正则表达式（代码java版）

目录

• 元字符
• 检测工具
• 普通字符
• 字符类
• 预定义字符类
• 数量词
  • • 默认数量词
    • 自定义量词
    • 预定义量词
• 边界标识符
• 正则组
  • • 简单应用
    • 复杂组序
    • 捕获组

重新发布于2020年09月27日，写于2016年

看了好些天的正则表达式，终于有时间来写一篇关于它的博客了。也是因为前段时间做标签处理的工作用到，用正则匹配标签规则，少写了不少代码。在有的地方使用正则表达式确实特别棒。参考博文http://blog.csdn.net/yaerfeng/article/details/28855587 ，文中提到程序员的七种基本技能，确实各种语言，系统里几乎都有对正则的支持，虽说不用精通，但也要基本运用没问题。

元字符

元字符标识在正则表达式中有特殊含义的字符，正是由它们，正则表达式才真正存在。JAVA中支持的元字符列表有：([{\^-$|}])?*+.

• ( )：正则组中使用
• [ ]：字符类中表示一个字符
• { }：数量范围标识
• \：预定义字符类中使用
• ^ $：边界标识
• -：字符类中表示某个范围时使用，和"[]"配合使用
• |：逻辑或
• ? * +：预定义数量词
• ^：逻辑非
• .：点号匹配除换行符的任意字符 (这个地方任然有点疑问)

这里要特别说明一个符号&，虽然&&在字符类中扮演着逻辑与运算，但却不在元字符行列中

检测工具

为了学习简单，写了一段测试代码做检测用，当然你也可以使用网上的检测工具，由于目前各个语言正则的引擎各有取舍，所以在线工具的检测结果不一定和代码检测结果相同（基本上没太大出入），但用于理解正则，还是很有用的。

简单案例：匹配5个连续的数字
正则表达式为[0-9]{5}，先用开源中国的在线测试工具测试一下。待匹配的字符串为“自由12345飞翔”

JAVA检测代码如下

/**
 * 检测简单方法
 * @param target //待查找匹配的字符串
 * @param regex  //匹配规则的正则表达式
 */
public static void simpletest(String target,String regex) {
    Pattern p = Pattern.compile(regex);//java.util.regex.Pattern;
    Matcher matcher = p.matcher(target);//java.util.regex.Pattern;
    while (matcher.find()) {
        System.out.println(matcher.group(0));
    }
}  

simpletest("自由12345飞翔", "[0-9]{5}");
//执行结果如下
12345  

普通字符

所谓普通字符即为非元字符，上文中提到的元字符列表，即不是上面列表中的字符，就视为普通字符，普通字符为原样匹配

案例1，普通字符

simpletest("自123由飞12333翔", "123"); 
 //执行结果如下
123
123  

如上案例中，会去目标字符串"自123由飞12333翔"中查找123，由于123为普通字符，没有特殊含义，此时原样匹配，所以匹配到"自123由飞12333翔"中两组123

案例2，元字符

simpletest("自[]由飞翔", "["); 
//执行结果如下
直接报错 Exception in thread "main" java.util.regex.PatternSyntaxException: Unclosed character class

如果要让元字符原样匹配，则需要用\转义元字符，JAVA中\\才表示普通字符串的\，所以为\\[

simpletest("自[]由飞翔", "\\["); 
//执行结果如下
[  

如上，通过转义，匹配到 “自[]由飞翔”中的元字符 [
而在线工具可以直接将字符读入，所以不用\\，\[就表示匹配字符[，如下

案例3，普通字符&

simpletest("自&&由飞翔", "&&"); 
//执行结果如下
&&
simpletest("自&由&飞翔", "&");
//执行结果如下
&
&  

案例3可以看出，虽然&&有特殊含义，但单独用时，不用转义，和普通字符完全相同

字符类

字符类（character class），这里这个词语是个专用名词，在JAVA API 中的Pattern类中我们可以看到字符类的一个列表。一个[]中的规则叫一个字符类，一个字符类仅匹配一个字符(一个位置)

• [abc] a、b 或 c（简单类）
• [^abc] 任何字符，除了 a、b 或 c（否定）
• [a-zA-Z] a 到 z 或 A 到 Z，两头的字母包括在内（范围） 数字范围也能类似表示如[0-9]代表0到9中任意一个数字
• [a-d[m-p]] a 到 d 或 m 到 p：[a-dm-p]（并集） **等同于[a-d|[m-p]] 等同与 [[a-d]|[m-p]] **
• [a-z&&[def]] d、e 或 f（交集）
• [a-z&&[^bc]] a 到 z，除了 b 和 c：[ad-z]（减去） 差集
• [a-z&&[^m-p]] a 到 z，而非 m 到 p：[a-lq-z]（减去）差集

案例

simpletest("abcd", "[abc]"); 
 //执行结果如下
a
b  
c

simpletest("abcd", "[^abc]"); 
 //执行结果如下
d

simpletest("abcd", "[a-zA-Z]");  
//执行结果如下
a
b
c

simpletest("an", "[a-d[m-p]]");   
 //执行结果如下
a
n  

simpletest("abcd", "[a-z&&[def]]");  
 //执行结果如下
d  

simpletest("abcd", "[a-z&&[^bc]]");   
 //执行结果如下
a
d 

simpletest("an", "[a-z&&[^m-p]]");  
  //执行结果如下
a

现在我们清楚的看出来，一个字符类，也就是[]及中间内容代表一个范围，表示匹配一个字符，中括号中包含这个字符可能出现的所有情况，由于检测工具中使用了循环查找匹配，所以输出结果会查找到多个字符打印出来

预定义字符类

预定义字符类，是正则表达式中代表一组字符的特殊表示，由\打头，如下为JAVA API 中Pattern类的预定义字符类列表

.： 任何字符（与行结束符可能匹配也可能不匹配）
\d：数字：[0-9]
\D：非数字： [^0-9]
\s：空白字符：[ \t\n\x0B\f\r]
\S：非空白字符：[^\s]
\w：单词字符：[a-zA-Z_0-9]
\W：非单词字符：[^\w]

案例

simpletest("自由12345飞翔", "\\d{5}"); //同理，\d在JAVA中需要转义
//执行结果如下
12345  

simpletest("自由12345飞翔", "\\D+");  //预定义数量词稍后再说
//执行结果如下
自由
飞翔

simpletest("自由 \t飞翔", "\\s+");  
//执行结果如下
`       `//此处匹配到一个空格和一个制表符

simpletest("自由 \t飞翔", "\\S+");  
//执行结果如下
自由
飞翔 

simpletest("自由abc飞翔", "\\w+");  
 //执行结果如下
abc

simpletest("自由abc飞翔", "\\W+");  
 //执行结果如下
自由
飞翔 

数量词

默认数量词

正则匹配中字符都有要匹配的数量，如果没有加数量词，默认数量为1，匹配一个的意思
案例1

simpletest("自由12345飞翔", "\\D");
 //执行结果如下
自
由
飞
翔

simpletest("自由12345飞翔", "\\D+");
 //执行结果如下
自由
飞翔 

如上案例中\\D代表匹配查找非数字字符，默认数量词为1，所以查找到一个非数字字符后直接打印后，便进入下次查找，结果如上第一段代码
如上案例中\\D+中引入+号预定义量词，代表匹配大于等于1次的连续非数字字符，所以匹配到自由后进入下一次查找

自定义量词

用户希望匹配几次，就给定匹配次数，我这里姑且叫它自定义量词吧。由大括号，上下限数量组成，上限数量可以缺少

• {n}：恰好n个
• {n,}：大于等于n个
• {n,m}：大于等于n个，小于等于m个

注意：并没有{,m}这种写法

案例

simpletest("自由12345飞翔", "\\d{2}");  
 //执行结果如下
12 

simpletest("自由12345飞翔", "\\d{2,}");  
 //执行结果如下
12345

simpletest("自由12345飞翔", "\\d{2,4}");  
 //执行结果如下
1234

simpletest("自由12345飞翔", "\\d{,7}");  
 //执行结果如下  
报错 Exception in thread "main" java.util.regex.PatternSyntaxException: Illegal repetition near index 1
 

从上面案例中我们已经看出，量词只形容最近字符的数量，大括号中可以指定具体字符的具体数量或者范围。

预定义量词

预定义量词是正则中用?,+,* 三个符号表示特定意思的量词

• ?：一次或者零次
• +：一次或者多次
• *：零次或者零次以上

案例1

simpletest("自由12345飞翔", "\\d?");  
 //执行结果如下
                        //空行
                        //空行
1
2
3
4
5  
                         //空行
                         //空行

这里要特别解释一下两个空行的产生，正则引擎去自由12345飞翔查找\\d?时，逐个字符从左到右查找，由于?表示一个或者零个，所以第一个字符匹配成功得到0个数字，也就是一个空字符，所以打印出来，而后面匹配到1个数字“1”打印出来，在匹配到1个数字“2”打印出来、、

案例2

simpletest("自由12345飞翔", "\\d+");   
 //执行结果如下
12345  

这里匹配至少一个数字，直接匹配到5个数字“12345”输出

案例3

simpletest("自由12345飞翔", "\\d*");   
 //执行结果如下
                        //空行
                        //空行
12345  
                        //空行
                        //空行

这里出现空行的原因和案例1中相同，因为\d*代表0次或者0次以上

边界标识符

如下为JAVA API 中Pattern类的边界标识符列表
^ ：行的开头
$ ：行的结尾
\b ：单词边界
\B ：非单词边界
\A ：输入的开头
\G ：上一个匹配的结尾
\Z ：输入的结尾，仅用于最后的结束符（如果有的话）
\z ：输入的结尾

目前并没完全弄明白所有边界标识符的用法，抱歉，仅演示几个。
案例1

simpletest("自由12345飞翔", "^\\d+");     
simpletest("12345飞翔", "^\\d+");   
 //执行结果如下
12345

^\\d+查找行开头紧跟1次或多次数字，显然自由12345飞翔匹配失败，因为12345并非行首，而12345飞翔匹配成功得到12345

案例2

simpletest("自由12345飞翔", "^\\d+$");   
simpletest("12345飞翔", "^\\d+$");      
simpletest("自由12345", "^\\d+$");  
simpletest("12345", "^\\d+$");  
//执行结果如下
12345  

当\\d+前面加上行首边界，后面加上行尾边界后，该正则只能匹配到一串纯数字，且数量满足+量词

案列3

simpletest("自由12345飞翔", "\\b\\d+"); 
//执行结果如下
//啥也没有
simpletest("自由 12345飞翔", "\\b\\d+");   
//执行结果如下
12345  

simpletest("自由12345 飞翔", "\\d+\\b");   
//执行结果如下
12345  

simpletest("12345", "\\d+\\b");   
//执行结果如下
12345  

simpletest("12345", "\\b\\d+");   
//执行结果如下
12345 

从案例3中我们可以看出所谓的\b单词边界就是指空格或者行首行位（或许还有其他，反正匹配到一个连续的词的结束或者开始位置）

案例4

simpletest("自由12345飞翔", "\\B\\d+"); 
//执行结果如下
12345 

simpletest("自由 12345飞翔", "\\B\\d+");   
//执行结果如下
2345

\B为非单词边界，和\b恰好相反，但案例4中效果却和案例3中不是相反，不能匹配到12345，因为前面有空格，但2345前面是1，是非单词边界，所以匹配成功

正则组

至此前面，基本上把正则表达式简单运用讲完，现在我们来引入一个词正则组，正则组是用()把一组字符当做一个整体，可以通过方法将这个组匹配到的字符单独取出，同样可以通过下标引用之前匹配到的该组的字符

简单应用

案例

@Test
public void grouptest( ){
    
    String regex="\\d(\\d+)(\\D+)";
    String target="520LiLing";
    
    Pattern p = Pattern.compile(regex);
    Matcher matcher = p.matcher(target);
     while (matcher.find()) {
         System.out.println(matcher.group(0));
         System.out.println(matcher.group(1));
         System.out.println(matcher.group(2));
         System.out.println(matcher.group(3));
     }
}  

//执行结果如下
520LiLing
20
LiLing
Exception in thread "main" java.lang.IndexOutOfBoundsException: No group 3  

从简单案例中可以看出()中匹配到的数字可以用matcher.group(1)方法取出，1代表第一组，案例中第一组为(\d+)，第二组为(\D+)，第三组没找到，报错。而matcher.group(1)代表整个正则表达式匹配到的内容。

复杂组序

JAVA API 中Pattern类中有关于正则组顺序的介绍，当遇到复杂的正则组时，怎么来确定组的序号。
((A)(B(C)))表示一个正则表达式,A,B,C分别代表随意一个表达式

• group(1)：((A)(B(C)))
• group(2)：(A)
• group(3)：(B(C))
• group(4)：(C)

从上面的列表说明不难总结出一个规律，将正则表达式从左到右读过来，依次遇到()中的左括号(依次编号，先遇到哪一组的左括号先编号
案例

@Test
public void grouptest( ){
    
    String regex="((\\d)(\\d+(\\D+)))";
    String target="520LiLing";
    
    Pattern p = Pattern.compile(regex);
    Matcher matcher = p.matcher(target);
     while (matcher.find()) {
         System.out.println(matcher.group(1));
         System.out.println(matcher.group(2));
         System.out.println(matcher.group(3));
         System.out.println(matcher.group(4));
     }
}  

//执行结果如下
520LiLing
5
20LiLing
LiLing  

案例和上文说明完全一致，1组为((\\d)(\\d+(\\D+)))，2组为(\\d)，3组为(\\d+(\\D+))，4组为(\\D+)

捕获组

前面已经讲过关于正则组的编号，以及引用，但这样的作用似乎还不够强大。捕获组，就是将之前的正则组通过\组序号捕获，如\1(任然需要转义\\1)，再次利用。（解释起来太费劲，看案例吧)

@Test
public void grouptest( ){
    
    String regex="(\\d+).+\\1";
    String target="520Li320Ling";
    
    Pattern p = Pattern.compile(regex);
    Matcher matcher = p.matcher(target);
     while (matcher.find()) {
         System.out.println(matcher.group(0));
         System.out.println(matcher.group(1));
      
     }
}  
//执行结果如下
20Li320
20 

上面案例中，正则表达式(\\d+).+\\1 的意思就是先查找到数字标记为组1，然后跟着任意字符，跟着\\1表示捕获和组1一模一样的内容。