JavaSE基礎:”頭疼”的正規表示式

胖先森發表於2019-01-23

正規表示式

1.正則是啥?

正規表示式: 定義一個搜尋模式的字串。正規表示式可以用於搜尋、編輯和操作文字.

正則對文字的分析或修改過程為: 首先正規表示式應用的是文字字串(text/string),它會以定義的模式從左到右匹配文字,每個源字元只匹配一次.

請說人話:

正則就是用有限的符號,表達無限的序列!

說白了人就是懶,想少寫多做!


正規表示式 匹配
this is text 精確匹配字串 “this is text”
thiss+iss+text 匹配單詞 “this” 後跟一個或多個空格字元,後跟詞 “is” 後跟一個或多個空格字元,後跟詞 “text”
^d+(.d+)? ^ 定義模式必須匹配字串的開始,d+ 匹配一個或多個數字,? 表明小括號內的語句是可選的,. 匹配 “.”,小括號表示分組。例如匹配:”5″、”1.5” 和 “2.21”

2.正規表示式的規則

2.1 常見匹配符號

正規表示式 描述
. 匹配所有單個字元,除了換行符(Linux 中換行是 n,Windows 中換行是 rn)
^regex 正則必須匹配字串開頭
regex$ 正則必須匹配字串結尾
[abc] 複選集定義,匹配字母 a 或 b 或 c
[abc][vz] 複選集定義,匹配字母 a 或 b 或 c,後面跟著 v 或 z
[^abc] 當插入符 ^ 在中括號中以第一個字元開始顯示,則表示否定模式。此模式匹配所有字元,除了 a 或 b 或 c
[a-d1-7] 範圍匹配,匹配字母 a 到 d 和數字從 1 到 7 之間,但不匹配 d1
XZ 匹配 X 後直接跟著 Z
X|Z 匹配 X 或 Z

這些符號必須要記住

2.2 元字元

元字元是一個預定義的字元。

正規表示式 描述
d 匹配一個數字,是 [0-9] 的簡寫
D 匹配一個非數字,是 [^0-9] 的簡寫
s 匹配一個空格,是 [
x0b
f]
的簡寫
S 匹配一個非空格
w 匹配一個單字字元(大小寫字母、數字、下劃線),是 [a-zA-Z_0-9] 的簡寫
W 匹配一個非單字字元(除了大小寫字母、數字、下劃線之外的字元),等同於 [^w]

2.3 限定字元

限定符定義了一個元素可以發生的頻率。

正規表示式 描述 舉例
* 匹配 >=0 個,是 {0,} 的簡寫 X* 表示匹配零個或多個字母 X,.* 表示匹配任何字串
+ 匹配 >=1 個,是 {1,} 的簡寫 X+ 表示匹配一個或多個字母 X
? 匹配 1 個或 0 個,是 {0,1} 的簡寫 X? 表示匹配 0 個或 1 個字母 X
{X} 只匹配 X 個字元 d{3} 表示匹配 3 個數字,.{10} 表示匹配任何長度是 10 的字串
{X,Y} 匹配 >=X 且 <=Y 個 d{1,4} 表示匹配至少 1 個最多 4 個數字
*? 如果 ? 是限定符 *+?{} 後面的第一個字元,那麼表示非貪婪模式(儘可能少的匹配字元),而不是預設的貪婪模式

2.4 分組和反向引用

小括號 () 可以達到對正規表示式進行分組的效果。

模式分組後會在正規表示式中建立反向引用。反向引用會儲存匹配模式分組的字串片斷,這使得我們可以獲取並使用這個字串片斷。

在以正規表示式替換字串的語法中,是通過 $ 來引用分組的反向引用,$0 是匹配完整模式的字串(注意在 JavaScript 中是用 $& 表示);$1 是第一個分組的反向引用;$2 是第二個分組的反向引用,以此類推。

package com.wuxianjiezh.demo.regex;

public class RegexTest {

    public static void main(String[] args) {
        // 去除單詞與 , 和 . 之間的空格
        String Str = "Hello , World .";
        String pattern = "(\w)(\s+)([.,])";
        // $0 匹配 `(w)(s+)([.,])` 結果為 `o空格,` 和 `d空格.`
        // $1 匹配 `(w)` 結果為 `o` 和 `d`
        // $2 匹配 `(s+)` 結果為 `空格` 和 `空格`
        // $3 匹配 `([.,])` 結果為 `,` 和 `.`
        System.out.println(Str.replaceAll(pattern, "$1$3")); // Hello, World.
    }
}
複製程式碼

上面的例子中,我們使用了 [.] 來匹配普通字元 . 而不需要使用 [\.]。因為正則對於 [] 中的 .,會自動處理為 [.],即普通字元 . 進行匹配。

2.4.1 僅分組但無反向引用

當我們在小括號 () 內的模式開頭加入 ?:,那麼表示這個模式僅分組,但不建立反向引用。

package com.wuxianjiezh.regex;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class RegexTest {

    public static void main(String[] args) {
        String str = "img.jpg";
        // 分組且建立反向引用
        Pattern pattern = Pattern.compile("(jpg|png)");
        Matcher matcher = pattern.matcher(str);
        while (matcher.find()) {
            System.out.println(matcher.group());//$0
            System.out.println(matcher.group(1));//$1
        }
    }
}
複製程式碼

執行結果為:

jpg

jpg

若原始碼改為:

package com.wuxianjiezh.regex;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class RegexTest {

    public static void main(String[] args) {
        String str = "img.jpg";
        // 分組但不建立反向引用
        Pattern pattern = Pattern.compile("(?:jpg|png)");
        Matcher matcher = pattern.matcher(str);
        while (matcher.find()) {
            System.out.println(matcher.group());
            System.out.println(matcher.group(1));
        }
    }
}
複製程式碼

執行結果為:

jpg
Exception in thread “main” java.lang.IndexOutOfBoundsException: No group 1
at java.util.regex.Matcher.group(Matcher.java:538)
at com.wuxianjiezh.regex.RegexTest.main(RegexTest.java:15)

2.4.2 分組的反向引用副本

Java 中可以在小括號中使用 ? 將小括號中匹配的內容儲存為一個名字為 name 的副本。

package com.wuxianjiezh.regex;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class RegexTest {

    public static void main(String[] args) {
        String str = "@wxj 你好啊";
        Pattern pattern = Pattern.compile("@(?<first>\w+\s)"); // 儲存一個副本
        Matcher matcher = pattern.matcher(str);
        while (matcher.find()) {
            System.out.println(matcher.group());
            System.out.println(matcher.group(1));
            System.out.println(matcher.group("first"));
        }
    }
}
複製程式碼

執行結果為:

@wxj
wxj
wxj

2.5 否定先行斷言(Negative lookahead)

我們可以建立否定先行斷言模式的匹配,即某個字串後面不包含另一個字串的匹配模式。

否定先行斷言模式通過 (?!pattern) 定義。比如,我們匹配後面不是跟著 “b” 的 “a”:

a(?!b)
複製程式碼

2.6 指定正規表示式的模式

可以在正則的開頭指定模式修飾符。

  • (?i) 使正則忽略大小寫。
  • (?s) 表示單行模式(”single line mode”)使正則的 . 匹配所有字元,包括換行符。
  • (?m) 表示多行模式(”multi-line mode”),使正則的 ^$ 匹配字串中每行的開始和結束。

2.7 Java 中的反斜槓

反斜槓 在 Java 中表示轉義字元,這意味著 在 Java 擁有預定義的含義。

這裡例舉兩個特別重要的用法:

  • 在匹配 .{[(?$^* 這些特殊字元時,需要在前面加上 \,比如匹配 . 時,Java 中要寫為 \.,但對於正規表示式來說就是 .
  • 在匹配 時,Java 中要寫為 \\,但對於正規表示式來說就是 \

注意:Java 中的正規表示式字串有兩層含義,首先 Java 字串轉義出符合正規表示式語法的字串,然後再由轉義後的正規表示式進行模式匹配。

2.8 易錯點示例

  • [jpg|png] 代表匹配 jpgpng 中的任意一個字元。
  • (jpg|png) 代表匹配 jpgpng

3.在字串中使用正規表示式

3.1 內建的字串正則處理方法

在 Java 中有四個內建的執行正規表示式的方法,分別是 matches()split())replaceFirst()replaceAll()。注意 replace() 方法不支援正規表示式。

方法 描述
s.matches("regex") 當僅且當正則匹配整個字串時返回 true
s.split("regex") 按匹配的正規表示式切片字串
s.replaceFirst("regex", "replacement") 替換首次匹配的字串片段
s.replaceAll("regex", "replacement") 替換所有匹配的字元
package com.wuxianjiezh.regex;

public class RegexTest {

    public static void main(String[] args) {
        System.out.println("wxj".matches("wxj"));
        System.out.println("----------");

        String[] array = "w x j".split("\s");
        for (String item : array) {
            System.out.println(item);
        }
        System.out.println("----------");

        System.out.println("w x j".replaceFirst("\s", "-"));
        System.out.println("----------");

        System.out.println("w x j".replaceAll("\s", "-"));
    }
}
複製程式碼

執行結果

true
----------
w
x
j
----------
w-x j
----------
w-x-j
複製程式碼

4.模式和匹配

Java 中使用正規表示式需要用到兩個類,分別為 java.util.regex.Patternjava.util.regex.Matcher

第一步,通過正規表示式建立模式物件 Pattern

第二步,通過模式物件 Pattern,根據指定字串建立匹配物件 Matcher

第三步,通過匹配物件 Matcher,根據正規表示式操作字串。

非常好的示例

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!";

        Pattern pattern = Pattern.compile("\w+");
        // Java 中忽略大小寫,有兩種寫法:
        // Pattern pattern = Pattern.compile("\w+", Pattern.CASE_INSENSITIVE);
        // Pattern pattern = Pattern.compile("(?i)\w+"); // 推薦寫法
        Matcher matcher = pattern.matcher(text);
        // 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());
        }
        // 建立第兩個模式,將空格替換為 tab
        Pattern replace = Pattern.compile("\s+");
        Matcher matcher2 = replace.matcher(text);
        System.out.println(matcher2.replaceAll("	"));
    }
}
複製程式碼

執行結果:

Start index: 0 End index: 5 Hello
Start index: 6 End index: 11 Regex
Hello    Regex!
複製程式碼

5.若干個常用例子

5.1 中文的匹配

[u4e00-u9fa5]+ 代表匹配中文字。

package com.wuxianjiezh.regex;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class RegexTest {

    public static void main(String[] args) {
        String str = "閑人到人間";
        Pattern pattern = Pattern.compile("[\u4e00-\u9fa5]+");
        Matcher matcher = pattern.matcher(str);
        while (matcher.find()) {
            System.out.println(matcher.group());
        }
    }
}
複製程式碼

執行結果:

閑人到人間
複製程式碼

5.2 數字範圍的匹配

比如,匹配 1990 到 2017。

**注意:**這裡有個新手易範的錯誤,就是正則 [1990-2017],實際這個正則只匹配 01279 中的任一個字元。

正規表示式匹配數字範圍時,首先要確定最大值與最小值,最後寫中間值。

正確的匹配方式:

package com.wuxianjiezh.regex;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class RegexTest {

    public static void main(String[] args) {
        String str = "1990
2010
2017";
        // 這裡應用了 (?m) 的多行匹配模式,只為方便我們測試輸出
        // "^1990$|^199[1-9]$|^20[0-1][0-6]$|^2017$" 為判斷 1990-2017 正確的正規表示式
        Pattern pattern = Pattern.compile("(?m)^1990$|^199[1-9]$|^20[0-1][0-6]$|^2017$");
        Matcher matcher = pattern.matcher(str);
        while (matcher.find()) {
            System.out.println(matcher.group());
        }
    }
}
複製程式碼

執行結果:

1990
2010
2017
複製程式碼

5.3 img 標籤的匹配

比如,獲取圖片檔案內容,這裡我們考慮了一些不規範的 img 標籤寫法:

package com.wuxianjiezh.regex;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class RegexTest {

    public static void main(String[] args) {
        String str = "<img  src=`aaa.jpg` /><img src=bbb.png/><img src="ccc.png"/>" +
                "<img src=`ddd.exe`/><img src=`eee.jpn`/>";
        // 這裡我們考慮了一些不規範的 img 標籤寫法,比如:空格、引號
        Pattern pattern = Pattern.compile("<img\s+src=(?:[`"])?(?<src>\w+.(jpg|png))(?:[`"])?\s*/>");
        Matcher matcher = pattern.matcher(str);
        while (matcher.find()) {
            System.out.println(matcher.group("src"));
        }
    }
}
複製程式碼

執行結果:

aaa.jpg
bbb.png
ccc.png
複製程式碼

5.4 貪婪與非貪婪模式的匹配

比如,獲取 div 標籤中的文字內容:

package com.wuxianjiezh.regex;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class RegexTest {

    public static void main(String[] args) {
        String str = "<div>文章標題</div><div>釋出時間</div>";
        // 貪婪模式
        Pattern pattern = Pattern.compile("<div>(?<title>.+)</div>");
        Matcher matcher = pattern.matcher(str);
        while (matcher.find()) {
            System.out.println(matcher.group("title"));
        }

        System.out.println("--------------");

        // 非貪婪模式
        pattern = Pattern.compile("<div>(?<title>.+?)</div>");
        matcher = pattern.matcher(str);
        while (matcher.find()) {
            System.out.println(matcher.group("title"));
        }
    }
}
複製程式碼

執行結果:

文章標題</div><div>釋出時間
--------------
文章標題
釋出時間
複製程式碼

6.推薦詳細的自學教程

正規表示式30分鐘入門教程 https://deerchao.net/tutorials/regex/regex.htm

Java的正規表示式工具 http://www.regexplanet.com/advanced/java/index.html

正規表示式語法篇 https://yanhaijing.com/javascript/2017/08/06/regexp-syntax/

正規表示式語法詳解篇 https://blog.csdn.net/yaerfeng/article/details/28855587#reg

JavaScript正規表示式 https://developer.mozilla.org/zh-CN/docs/Web/JavaScript/Guide/Regular_Expressions

7.附錄

問題1:關於空格

針對tab鍵帶來的多個空格問題,有時候我們針對帶空格的一行資料要進行切割,如果有多個空格就會出現就會切割空格出現,我們想把空格都去掉,所以需要用到某些方法。

解決方案: 利用正規表示式來匹配空格\s+

首先利用split(“s+”);方法來對字串切割,儘可能的匹配空格,這裡也挺有意思,因為空格數目不一樣,可以動態變換匹配的空格數量,這個實現原理可以看看底層原理,挺有意思。

String string="a   b  a  a ";
for(String a:string.split("\s+")){
    System.out.println(a);
}
複製程式碼

問題2:[] {} () 的使用區別

  • () 是為了提取匹配的字串。表示式中有幾個()就有幾個相應的匹配字串。(s*)表示連續空格的字串。
  • []是定義匹配的字元範圍。比如 [a-zA-Z0-9] 表示相應位置的字元要匹配英文字元和數字。[s*]表示空格或者*號。
  • {}一般用來表示匹配的長度,比如 s{3} 表示匹配三個空格,s{1,3}表示匹配一到三個空格。
  • (0-9) 匹配 `0-9′ 本身。
  • [0-9]* 匹配數字(注意後面有 *,可以為空)
  • [0-9]+ 匹配數字(注意後面有 +,不可以為空){1-9} 寫法錯誤。
  • [0-9]{0,9} 表示長度為 0 到 9 的數字字串

問題3: ()和[]有本質的區別

()內的內容表示的是一個子表示式,()本身不匹配任何東西,也不限制匹配任何東西,只是把括號內的內容作為同一個表示式來處理!

例如:(ab){1,3},就表示ab一起連續出現最少1次,最多3次。如果沒有括號的話,ab{1,3},就表示a,後面緊跟的b出現最少1次,最多3次。另外,括號在匹配模式中也很重要。檢視前面的介紹
[]表示匹配的字元在[]中,並且只能出現一次,並且特殊字元寫在[]會被當成普通字元來匹配。例如[(a)],會匹配(、a、)、這三個字元。
所以() [] 無論是作用還是表示的含義,都有天壤之別,沒什麼聯絡

文章出處:segmentfault.com/a/119000000…

相關文章