java正则表达式备忘

最近框架和爬虫上常要处理字符串匹配和替换的场景，备忘。

非贪婪模式

比如要匹配html文本中的连接，例如a href="www.abc.com/xyz/o"需要替换为a href="www.bing.com?q=o"，可以如下：

    static final String OSCHINA_LINK = "\"(https://www\\.abc\\.net/p/)(.+)\"";
    static Pattern pattern = Pattern.compile(OSCHINA_LINK);
    static String BING_SEARCH = "\"https://cn.bing.com/search?q=$2";

但是此时会导致第一个href="之后的文字到最后一个"之间的内容都是链接地址了，因为java正则默认是贪婪模式。要想在第一个"就结束，需要非贪婪模式，也就是加上?，如下：

    static final String OSCHINA_LINK = "\"(https://www\\.abc\\.net/p/)(.+?)\"";
    static Pattern pattern = Pattern.compile(OSCHINA_LINK);
    static String BING_SEARCH = "\"https://cn.bing.com/search?q=$2";

        Matcher m = pattern.matcher(param.getData().getNewsBody());
        StringBuffer sb = new StringBuffer();
        // 使用find()方法查找第一个匹配的对象
        boolean result = m.find();
        // 使用循环将句子里所有的表找出并替换为用户名.表名，再将内容加到sb里
        while (result) {
            m.appendReplacement(sb, BING_SEARCH);
            // 继续查找下一个匹配对象
            result = m.find();
        }
        // 最后调用appendTail()方法将最后一次匹配后的剩余字符串加到sb里；
        m.appendTail(sb);

分组替换

还有一个场景是要在所有给定的关键字之前加上前缀，例如"abc,bcf,wdf"替换为"x.abc,x.bcf,x.wdf"，其中关键字列表由输入给定。

这个时候就需要分组替换了，用()进行分组。如下：

String tel = "18304072984";
// 括号表示组，被替换的部分$n表示第n组的内容
tel = tel.replaceAll("(\\d{3})\\d{4}(\\d{4})", "$1****$2");
System.out.print(tel);   // output: 183****2984

String one = "hello girl hi hot".replaceFirst("(\\w+)\\s+(\\w+)", "a.$2 a.$1"); 
String two = "hello girl hi hot".replaceAll("(\\w+)\\s+(\\w+)", "a.$2 a.$1"); 
System.out.println(one);   // a.girl a.hello hi hot
System.out.println(two);   // a.girl a.hello a.hot a.hi