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

标准字符集合

• 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.

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

• 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}

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.

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

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)

• 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

• 揭开正则表达式的神秘面纱
• Java正则表达式教程