Java 中用正则表达式修改 Email 地址

需求

系统中有一列会用来存储 email 地址，现在需要对输入的字符串进行过滤，
要求是，把无效的地址过滤掉。有一些需要说明的是

1. 这些地址是通过图像识别得到的，有些是用户自己输入的
2. 已有历史记录已经存在了脏数据，需要替换
3. 这个地址是识别出来的，不是用户帐号和联系信息这样的关键数据。所以宁愿相信用户是手误多录入的字符，或是机器识别把不该记录的字符当成 Email 的一部分了

测试字符串：

String[] arrEmailAddr = new String[]{
    "\uD83D\uDC02abc123@cc.cc",
    "A78=B[咔嚓]C⌚️2345@cc.cc",
    "abc\uD83C\uDF32'sdfsd@sdfsd.·」cc",
    "a·「d(*^@cc.cc",
    "asl'''fgjk&^*'\"234@sgd_slgkj-sdfsd.com"
};

方案和坑

本以为用了很多年正则，已经很熟练了，应该信手拈来，没想到实际操作时居然遇到那么多坑

首先可以确定的是，使用 Java 的 ReplaceAll 是没错了

1. 网上广为流传的神 Pattern

   // 清除掉所有特殊字符 
   String regEx="[`~!@#$%^&*()+=|{}':;',\\[\\].<>/?~！@#￥%……&*（）——+|{}【】‘；：”“’。，、？]";   
   
   Pattern p = Pattern.compile(regEx); 
   
   Matcher m = p.matcher(str);  
   
   return m.replaceAll("").trim();
   

   首先，我是十分讨厌这种穷举法的；其次，对层出不穷的特殊字符控制不足，比如全角空格、颜文字等等。

   pass

2. 按照 Email 的格式严格匹配，把不符合 Email 格式的直接替换掉
   是个比较彻底的方法，但是，实际操作前，发现有这样一些让人无语的脏数据：

   +--------+----------------------------------------------------+
   | id     | email                                              |
   +--------+----------------------------------------------------+
   |  66898 | 信箱三-mail:zhixxxxxxxxxx@163.com                  |
   | 115764 | 邮箱:1xxxxxx890@qq.com                             |
   | 513557 | M0:svxxxxxx@vip.163.c0m                            |
   | 708165 | 邮箱:lixxxxxxxx@zjlcwg.com                         |
   | 966373 | Mail:chenxxxxxx@ch-jht.com                         |
   +--------+----------------------------------------------------+
   5 rows in set (0.05 sec)
   
   

   这些记录不在少数，肯定需要保留。
   所以，问题还是回到 替换 这条思路上来

3. 使用白名单
   实际上只能这么做，难点和坑也在于这里，先列几个我犯的错误示例：

   String regEx = "/[0-9a-z]/"; // 这是一个正向测试，不过测试本身就有问题，Java里面不是用 “/” 来标识两端的  
   
   String regEx="[^0-9][^a-z][^_]"; // 这样会顺序匹配，在每个匹配组上干掉了其他组的合法字符  
   
   String regEx="(\\W|@|-....)"; // 匹配到第一个之后，就直接过滤掉了，后面的其他字符不会被保留
   
   String regEx="^[a-z0-9-_@]"; // ^ 字符匹配的是字符串开始的地方，无法作为 “非” 来使用，加转译就更不对了
   
   String regEx="[^0-9a-z.-_@]"; // 这个就坑大了，自己看结果：
   
   /** -----
   abc123@cc.cc
   A78=B[]C2345@cc.cc
   abcsdfsd@sdfsd.cc
   ad^@cc.cc
   aslfgjk^234@sgd_slgkjsdfsd.com
   ---- */
   // 问题在于，“.” 这个字符，在里面会被认为是任意字符的匹配，对反斜线“免疫”
   

最终结果

测试字符
见文首

正则源码
正如上文说的，“.” 字符必须放末位

// 与下面的等价 String regEx="[^0-9a-z-_@.]";
String regEx="[^\\w-@.]";

输出

abc123@cc.cc
782345@cc.cc
abcsdfsd@sdfsd.cc
ad@cc.cc
aslfgjk234@sgd_slgkj-sdfsd.com