java正则表达式
正则表达式定义了字符串的模式。
正则表达式可以用来搜索、编辑或处理文本。
正则表达式并不仅限于某一种语言，但是在每种语言中有细微的差别。
java正则相关类
相关类位于：java.util.regex包下面
类Pattern:
- 正则表达式的编译表示形式
- Pattern p = Pattern.compile(r,int)//建立正则表达式，并启用相应模式
类Matcher:
- 通过解释Pattern对character sequence执行匹配操作的引擎
demo
package com.zgx.regex;
import org.junit.Before;
import org.junit.Test;
import java.util.Arrays;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
* java正则表达式
*/
public class RegexTest {
Matcher m;
Matcher m2;
@Before
public void demo(){
//在java中遇到转义字符\一个要写成两个
//表达式对象
Pattern p = Pattern.compile("\\w+");//匹配所有字符数字下划线
//创建Matcher对象
m = p.matcher("adsfads2452345");
m2 = p.matcher("adsfads&&2452345");
}
@Test
public void demo01(){
//matches方法尝试将整个字符串与该模式匹配
System.out.println(m.matches());//true
System.out.println(m2.matches());//false
}
@Test
public void demo02(){
//find方法扫描输入的序列，查找与该模式匹配的下一个子序列
System.out.println(m2.find());//true
System.out.println(m2.find());//true
System.out.println(m2.find());//false
}
//分组匹配
@Test
public void demo03(){
//分组匹配
Pattern p = Pattern.compile("([a-z]+)([0-9]+)");
Matcher m3 = p.matcher("adf132**adf465**fjf13");
//group(),group(0)表示匹配这个表达式的字字符串（返回find发现的字符串的所有值）
while (m3.find()){
//下面结果为第一次循环的值
System.out.println(m3.group());//adf132 将find找的的内容全部返回
System.out.println(m3.group(0));//adf132 将find找的的内容全部返回
System.out.println(m3.group(1));//adf 将find找的的内容第一个分组内匹配到的数据
System.out.println(m3.group(2));//132 将find找的的内容第二个分组匹配到的数据
}
}
//替换
@Test
public void demo04(){
//分组匹配
Pattern p = Pattern.compile("([0-9])");
Matcher m4 = p.matcher("adf132**adf465**fjf13");
String newStr = m4.replaceAll("#");
System.out.println(newStr);//adf###**adf###**fjf##
}
//分割
@Test
public void demo05(){
String str = "adf132**adf465**fjf13";
String[] strings = str.split("\\d+");
System.out.println(Arrays.toString(strings));//[adf, **adf, **fjf]
}
}
爬虫demo（获取网易首页全部URL）
package com.zgx.regex;
import org.junit.Test;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.MalformedURLException;
import java.net.URL;
import java.nio.charset.Charset;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class CrawlerTest {
/**
* 获取urlStr对应的网页的源码内容
* @param urlStr
* @return
*/
public static String getURLContent(String urlStr){
StringBuilder str = new StringBuilder();
try {
URL url = new URL(urlStr);
BufferedReader reader = new BufferedReader(new InputStreamReader(url.openStream(), Charset.forName("gbk")));
String temp="";
while ((temp=reader.readLine())!=null){
str.append(temp);
}
} catch (MalformedURLException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
return str.toString();
}
@Test
public void demo01(){
String str = getURLContent("http://www.163.com");
//表达式对象
Pattern p = Pattern.compile("href=\"(.+?)\"");
Matcher m = p.matcher(str);
while (m.find()){
System.out.println(m.group(1));
}
}
}
正则表达式语法
1、普通字符
字母、数字、汉字、下划线、以及没有特殊意义的标点符号都是“普通字符”。表达式中的普通字符，在匹配一个字符串的时候，匹配与之相同的一个字符。
2、简单的转义字符
| 字符 | 含义 |
|---|---|
| \n | 代表换行符 |
| \t | 制表符 |
| \ | 代表\本身 |
\^,\$,\.,\(,\),\{,\},\?,\+,\*,|,\[,\] |
匹配这些字符本身 |
3、标准字符集合（注意区分大小写，大写是相反的意思）
| 字符 | 含义 |
|---|---|
| \d | 任意一个数字，0-9中的任意一个 |
| \w | 任意一个字母或数字或下划线，也就是a-zA-Z0-9_中任意一个 |
| \s | 包括空格、制表符、换行符、等空白字符中其中任意一个 |
\. |
小数点表示任意一个字符 但不能匹配换行符 |
注：\D是指一个非数字
4、自定义字符集合
[]方括号匹配方式，能够匹配方括号中任意一个字符
| 字符 | 含义 |
|---|---|
| [ab5@] | 匹配“a”，“b”，“5”，“@” |
| [f-k] | 匹配“f”-“k”之间的任意一个字母 |
| [^ f-k] | ^在方括号里面表示取反 |
注：特殊符号被包含在中括号中就失去了特殊意义，除了^和-
标准字符集合除小数点外，如果被包含于中括号中，自定义字符集合就将包含该集合
[\d.-+]将匹配：数字、小数点、+-
5、量词
| 字符 | 含义 |
|---|---|
| 表达式重复n次 | |
| 表达式至少重复m次，最多重复n次 | |
| 表达式至少重复m次 | |
| ？ | 匹配表达式0次或者1次，相当于 |
| + | 匹配表达式至少出现1次相当于 |
| * | 表达式不出现或者出现任意次相当于 |
匹配次数中的贪婪模式（匹配字符越多越好，默认！）
匹配次数中的非贪婪模式（匹配字符越少越好，修饰匹配次数的特殊符号后再加上一个“？”号）
6、字符边界（匹配的不是字符而是位置）
| 字符 | 含义 |
|---|---|
| ^ | 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 |
7、正则表达式的匹配模式
- IGNORECASE忽略大小写模式
- 匹配时忽略大小写。
- 默认情况下，正则表达式是要区分大小写的。
- SINGLELINE单行模式
- 真个文本看做一个字符串，只有一个开头，一个结尾。
- 使用小数点“.”可以匹配包含换行符（\n）在内的任意字符。
- MULTILINE多行模式
- 每行都是一个字符串，都有开头和结尾
- 在指定了MULTILINE之后，如果需要进匹配字符串开始和结束位置，可以使用\A和\Z
8、选择和分组
| 表达式 | 作用 |
|---|---|
| ` | 分支结构` |
()捕获组 |
（1）在被修饰匹配次数的时候，括号中的表达式可以作为整体被修饰 |
| （2）取匹配结果的时候，括号中的表达式匹配到的内容可以被单独得到~~~~ | |
| （3）每一对括号会被分配一个编号，使用（）的捕获根据左括号的顺序从1开始自动编号。捕获元素为零的第一个捕获是由整个正则表达式模式匹配的文本 | |
(?:Expression) |
一些表达式中，不得不使用（），但又不需要保存（）中子表达式匹配的内容，这时可以用非捕获组来抵消使用（）带来的副作用 |
反向引用（\nnn）
每一对()会分配一个编号，使用()的捕获根据左括号的顺序从1开始自动编号。
通过反向引用，可以对分组已捕获的字符串进行引用。
9、预搜索（零宽断言）
| 字符 | 含义 |
|---|---|
?=exp |
断言自身出现的位置的后面能匹配表达式exp |
?<=exp |
断言自身出现的位置的前面能匹配表达式exp |
?!exp |
断言此位置的后面不能匹配表达式exp |
?<!exp |
断言此位置的前面不能匹配表达式exp |
