Java与正则表达式
标签: Java基础
正则
正如
正则
的名字所显示的是描述了一个规则
, 通过这个规则去匹配字符串
. 学习正则就是学习正则表达式的语法规则
正则语法
普通字符
字母, 数字, 汉字, 下划线, 以及没有特殊定义的标点符号都是普通字符
. 表达式中的普通字符在匹配一个字符串时, 匹配与之相同的一个字符.
转义字符
字符 | 解释 |
---|---|
\n |
换行符 |
\t |
制表符 |
\^ \$ \( \) \{ \} \? \+ \* | \\ \[ \]
|
匹配这些字符本身 |
标准字符集合
字符 | 匹配 |
---|---|
\d |
任意一个数字 |
\w |
任意一个字母/数字/下划线 |
\s |
任意一个空格/制表符/换行符等空白字符 |
. |
小数点在内的任意一个字符(除\n 外) |
[\s\S] |
匹配\n 在内的任意一个字符 |
- 注意大小写: 大写是取反
自定义字符集合
[]
方括号匹配方式, 能够匹配方括号中的任意一个字符.
表达式 | 解释 |
---|---|
[ab5@v] |
匹配a b 5 @ v 中任意一个 |
[^ab5@v] |
匹配a b 5 @ v 之外任意一个 |
[f-k] |
匹配f-k 之间任意一个字母 |
[^f-k] |
匹配f-k 之外任意一个 |
[f-k0-3] |
匹配f-k 或0-3 之间任意一个字母 |
[^f-k0-3] |
不匹配f-k 或0-3 之间任意一个字母 |
注:
- 正则表达式中的特殊符号, 被包含到
[]
中, 则失去特殊意义, 除了-
^
之外.-
[]
中的^
表示取反的含义. -
[]
中的-
表示范围的含义
-
- 标准字符集合(除小数点外),如果被包含于中括号中,则自定义集合将包含该集合.
如[\d.\-+]
将匹配: 数字, 小数点,-
,+
量词
量词 | 解释 |
---|---|
{n} |
表达式重复n次 |
{m,n} |
表达式至少重复m次,最多重复n次 |
{m,} |
表达式至少重复m次 |
? |
匹配表达式0次或者1次 |
+ |
表达式至少出现1次,相当于 {1,}
|
* |
表达式不出现或出现任意次,相当于 {0,}
|
贪婪模式与非贪婪模式
贪婪模式: 匹配字符越多越好,默认
.
非贪婪模式: 匹配字符越少越好, 需要在量词后再加上一个?
号.-
示例
- 匹配手机号
1[358]\d{9}
- 匹配邮箱
([\w\-\.]+)@([0-9a-zA-Z\-]+)(\.[a-zA-Z]{2,4}){1,2}
- 匹配手机号
字符边界
零宽匹配: 匹配的不是字符而是位置(符合某种条件的位置),不匹配任何字符.
字符 | 解释 |
---|---|
^ |
与字符串开始的地方匹配 |
$ |
与字符串结束的地方匹配 |
\b |
匹配一个单词边界,也就是单词和空格之间的位置 |
注: \b
会匹配这样一个位置: 前面的字符与后面的字符不全是\w
选择符与分组
表达式 | 解释 |
---|---|
| |
左右两边表达式之间 “或” 关系,匹配左边或右边 |
() 捕获组 |
被修饰时,() 中的表达式可以作为整体被修饰; 取匹配结果时, () 中的表达式匹配到的内容可以被单独得到; 每一对括号会被分配一个编号(以( 为准,从左到右: 从1开始) |
(?:exp) 非捕获组 |
一些表达式中, 不得不使用() , 但又不需保存() 中子表达式匹配的内容, 这时可以使用非捕获组来抵消() 带来的副作用 |
注: 非捕获组可以用于当处理大量文本时用于优化内存分配.
- 反引用
\nnn
由上面可知, 捕获组默认被分配了编号, 通过反向引用, 可以对分组已捕获的字符串进行引用 - 示例
(\w{2})\1
匹配类似toto
dodo
gogo
这样由一个单词复制而来得到的字符串(img)\w+\1
匹配前后都是img的字符串
零宽断言(预搜索)
- 零宽度: 只进行子表达式的匹配, 匹配内容不计入最终的匹配结果.
- 位置匹配: 判断当前位置的前后字符是否符合指定的条件, 但不保留前后的字符.
正则表达式中, 如果子表达式匹配到得是字符内容, 而非位置, 并被保留到最终的匹配结果中, 那么就认为这个子表达式是
占有字符
的; 如果子表达式匹配的仅仅是位置, 或者匹配的内容并不保存到最终的匹配结果中, 那么就认为这个子表达式是零宽度
的(占有字符或零宽度, 是针对匹配的内容是否保留到最终结果而言的)
表达式 | 解释 |
---|---|
(?=exp) |
断言自身出现的位置的后面能够 匹配表达式exp |
(?!exp) |
断言自身出现的位置的后面不能 匹配表达式exp |
(?<=exp) |
断言自身出现的位置的前面能够 匹配表达式exp |
(?<\!exp) |
断言自身出现的位置的前面不能 匹配表达式exp |
- 示例
[a-z]+(?=ing)
匹配所有以ing结尾的单词, 但ing并不放入字符串[a-z]+(?=\d+)
匹配所有以数字结尾的单词[a-z]+(?!\d+)
匹配不以数字结尾的单词(?<=(href=\"))
匹配以href="
开头的字符串
Java Pattern与Matcher
-
java.util.regex
包下提供的Pattern
与Matcher
两个类提供了在Java中的正则支持; -
Pattern
对象是正则表达式编译后在内存中的表现形式, 因此, 正则表达式字符串必须先被编译为Pattern对象Pattern pattern = Pattern.compile("\\w+");
然后再利用该Pattern对象创建对象的Matcher对象Matcher matcher = pattern.matcher(input);
. -
Matcher
对象是一个对CharSequence
执行匹配操作的正则引擎: 执行匹配所涉及的状态保留在Matcher对象中, 多个Matcher对象可共享同一个Pattern对象.
/**
* Created by jifang on 15/12/15.
*/
public class LearnRegexp {
@Test
public void testSearch() {
String input = "hello1997&&2000";
// 将一个正则表达式编译成Pattern对象
Pattern pattern = Pattern.compile("\\w+");
Matcher matcher = pattern.matcher(input);
// matches尝试将整个字符序列与该模式匹配
System.out.println(matcher.matches());
// reset将matcher中的指针重新定位
matcher.reset();
// find 方法扫描整个字符串, 查找能否找到下一个符合该模式字符串
while (matcher.find()) {
String group = matcher.group();
System.out.println(group);
}
}
/**
* 将所有的数字都替换成'#'
*/
@Test
public void testReplace() {
String input = "1j2h3h4g5o";
Matcher replace = Pattern.compile("[0-9]").matcher(input);
input = replace.replaceAll("#");
System.out.println(input);
}
/**
* 将字符串按数字分割
*/
@Test
public void testSplit() {
String input = "1j24h356h467g589o";
String[] strings = input.split("\\d+");
for (String str : strings) {
System.out.println(str);
}
}
}
由上例可以看到: 其实String
中某些方法也支持正则表达式, 如split, replace等(Pattern,Matcher与String的其他用法请参考JDK文档).
小实验-抓取网页中所有的超链接
/**
* 模仿网络爬虫, 抓取网站html, 将里面所有的超链接都分析出来
* Created by jifang on 15/12/15.
*/
public class HtmlAnalyzer {
private final String FILE_PATH = "/Users/jifang/save.txt";
@Test
public void client() throws IOException {
String html = downloadHtml("http://www.163.com/", "gbk");
// (?<=(href=\"))(?:[\w.\/\:\?\=\&]+)(?=\") 匹配url的正则
Set<String> urlSet = analyzeHtml(html, "(?<=(href=\\\"))(?:[\\w.\\/\\:\\?\\=\\&]+)(?=\\\")");
saveToFile(urlSet);
System.out.println();
}
private String downloadHtml(String url, String charset) throws IOException {
URL readUrl = new URL(url);
BufferedReader reader = new BufferedReader(new InputStreamReader(readUrl.openStream(), charset));
return CharStreams.toString(reader);
}
private Set<String> analyzeHtml(String html, String regex) {
Set<String> urlSet = new HashSet<>();
// 匹配url的正则表达式
Matcher matcher = Pattern.compile(regex).matcher(html);
while (matcher.find()) {
String group = matcher.group();
urlSet.add(group);
}
return urlSet;
}
private void saveToFile(Set<String> urlSet) throws IOException {
PrintStream printer = new PrintStream(new FileOutputStream(FILE_PATH));
for (String url : urlSet) {
printer.println(url);
}
printer.flush();
printer.close();
}
}
- 附- 运行上程序需要在pom.xml中添加以下依赖
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>18.0</version>
</dependency>
推荐几个正则验证工具:
- Mac端: RegExRX
- Win端: RegexBuddy
- Web端: 在线正则表达式测试
参考