Java正则表达式之分组和替换

正则表达式的子表达式（分组）不是很好懂，但却是很强大的文本处理工具。

1 正则表达式热身

匹配电话号码

// 电话号码匹配
// 手机号段只有 13xxx 15xxx 18xxxx 17xxx
System.out.println("18304072984".matches("1[3578]\\d{9}"));   // true

// 座机号：010-65784236,0316-3312617,022-12465647,03123312336
String regex = "0\\d{2}-?\\d{8}|0\\d{3}-?\\d{7}";
String telStr = "010-43367458";
System.out.println(telStr.matches(regex));  // true

匹配邮箱

String mail = "[email protected]";
String reg = "[a-zA-Z_0-9]+@[a-zA-Z0-9]+(\\.[a-zA-Z]+){1,2}";
System.out.println(mail.matches(reg));  // true

特殊字符替换

将不是中文的字符替换为空：

String input = "神探狄仁&*%$杰之四大天王@bdfbdbdfdgds23532";
String reg = "[^\\u4e00-\\u9fa5]";
input = input.replaceAll(reg, "");
System.out.println(input);   // 神探狄仁杰之四大天王

汉字的Unicode编码范围是：\u4e00-\u9fa5

2 分组

组是用括号划分的正则表达式，可以根据组的编号来引用某个组。组号为 0 表示整个表达式，组号 1 表示第一对括号扩起的组，以此类推。
看 Java API 中 Pattern 中的描述：
Capturing groups are numbered by counting their opening parentheses from left to right. In the expression ((A)(B(C))), for example, there are four such groups:

1. ((A)(B(C)))
2. (A)
3. (B(C))
4. (C)

再比如 A(B(C))D 有三个组：组 0 是 ABCD，组 1 是 BC，组 2 是 C，
可以根据有多少个左括号来来确定有多少个分组，括号里的表达式都称子表达式。

Eg1:

Matcher 对象提供很多方法：

1. goupCount() 返回该正则表达式模式中的分组数目，对应于「左括号」的数目
2. group(int i) 返回对应组的匹配字符，没有匹配到则返回 null
3. start(int group) 返回对应组的匹配字符的起始索引
4. end(int group) 返回对应组的匹配字符的最后一个字符索引加一的值

// 这个正则表达式有两个组，
// group(0) 是 \\$\\{([^{}]+?)\\}
// group(1) 是 ([^{}]+?)
String regex = "\\$\\{([^{}]+?)\\}";
Pattern pattern = Pattern.compile(regex);
String input = "${name}-babalala-${age}-${address}";

Matcher matcher = pattern.matcher(input);
System.out.println(matcher.groupCount());
// find() 像迭代器那样向前遍历输入字符串
while (matcher.find()) {
    System.out.println(matcher.group(0) + ", pos: "
            + matcher.start() + "-" + (matcher.end() - 1));
    System.out.println(matcher.group(1) + ", pos: " +
            matcher.start(1) + "-" + (matcher.end(1) - 1));
}

输出：

1
${name}, pos: 0-6
name, pos: 2-5
${age}, pos: 17-22
age, pos: 19-21
${address}, pos: 24-33
address, pos: 26-32

group，翻译成中文就是分组。
group()或group(0)对应于整个正则表达式每次匹配到的内容，
group(1)表示括号中(一个子表达式分组)匹配到的内容。

Eg2:

为了更直观的看分组，在 Eg1 的正则表达式上再多加一对括号：

String regex = "(\\$\\{([^{}]+?)\\})";
Pattern pattern = Pattern.compile(regex);
String input = "${name}-babalala-${age}-${address}";

Matcher matcher = pattern.matcher(input);
while (matcher.find()) {
    System.out.println(matcher.group(0) + ", pos: " + matcher.start());
    System.out.println(matcher.group(1) + ", pos: " + matcher.start(1));
    System.out.println(matcher.group(2) + ", pos: " + matcher.start(2));
}

输出：

${name}, pos: 0
${name}, pos: 0
name, pos: 2
${age}, pos: 17
${age}, pos: 17
age, pos: 19
${address}, pos: 24
${address}, pos: 24
address, pos: 26

由此可得出一对括号一个分组，可以通过左括号数来确定有多少个分组。

通过group()获取分组中的匹配字串应用场景很广泛，
在笔者的一个项目中，通过使用这个特性实现了很有意思的通配符替换，感动！

3 分组替换

Eg1：

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

replaceAll 是一个替换字符串的方法，正则表达式中括号表示一个分组，replaceAll 的参数 2 中可以使用 $n（n 为数字）来依次引用子表达式中匹配到的分组字串，"(\\d{3})\\d{4}(\\d{4})", "$1****$2"，分为前（前三个数字）中间四个数字(最后四个数字) 替换为（第一组数字保持不变 $1）（中间为 * ）（第二组数字保持不变 $2）。

Eg2:

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

理解了Eg1，这个例子也自然就理解了。

Eg3：

来一个实用的例子，重复标点符号替换：

String input = "假如生活欺骗了你，，，相信吧，，，快乐的日子将会来临！！！…………";

// 重复标点符号替换
String duplicateSymbolReg = "([。？！?!，]|\\.\\.\\.|……)+";
input = input.replaceAll(duplicateSymbolReg, "$1");
System.out.println(input);

输出：

假如生活欺骗了你，相信吧，快乐的日子将会来临！……

正则表达式：([。？！?!，]|\\.\\.\\.|……)+，括号中是一个分组：表示一个标点符号，+表示这个分组出现一次或多次，$1分组的内容（一个标点符号）。replaceAll 就使用$1去对字符串进行替换了。

Eg4:

IP地址排序

String ip = "192.68.1.254 102.49.23.013 10.10.10.10 2.2.2.2 8.109.90.30";
ip = ip.replaceAll("(\\d+)", "00$1");
System.out.println(ip);

ip = ip.replaceAll("0*(\\d{3})", "$1");
System.out.println(ip);
String[] strs = ip.split(" ");

Arrays.sort(strs);
for (String str : strs) {
    str = str.replaceAll("0*(\\d+)", "$1");
    System.out.println(str);
}

输出：

00192.0068.001.00254 00102.0049.0023.00013 0010.0010.0010.0010 002.002.002.002 008.00109.0090.0030
192.068.001.254 102.049.023.013 010.010.010.010 002.002.002.002 008.109.090.030
2.2.2.2
8.109.90.30
10.10.10.10
102.49.23.13
192.68.1.254

1. 让IP地址的每一段都是3位，替换之后有4位的情况
2. 保证IP地址每一段都是3位
3. 排序之

写到这里，笔者不禁感叹，真的很强大！

4 反向引用

使用小括号指定一个子表达式分组后，匹配这个子表达式的文本可以在表达式或其它程序中作进一步的处理。默认情况下，每个分组会自动拥有一个组号，规则是：以分组的左括号为标志，从左向右，第一个分组的组号为1，第二个为2，以此类推。

Eg:

/* 这个正则表达式表示 安安静静 这样的叠词 */
String regex = "(.)\\1(.)\\2";  
System.out.println("安安静静".matches(regex));   // true
System.out.println("安静安静".matches(regex));   // false

上面 (.) 表示一个分组，里面 . 表示任意字符，每一个字符都是一个分组，
\\1表示组1（安）又出现了一次，\\2表示组2（静）又出现了一次。

那匹配 安静安静，怎么写正则表达式？根据上面的例子，将安静分成一个组，然后这个组又出现了一次就是安静安静：

String regex = "(..)\\1";  
System.out.println("安静安静".matches(regex));   // true
System.out.println("安安静静".matches(regex));   // false

5 反向引用替换

Eg1:

String str = "我我...我我...我要..要要...要要...找找找一个....女女女女...朋朋朋朋朋朋...友友友友友..友.友...友...友友！！！";
        
/*将 . 去掉*/
str = str.replaceAll("\\.+", "");
System.out.println(str);

str = str.replaceAll("(.)\\1+", "$1");
System.out.println(str);

输出：

我我我我我要要要要要找找找一个女女女女朋朋朋朋朋朋友友友友友友友友友友！！！
我要找一个女朋友！

(.)表示任意一个字符都会成为一个分组；\\1+ 引用分组（一个字符），表示出现1次或多次这个分组。 $1引用分组(.)将多个重复字符替换成一个字符。

Eg2:

替换重复出现的两位数之间的内容：

"xx12abdd12345".replaceAll("(\\d{2}).+?\\1", "");  //结果为 xx345

是不是觉得很神奇！

使用replace系列的方法要注意的一个异常： Java replaceAll()方法报错Illegal group reference
参考：
Java正则篇-27-正则的替换和分组功能
正则表达式30分钟入门教程
正则基础之——捕获组（capture group）
Java正则表达式Pattern与Matcher类
Java学习之正则表达式
Java进阶——使用正则表达式检索、替换String中的特定字符和关于正则表达式的一切
java 去除空格、标点符号