分组
先从一个问题引入, 看下面这段代码
public static void main(String[] args) { Pattern p = Pattern.compile("\\d{3,5}[a-z]{2}"); String s = "123aa-5423zx-642oi-00"; Matcher m = p.matcher(s); while(m.find()){ p(m.group()); } } //输出结果 123aa 5423zx 642oi
其中正则表达式"\\d{3,5}[a-z]{2}"表示3~5个数字跟上两个字母, 然后打印出每个匹配到的字符串
如果想要打印每个匹配串中的数字, 如何操作呢.
首先你可能想到把匹配到的字符串再进行匹配, 但是这样太麻烦了, 分组机制可以帮助我们在正则表达式中进行分组.
规定使用()进行分组, 这里我们把字母和数字各分为一组"(\\d{3,5})([a-z]{2})"
然后在调用m.group(int group)方法时传入组号即可
注意, 组号从0开始, 0组代表整个正则表达式, 从0之后, 就是在正则表达式中从左到右每一个左括号对应一个组. 在这个表达式中第1组是数字, 第2组是字母.
public static void main(String[] args) { Pattern p = Pattern.compile("(\\d{3,5})([a-z]{2})");//正则表达式为3~5个数字跟上两个字母 String s = "123aa-5423zx-642oi-00"; Matcher m = p.matcher(s); while(m.find()){ p(m.group(1)); } } //输出结果 123 5423 642
实战1: 抓取网页中的email地址(爬虫)
假设我们手头上有一些优质的资源, 打算分享给网友, 于是便到贴吧上发出一个留邮箱发资源的帖子. 没想到网友热情高涨, 留下了近百个邮箱. 但逐个复制发送太累了, 我们考虑用程序实现.
这里不展开讲发邮件部分, 重点应用已经学到的正则表达式从网页中截取所有的邮箱地址.
首先获取一个帖子的html代码随便找了一个, 点击跳转[1], 在浏览器中点击右键保存html文件
接下来看代码:
public class Demo12 { public static void main(String[] args) { BufferedReader br = null; try { br = new BufferedReader(new FileReader("C:\\emailTest.html")); String line = ""; while((line = br.readLine()) != null){//读取文件的每一行 parse(line);//解析其中的email地址 } } catch (FileNotFoundException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); }finally { if(br != null){ try { br.close(); br = null; } catch (IOException e) { e.printStackTrace(); } } } } private static void parse(String line){ Pattern p = Pattern.compile("[\\w[.-]]+@[\\w[.-]]+\\.[\\w]+"); Matcher m = p.matcher(line); while(m.find()){ System.out.println(m.group()); } } } //输出结果 2819531636@qq.com 2819531636@qq.com 2405059759@qq.com 2405059759@qq.com 1013376804@qq.com ...
实战2: 代码统计小程序
最后的一个实战案例: 统计一个项目中一共有多少行代码, 多少行注释, 多少个空白行. 不妨对自己做过的项目进行统计, 发现不知不觉中也是个写过成千上万行代码的人了...
我在github上挑选了一个项目, 是纯java写的小项目, 方便统计. 点击跳转[2]
下面是具体的代码, 除了判断空行用了正则表达式外, 判断代码行和注释行用了String类的api
public class Demo13 { private static long codeLines = 0; private static long commentLines = 0; private static long whiteLines = 0; private static String filePath = "C:\\TankOnline"; public static void main(String[] args) { process(filePath); System.out.println("codeLines : " + codeLines); System.out.println("commentLines : " + commentLines); System.out.println("whiteLines : " + whiteLines); } /** * 递归查找文件 * @param pathStr */ public static void process(String pathStr){ File file = new File(pathStr); if(file.isDirectory()){//是文件夹则递归查找 File[] fileList = file.listFiles(); for(File f : fileList){ String fPath = f.getAbsolutePath(); process(fPath); } }else if(file.isFile()){//是文件则判断是否是.java文件 if(file.getName().matches(".*\\.java$")){ parse(file); } } } private static void parse(File file) { BufferedReader br = null; try { br = new BufferedReader(new FileReader(file)); String line = ""; while((line = br.readLine()) != null){ line = line.trim();//清空每行首尾的空格 if(line.matches("^[\\s&&[^\\n]]*$")){//注意不是以\n结尾, 因为在br.readLine()会去掉\n whiteLines++; }else if(line.startsWith("/*") || line.startsWith("*") || line.endsWith("*/")){ commentLines++; }else if(line.startsWith("//") || line.contains("//")){ commentLines++; }else{ if(line.startsWith("import") || line.startsWith("package")){//导包不算 continue; } codeLines++; } } } catch (FileNotFoundException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } finally { if(null != br){ try { br.close(); br = null; } catch (IOException e) { e.printStackTrace(); } } } } } //输出结果 codeLines : 1139 commentLines : 124 whiteLines : 172
贪婪模式与非贪婪模式
经过两个实战后, 相信大家已经掌握了正则表达式的基本使用了, 下面介绍贪婪模式与非贪婪模式.
通过查看官方api我们发现Pattern类中有如下定义:
Greedy quantifiers 贪婪模式 X? X, once or not at all X* X, zero or more times X+ X, one or more times X{n} X, exactly n times X{n,} X, at least n times X{n,m} X, at least n but not more than m times Reluctant quantifiers 非贪婪模式(勉强的, 不情愿的) X?? X, once or not at all X*? X, zero or more times X+? X, one or more times X{n}? X, exactly n times X{n,}? X, at least n times X{n,m}? X, at least n but not more than m times Possessive quantifiers 独占模式 X?+ X, once or not at all X*+ X, zero or more times X++ X, one or more times X{n}+ X, exactly n times X{n,}+ X, at least n times X{n,m}+ X, at least n but not more than m times
这三种模式表达的意思是一样的, 在前面的讲解中我们全部使用的是贪婪模式. 那么其他两种模式的写法有什么区别呢? 通过下面的代码示例进行讲解.
public static void main(String[] args) { Pattern p = Pattern.compile(".{3,10}[0-9]"); String s = "aaaa5bbbb6";//10个字符 Matcher m = p.matcher(s); if(m.find()){ System.out.println(m.start() + " - " + m.end()); }else { System.out.println("not match!"); } } //输出结果 0 - 10
正则表达式的意思是3~10个字符加一个数字. 在贪婪模式下匹配时, 系统会先吞掉10个字符, 这时检查最后一个是否时数字, 发现已经没有字符了, 于是吐出来一个字符, 再次匹配数字, 匹配成功, 得到0-10.
下面是非贪婪模式演示(勉强的, 不情愿的)
public static void main(String[] args) { Pattern p = Pattern.compile(".{3,10}?[0-9]");//添加了一个? String s = "aaaa5bbbb6"; Matcher m = p.matcher(s); if(m.find()){ System.out.println(m.start() + " - " + m.end()); }else { System.out.println("not match!"); } } //输出结果 0 - 5
在非贪婪模式下, 首先只会吞掉3个(最少3个), 然后判断后面一个是否是数字, 结果不是, 在往后吞一个字符, 继续判断后面的是否数字, 结果是, 输出0-5
最后演示独占模式, 通常只在追求效率的情况下这么做, 用得比较少
public static void main(String[] args) { Pattern p = Pattern.compile(".{3,10}+[0-9]");//多了个+ String s = "aaaa5bbbb6"; Matcher m = p.matcher(s); if(m.find()){ System.out.println(m.start() + " - " + m.end()); }else { System.out.println("not match!"); } } //输出结果 not match!
独占模式会一下吞进10个字符, 然后判断后一个是否是数字, 不管是否匹配成功它都不会继续吞或者吐出一个字符.
