正则表达式简明教程
本文目录
一、正则表达式用途
二、资料与工具
三、正则基础知识
四、正则进阶知识
五、在Java中使用正则
六、Java正则中遇到的问题
一、正则表达式用途
正则表达式是一个有含义的字符串，它代表了一个字符串的组成规则，用于验证给定字符串是否与我匹配。比方说，当你要求用户填写邮箱时，你就需要用正则表达式来验证用户输入的是不是有效的邮箱地址。
二、资料与工具
网上的学习资料很多，但是滥竽充数的也不少。我的学习资料是《正则表达式30分钟入门教程》，本文相当于是在该文章的基础上提炼而成的。在学习过程中你不需要通过编程来验证，那样太慢，可以在正则验证工具-chinaZ验证你的正则表达式。
三、正则基础知识
如果你写过批处理或者善于使用windows系统的搜索功能，那么你一定对通配符不陌生。在windows中，*代表任意数量的字符。不要担心，正则表达式没有那么可怕，它与这个通配符是类似的。
3.1 内容匹配
我们把正则中具有特定含义的字符成为元字符，那么最基本的元字符有2种：（1）匹配字符内容（2）匹配字符数量。常用的内容匹配元字符见表1：
表1.常用的内容匹配元字符
|
代码 |
说明 |
|
. |
匹配除换行符以外的任意字符 |
|
\w |
匹配字母或数字或下划线或汉字 |
|
\s |
匹配任意的空白符 |
|
\d |
匹配数字 |
|
\b |
匹配单词的开始或结束 |
|
^ |
匹配字符串的开始 |
|
$ |
匹配字符串的结束 |
注意，没跟数量匹配元字符时，它们都只能匹配1个字符。从表1可以看到，”.”几乎能够匹配任何字符；如果你要匹配一个字母或者数字，使用\w就可以了；匹配数字可以使用\d。
下面是几个例子（正则表达式位于””内）：
“\bre\w\b”的含义是：匹配一个单词，以re打头后面再跟一个字符。注意，正则表达式里面说的单词不等于英文单词，这里的单词可以包含数字或字符。以”re1d re好 re1 re_”为例，本正则不能匹配前两个单词，只能匹配后两个单词。
“^\d[135][a-f]$”的含义是：匹配一个字符串，且第一个字符是数字，第二个字符是1或者3或者5，第三个字符是a-f之间的字符。也就是说，[]可以定义字符的范围，里面的横线表示范围，如无横线则各字符为或的关系。”15c”可以匹配，”15g”不能匹配。
3.2 数量匹配
假设我要匹配一个长达1000位的字符串，我总不可能构造一个1000位的正则吧！当然，数量匹配元字符能够定义指定字符的数量。常用的数量匹配元字符见表2：
表2 常用的数量匹配元字符
|
代码/语法 |
说明 |
|
* |
重复零次或更多次 |
|
+ |
重复一次或更多次 |
|
? |
重复零次或一次 |
|
{n} |
重复n次 |
|
{n,} |
重复n次或更多次 |
|
{n,m} |
重复n到m次 |
结合表1，当你使用.*的时候基本就能表示任意内容了。下面仍然通过例子来进行解释：
“^0\d{2,3}-\d{7,8}$”的含义是：匹配一个字符串，且第一个字符是0，后面跟2位到3位数字，再跟1个横线，再跟7-8位数字。没错，这就是验证座机号码的正则。”010-77777779”能够匹配，而”010-7777777a”不能匹配。
“^\w+\@\w+\.\w{2,}$”的含义是：匹配一个字符串，首先是一位或多位字符，接下来是”@”符号，接下来是一位或多位字符，然后是”.”，最后是2位或多位字符。”111@163.com”可以匹配，”111@.com”不能匹配。
"^[1-9]\d{16}(\d|x|X)$"的含义是：匹配一个字符串，且第一位部位0，接下来是16位数字，最后一位是数字或大小写”x”。没错，这是验证18位身份证号的正则。注意，”|”表示逻辑或。”01066119880124001x”不能匹配，”41066119880124001x”可以匹配。
3.3 转义取反与分枝
如果你就想匹配元字符本身，使用转移字符就好了，这与编程语言是一样的。比如，”\\”匹配”\”，“\?” 匹配“?”。需要注意的是，在程序中制定正则字符串时，你需要使用很多转义。比如你的实际正则为“^0\d{2,3}-\d{7,8}$”，那你在程序中应写为“^0\\d{2,3}-\\d{7,8}$”，因为在编程语言层面就会对字符串中的转义字符过滤一遍。
[^xyz]表示取反，即不匹配xyz。与元字符对应，也有一系列取反代码，具体见表3：
表3 常用的取反匹配元字符
|
代码/语法 |
说明 |
|
\W |
匹配任意不是字母，数字，下划线，汉字的字符 |
|
\S |
匹配任意不是空白符的字符 |
|
\D |
匹配任意非数字的字符 |
|
\B |
匹配不是单词开头或结束的位置 |
|
[^x] |
匹配除了x以外的任意字符 |
|
[^aeiou] |
匹配除了aeiou这几个字母以外的任意字符 |
分枝条件就是逻辑或。比如，”\(0\d{2}\)-\d{8}|0\d{2}-\d{8}”匹配的内容为，3位区号-8位号码，其中区号为带括号或者不带括号。
四、正则进阶知识
4.1 分组与向后引用
我们常常用括号来包围一些子表达式，比如说，”(\d{1,3}\.){3}(\d{1,3})”用于匹配一个IP地址（不严谨匹配）。括号以内的范围就是一个分组。正则工作时会给每个分组编号，并记录分组所匹配的内容。简单来说，从左往右，以左括号为标志，第一个分组编号为1，第二个为2，以此类推，正则表达式自身编号为0。除此以外，正则允许你自定义分组名称，或者指定某分组不编号，具体如下：
表4.常用分组语法
|
序号 |
分类 |
代码/语法 |
说明 |
|
1 |
捕获 |
(exp) |
匹配exp,并捕获文本到自动命名的组里 |
|
2 |
(?<name>exp) |
匹配exp,并捕获文本到名称为name的组里，也可以写成(?'name'exp) |
|
|
3 |
(?:exp) |
匹配exp,不捕获匹配的文本，也不给此分组分配组号 |
|
|
4 |
零宽断言 |
(?=exp) |
匹配exp前面的位置 |
|
5 |
(?<=exp) |
匹配exp后面的位置 |
|
|
6 |
(?!exp) |
匹配后面跟的不是exp的位置 |
|
|
7 |
(?<!exp) |
匹配前面不是exp的位置 |
|
|
8 |
注释 |
(?#comment) |
这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释让人阅读 |
由表可见，前三项都在解释组号命名的问题。那么组号有什么用呢？
- 组号能够被正则的其它部分引用，以再次匹配某个组，这样你就不用在正则中写很多重复的子表达式。比如说，”\b(\w+)\b\s+\1\b”用于匹配2个单词，第一个由若干字母组成，第二个引用第一个分组，即与第一个单词相同。它匹配”ha ha”。
- 以Java语言为例，使用matcher的group(i)方法能够输出每一个分组所匹配的内容。其中i是组号。
下面是几个示例。
例1."^(\d{1,3}\.){3}(\d{1,3})$"的含义是：匹配一个字符串，形式如xx.xx.xx.xx，其中xx为1至3位整数。”222.213.24.57”匹配。各分组匹配内容为：
group 0 : 222.213.24.57
group 1 : 24.
group 2 : 57
因为正则中包含2对括号，因此不算自身只有2个分组。由于分组1重复匹配3次，因此它只能记录第三次匹配的内容也就是”24.”。分组2记录的匹配内容是”57”。
例2."^(\\d{1,3})\\.\\1\\.\\1\\.\\1$"的含义为，匹配一个字符串，形式如xx.xx.xx.xx，其中xx为1至3位整数，所有的xx都相同。它与”222.213.24.57”不匹配，与”222.222.222.222”匹配。
例3."^(\d{1,3})\.(\d{1,3})\.(\d{1,3})\.(\d{1,3})$"的含义与例1相同，只不过将每个分组单独写了出来。各分组匹配内容如下，不再解释。
group 0 : 222.213.24.57
group 1 : 222
group 2 : 213
group 3 : 24
group 4 : 57
例4."(?:\\d{1,3})\\.(\\d{1,3})\\.(?:\\d{1,3})\\.(\\d{1,3})"的含义与例1相同，仍然会与”222.213.24.57”匹配。区别在于分组1和分组3不分配组号且不记录匹配内容，各分组及匹配内容如下：
group 0 : 222.213.24.57
group 1 : 213
group 2 : 57
4.2 零宽断言
简单来说，零宽断言代表以下的规则：指定字符串以xxx打头、以xxx结尾、不以xxx打头或不以xxx结尾。并匹配除了xxx以外的内容。零宽指的是规则发生的位置，它没有宽度，不作为字符处理。
(?=exp)也叫零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式exp。比如\b\w+(?=ing\b)，匹配以ing结尾的单词的前面部分(除了ing以外的部分)，如查找I'm singing while you're dancing.时，它会匹配sing和danc。
(?<=exp)也叫零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式exp。比如(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re以外的部分)，例如在查找reading a book时，它匹配ading。
(?!exp)也叫做零宽度负预测先行断言，断言此位置的后面不能匹配表达式exp。例如：\d{3}(?!\d)匹配三位数字，而且这三位数字的后面不能是数字；\b((?!abc)\w)+\b匹配不包含连续字符串abc的单词。
(?<!exp)也叫做零宽度负回顾后发断言来断言此位置的前面不能匹配表达式exp。例如，(?<![a-z])\d{7}匹配前面不是小写字母的七位数字。
4.3 贪婪与懒惰
正则的匹配默认是贪婪的，也就是说如果条件允许它将匹配尽可能多的字符。比如，”a.*b”将匹配”aabab”的全部，而不是”aab”或”ab”。然而有时我们也需要最小匹配，只需要在正则后面加一个”?”即可。比如说，a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。
表5.懒惰限定符
|
代码/语法 |
说明 |
|
*? |
重复任意次，但尽可能少重复 |
|
+? |
重复1次或更多次，但尽可能少重复 |
|
?? |
重复0次或1次，但尽可能少重复 |
|
{n,m}? |
重复n到m次，但尽可能少重复 |
|
{n,}? |
重复n次以上，但尽可能少重复 |
五、在Java中使用正则
5.1基本代码格式
在Java中使用正则时，需要2个基本要素：Pattern和Matcher。前者是你定义的正则，后者是由该正则生成的匹配器。代码格式如下：
public boolean startCheck(String reg,String string) { boolean tem=false; Pattern pattern = Pattern.compile(reg); Matcher matcher = pattern.matcher(string); tem = matcher.matches(); return tem; }
5.2验证手机号
/** * 手机号码验证,11位，开头必须是1，总长11位数 * */ public boolean checkCellPhone(String cellPhoneNr) { String reg="^[1][\\d]{10}$"; return startCheck(reg,cellPhoneNr); }
5.3验证电子邮箱
/** * 检查EMAIL地址 ，用户名和网站名称必须>=1位字符 * 地址结尾必须是2位以上，如：cn,test,com,info * */ public boolean checkEmail(String email) { String regex="\\w+\\@\\w+\\.\\w{2,}"; return startCheck(regex,email); }
5.4验证身份证号
/** * 验证国内身份证号码：18位，由数字组成，不能以0开头,x或X结尾 * */ public boolean checkIdCard(String idNr) { String reg="^[1-9]\\d{16}(\\d|x|X)$"; return startCheck(reg,idNr); }
5.5验证IP
/** * 查看IP地址是否合法 ,0-255 = 250-255, 200-249, 100-199,10-99, 0-9, * */ public boolean checkIP(String ipAddress) { String subregex = "(25[0-5]|2[0-4]\\d|1\\d{2}|[1-9]\\d|\\d)"; String regex = "(" + subregex + "\\.)"+ "{3}" + subregex; return startCheck(regex,ipAddress); }
5.6验证邮编
/** * 检查邮政编码(中国),6位，第一位必须是非0开头，其他5位数字为0-9 * */ public boolean checkPostcode(String postCode) { String regex="^[1-9]\\d{5}"; return startCheck(regex,postCode); }
5.7验证用户名
/** * 检验用户名 * 取值范围为a-z,A-Z,0-9,"_",汉字，不能以"_"结尾 * 用户名有最小长度和最大长度限制，比如用户名必须是4-20位 * */ public boolean checkUsername(String username,int min,int max) { String regex="[\\w_\\-\u4e00-\u9fa5]{"+min+","+max+"}(?<!_)"; return startCheck(regex,username); }
5.8验证网址
/** * 网址验证<br> * 符合类型：<br> * url=协议类型:// 0或1次 * www. 0或1次 * xx.xx xx为数字字符不限长度 * */ public boolean checkWebSite(String url) { //http://www.163.com String reg="^((http|https|ftp)\\:\\/\\/)?(www.)?\\w+\\.\\w+"; //String reg="^(http)\\://(\\w+\\.\\w+\\.\\w+|\\w+\\.\\w+)"; return startCheck(reg,url); }
六、Java正则中遇到的问题
本章记录了我在Java中遇到的坑，按需更新。
6.1 测试通过然而matches()返回false
笔者在测试"\\w*(?=ing)"和"I’m singing while you’re dancing"时，遇到的情况为，测试网站显示能够匹配到sing和danc，然而程序中的matches()总是返回false。经点拨才发现，matches()方法总是匹配整个字符串，仅当完全匹配时才会返回true。在这种情况下应当使用find()方法，每当成功匹配到子字符串时，它就会返回true。
6.2 Start()与end()值异常
代码如下：
import java.util.regex.Matcher;import java.util.regex.Pattern; public class RegexDemo { public static void main(String[] args) { RegexDemo demo = new RegexDemo(); System.out.printf("%b%n", demo.zeroWidthAssertionEarly()); } public boolean zeroWidthAssertionEarly() { //匹配以ing结尾的单词 String reg="\\w*(?=ing)"; String word = "I’m singing while you’re dancing";// boolean tem=false; Pattern pattern = Pattern.compile(reg); Matcher matcher = pattern.matcher(word); while(matcher.find()){ System.out.printf("start = %d%n", matcher.start()); System.out.printf("end = %d%n", matcher.end()); } return tem; } }
输出如下：
start = 4
end = 8
start = 8
end = 8
start = 25
end = 29
start = 29
end = 29false
输出为什么不是这样呢？
start = 4
end = 8
start = 25
end = 29false
原因在于，"\w*"将匹配0或多个字符，因此”ing”将自己匹配自己一次。改为"\w+"后输出就正常了。
