得到兩個匹配，一個匹配：
<a>first</a>
複製程式碼另一個匹配：
<a>second</a>
複製程式碼但預設情況下，得到的結果卻只有一個匹配，匹配所有內容。
這是因為.*可以匹配第一個<a>和最後一個</a>之間的所有字元，只要能匹配，.*就儘量往後匹配，它是貪婪的。如果希望在碰到第一個匹配時就停止呢？應該使用懶惰量詞，在量詞的後面加一個符號`?`，針對上例，將表示式改為：
<a>.*?</a>
複製程式碼就能得到期望的結果。
所有量詞都有對應的懶惰形式，比如：x??, x*?, x+?, x{m,n}?等。
分組
表示式可以用括號()括起來，表示一個分組，比如a(bc)d，bc就是一個分組，分組可以巢狀，比如a(de(fg))。
捕獲分組
分組預設都有一個編號，按照括號的出現順序，從1開始，從左到右依次遞增，比如表示式：
a(bc)((de)(fg))
複製程式碼字串abcdefg匹配這個表示式，第1個分組為bc，第2個為defg，第3個為de，第4個為fg。分組0是一個特殊分組，內容是整個匹配的字串，這裡是abcdefg。
分組匹配的子字串可以在後續訪問，好像被捕獲了一樣，所以預設分組被稱為捕獲分組。關於如何在Java中訪問和使用捕獲分組，我們下節再介紹。
分組量詞
可以對分組使用量詞，表示分組的出現次數，比如a(bc)+d，表示bc出現一次或多次。
分組多選
中括號[]表示匹配其中的一個字元，括號()和元字元`|`一起，可以表示匹配其中的一個子表示式，比如
(http|ftp|file)
複製程式碼匹配http或ftp或file。
需要注意區分|和[]，|用於[]中不再有特殊含義，比如
[a|b]
```
它的含義不是匹配a或b，而是a或|或b。
### 回溯引用
在正規表示式中，可以使用斜槓加分組編號引用之前匹配的分組，這稱之為<span style="color:blue">回溯引用</span>，比如：
```
<(w+)>(.*)</1>
```
1匹配之前的第一個分組(w+)，這個表示式可以匹配類似如下字串：
```
<title>bc</title>
```
這裡，第一個分組是"title"。
### 命名分組
使用數字引用分組，可能容易出現混亂，可以對分組進行命名，通過名字引用之前的分組，對分組命名的語法是`(?<name>X)`，引用分組的語法是`k<name>`，比如，上面的例子可以寫為：
```
<(?<tag>w+)>(.*)</k<tag>>
```
### 非捕獲分組
預設分組都稱之為捕獲分組，即分組匹配的內容被捕獲了，可以在後續被引用，實現捕獲分組有一定的成本，為了提高效能，如果分組後續不需要被引用，可以改為<span style="color:blue">非捕獲分組</span>，語法是(?:...)，比如：
```
(?:abc|def)
```
## 特殊邊界匹配
在正規表示式中，除了可以指定字元需滿足什麼條件，還可以指定字元的邊界需滿足什麼條件，或者說匹配特定的邊界，常用的表示特殊邊界的元字元有^, $, A, , z和。
### 邊界 ^
預設情況下，^匹配整個字串的開始，^abc表示整個字串必須以abc開始。
需要注意的是^的含義，在字元組中它表示排除，但在字元組外，它匹配開始，比如表示式^[^abc]，表示以一個不是a,b,c的字元開始。
### 邊界 $
預設情況下，$匹配整個字串的結束，不過，如果整個字串以換行符結束，$匹配的是換行符之前的邊界，比如表示式abc$，表示整個表示式以abc結束，或者以abc
或abc
結束。
### 多行匹配模式
以上^和$的含義是預設模式下的，可以指定另外一種匹配模式，<span style="color:blue">多行匹配模式</span>，在此模式下，會以行為單位進行匹配，^匹配的是行開始，$匹配的是行結束，比如表示式是^abc$，字串是"abc
abc
"，就會有兩個匹配。
可以有兩種方式指定匹配模式，一種是在正規表示式中，以(?m)開頭，m表示multiline，即多行匹配模式，上面的正規表示式可以寫為：
```
(?m)^abc$
```
另外一種是在程式中指定，在Java中，對應的模式常量是Pattern.MULTILINE，下節我們再介紹Java API。
需要說明的是，多行模式和之前介紹的單行模式容易混淆，其實，它們之間沒有關係，<span style="color:blue">單行模式影響的是字元`.`的匹配規則</span>，使得`.`可以匹配換行符，<span style="color:blue">多行模式影響的是^和$的匹配規則</span>，使得它們可以匹配行的開始和結束，兩個模式可以一起使用。
### 邊界 A
A與^類似，但不管什麼模式，它匹配的總是整個字串的開始邊界。
### 邊界 和z
和z與$類似，但不管什麼模式，它們匹配的總是整個字串的結束，與z的區別是，如果字串以換行符結束，與$一樣，匹配的是換行符之前的邊界，而z匹配的總是結束邊界。在進行輸入驗證的時候，為了確保輸入最後沒有多餘的換行符，可以使用z進行匹配。
### 單詞邊界
匹配的是單詞邊界，比如cat，匹配的是完整的單詞cat，它不能匹配category，<span style="color:blue">匹配的不是一個具體的字元，而是一種邊界，這種邊界滿足一個要求，即一邊是單詞字元，另一邊不是單詞字元</span>。在Java中，識別的單詞字元除了w，還包括中文字元。
## 到底什麼是邊界匹配？
邊界匹配可能難以理解，我們強調下，到底什麼是邊界匹配。<span style="color:red">邊界匹配不同於字元匹配，可以認為，在一個字串中，每個字元的兩邊都是邊界，而上面介紹的這些特殊字元，匹配的都不是字元，而是特定的邊界</span>，看個例子：
上面的字串是"a cat
"，我們用粗線顯示出了每個字元兩邊的邊界，並且顯示出了每個邊界與哪些邊界元字元匹配。
## 環視邊界匹配
### 定義
對於邊界匹配，除了使用上面介紹的邊界元字元，還有一種更為通用的方式，那就是環視，<span style="color:red">環視的字面意思就是左右看看，需要左右符合一些條件，本質上，它也是匹配邊界，對邊界有一些要求，這個要求是針對左邊或右邊的字串的</span>，根據要求不同，分為四種環視：
- <span style="color:blue">肯定順序環視</span>，語法是(?=...)，要求右邊的字串匹配指定的表示式，比如表示式abc(?=def)，(?=def)在字元c右面，即匹配c右面的邊界，對這個邊界的要求是，它的右邊有def，比如abcdef，如果沒有，比如abcd，則不匹配；
- <span style="color:blue">否定順序環視</span>，語法是(?!...)，要求右邊的字串不能匹配指定的表示式，比如表示式s(?!ing)，匹配一般的s，但不匹配後面有ing的s；
- <span style="color:blue">肯定逆序環視</span>，語法是(?<=...)，要求左邊的字串匹配指定的表示式，比如表示式(?<=s)abc，(?<=s)在字元a左邊，即匹配a左邊的邊界，對這個邊界的要求是，它的左邊必須是空白字元；
- <span style="color:blue">否定逆序環視</span>，語法是(?<!...)，要求左邊的字串不能匹配指定的表示式，比如表示式(?<!w)cat，(?<!w)在字元c左邊，即匹配c左邊的邊界，對這個邊界的要求是，它的左邊不能是單詞字元。
可以看出，環視也使用括號()，不過，它不是分組，不佔用分組編號。
這些環視結構也被稱為<span style="color:blue">斷言，斷言的物件是邊界，邊界不佔用字元，沒有寬度，所以也被稱為零寬度斷言</span>。
### 否定順序環視與排除型字元組
關於否定順序環視，我們要避免與排除型字元組混淆，即區分s(?!ing)與s[^ing]，s[^ing]匹配的是兩個字元，第一個是s，第二個是i, n, g以外的任意一個字元。還要注意，寫法s(^ing)是不對的，^匹配的是起始位置。
### 出現在左邊的順序環視
順序環視也可以出現在左邊，比如表示式：
```
(?=.*[A-Z])w+
```
這個表示式是什麼意思呢？
w+匹配多個單詞字元，(?=.*[A-Z])匹配單詞字元的左邊界，這是一個肯定順序環視，對這個邊界的要求是，它右邊的字串匹配表示式：
```
.*[A-Z]
```
也就是說，它右邊至少要有一個大寫字母。
### 出現在右邊的逆序環視
逆序環視也可以出現在右邊，比如表示式：
```
[w.]+(?<!.)
```
[w.]+匹配單詞字元和字元`.`構成的字串，比如"hello.ma"。`(?<!.)`匹配字串的右邊界，這是一個逆序否定環視，對這個邊界的要求是，它左邊的字元不能是`.`，也就是說，如果字串以`.`結尾，則匹配的字串中不能包括這個`.`，比如，如果字串是"hello.ma."，則匹配的子字串是"hello.ma"。
### 並行環視
<span style="color:blue">環視匹配的是一個邊界，裡面的表示式是對這個邊界左邊或右邊字串的要求，對同一個邊界，可以指定多個要求</span>，即寫多個環視，比如表示式：
```
(?=.*[A-Z])(?=.*[0-9])w+
```
w+的左邊界有兩個要求，`(?=.*[A-Z])`要求後面至少有一個大寫字母，`(?=.*[0-9])`要求後面至少有一位數字。
## 轉義與匹配模式
### 轉義
我們知道，字元``表示轉義，轉義有兩種：
- <span style="color:blue">把普通字元轉義，使其具備特殊含義</span>，比如```` `, `
`, `d`, `w`, ``, `A````等，也就是說，這個轉義把普通字元變為了元字元；
- <span style="color:blue">把元字元轉義，使其變為普通字元</span>，比如````.`, `*`, `?`,`(`, `\````等。
記住所有的元字元，並在需要的時候進行轉義，這是比較困難的，有一個簡單的辦法，可以將所有元字元看做普通字元，就是在開始處加上Q，在結束處加上E，比如：
```
Q(.*+)E
```
Q和E之間的所有字元都會被視為普通字元。
正規表示式用字串表示，在Java中，字元``也是字串語法中的元字元，這使得正規表示式中的``，在Java字串表示中，要用兩個``，即````\````，而要匹配字元``本身，在Java字串表示中，要用四個``，即````\\````，關於這點，下節我們會進一步說明。
### 匹配模式
前面提到了兩種匹配模式，還有一種常用的匹配模式，就是不區分大小寫的模式，指定方式也有兩種，一種是在正規表示式開頭使用(?i)，i為ignore，比如：
```
(?i)the
```
既可以匹配the，也可以匹配THE，還可以匹配The。
也可以在程式中指定，Java中對應的變數是Pattern.CASE_INSENSITIVE。
需要說明的是，匹配模式間不是互斥的關係，它們可以一起使用，在正規表示式中，可以指定多個模式，比如(?smi)。
### 語法總結
下面，我們用表格的形式簡要彙總下正規表示式的語法。
## 小結
本節簡要介紹了正規表示式中的語法，下一節，我們來探討相關的Java API。
----------------
未完待續，檢視最新文章，敬請關注微信公眾號“老馬說程式設計”(掃描下方二維碼)，從入門到高階，深入淺出，老馬和你一起探索Java程式設計及計算機技術的本質。用心原創，保留所有版權。
複製程式碼